웨어러블 디바이스를 이용한 수면평가

Can Fitness Trackers Track Sleep?

Article information

J Sleep Med. 2022;19(1):1-5
Publication date (electronic) : 2022 April 29
doi : https://doi.org/10.13078/jsm.220005
Department of Neurology, Inje University College of Medicine, Ilsan-Paik Hospital, Goyang, Korea
송파멜라orcid_icon
인제대학교 의과대학 일산백병원 신경과학교실
Address for correspondence Pamela Song, MD Department of Neurology, Inje University College of Medicine, Ilsan Paik Hospital, 170 Juhwa-ro, Ilsanseo-gu, Goyang 10380, Korea Tel: +82-31-910-7013 Fax: +82-31-910-7368 E-mail: pamelasong@paik.ac.kr
Received 2022 April 6; Revised 2022 April 14; Accepted 2022 April 18.

Trans Abstract

Technological advances over the years have led to the widespread use and popularity of consumer wearable devices. Although polysomnography and actigraphy are standard tools for objective evaluation of sleep, common wearable devices that can be used daily can aid with diagnosis and management of sleep disorders. Accelerometer and photoplethysmography sensors are included both in actigraphy and wearable devices; therefore, the wearable device functions as an actigraphy tool to analyze sleep architecture. Easy accessibility, cost-effectiveness, and ease of long-term monitoring serve as advantages of this device; however, scientific validation is warranted to promote the use of the commercial apparatus as a medical device.

서 론

수면장애는 크게 밤에 잠들지 못하거나, 낮에 졸리거나, 또는 수면 중에 특정 사건이 생기는 증상을 말한다. 이러한 수면증상은 여러 증상이 함께 연관되어 나타나는 경우가 많고, 주관적으로 느끼지 않고 목격된 증상인 경우도 많다[1,2]. 따라서, 특정 수면증상이 수면질환과 언제나 연관된 것이라고 단정하기는 어렵다. 한 예를 들어, 밤에 잠들기가 어렵다고 호소하는 경우에도 불면증이 아니라 수면무호흡증이거나 하지불안증후군으로 진단되기도 한다. 그동안 객관적인 수면평가는 수면다원검사(polysomnography)가 가장 널리 사용되었다. 하지만, 수면다원검사는 수면 중에 발생하는 ‘호흡사건’, ‘이상움직임’을 확인할 수 있지만, 수면질환이 수면, 각성의 사이클 이상에 기인한 경우, 단 하루의 수면다원검사로는 진단하기 어렵다.

수면과 각성의 반복은 하루일주기리듬(circadian rhythm)과 수면 항상성(sleep homeostasis)으로 결정된다[3,4]. 하루일주기리듬은 24시간 주기로 변동하는 내인적 생물학적 리듬을 뜻하며 유전적으로 결정된다. 반면 수면 항상성은 깨어있는 시간이 길수록 수면압력이 증가하고, 반대로 수면이 시작되면 수면압력은 감소하는 것을 뜻한다. 수면과 각성의 반복은 개인별 수면습관, 생활양상, 주변환경 등에 영향을 받기 때문에, 이 변화에 기인한 수면장애는 개인별 하루일주기리듬을 분석하는 것과 함께 수주 이상의 기간동안 수면습관을 포함한 영향요인들에 대한 평가도 필요하다.

포괄적인 수면 평가를 위하여 대표적으로 수면다원검사, 수면일기(sleep diary), 활동기록기(actigraphy) 등이 유용하게 사용되고 있다. 하지만, 최근 디지털 기술 변화는 수면의학 영역에서도 관찰되며, 사용자의 단순 재미, 건강관리 뿐 아니라, 진단, 치료에도 큰 발전을 거듭하고 있다. 2019년 미국 Pew Research Center survey에서 진행한 설문조사에서는 성인의 21%에서 wearable fitness tracker를 사용한다고 보고하였다[5]. 2021년 1분기 전세계에서 손목부착형 웨어러블 디바이스 사용 빈도는 애플(28.8%), 삼성(11.3%), 샤오미(9.7%) 화웨이(8.2%), 핏빗(<2.0%)이다. 2014년도에는 핏빗이 44.7%의 가장 높은 점유율을 보였지만, 현재는 애플이 가장 높다[6]. 이처럼 5명당 1명이 거의 매일 착용하고 있는 wearable fitness tracker에 장착된 센서들 중 수면평가에 도움이 될 수 있는 센서들을 알아보고, 이를 통하여 수집된 정보의 임상적 의미를 알아보고자 한다.

본 론

수면다원검사

수면다원검사는 검사장소와 부착하는 센서의 종류에 따라 다양한 형태로 검사 할 수 있다. 일반적으로 표준 수면다원검사는 지정된 검사실에서 훈련된 검사자가 시행하며, 다음의 모든 센서를 기록한 검사이다: 뇌파(electroencephalography), 안구 움직임(electrooculography, EOG), 턱근전도(chin, electromyography, EMG), 호흡의 온도변화(thermal flow), 호흡의 압력변화(nasal pressure), 호흡노력(respiratory inductive plethysmography, RIP), 산소포화도(oximetry), 코골이(microphone, piezoelectric sensor), 다리 움직임(leg EMG), 심박수(electrocardiography, EKG) 및 비디오촬영(video) [7]. 수면다원검사는 수면 중 발생하는 사건을 여러 센서를 통하여 기록하며, 이를 근거로 많은 수면질환을 진단한다. 센서들의 기록은 각각 의미하는 바가 다르며, 이 기록된 자료의 임상적 해석은 5가지로 볼 수 있다. 1) 뇌의 활동: 수면단계(W, N1, N2, N3, REM)에 따라 뇌파는 특징적인 파형을 보이며, 수면 중 각성(arousal)도 뇌파로 확인한다. 이때 EOG와 chin EMG가 보조 지표로 사용된다. 2) 호흡: thermal flow와 nasal pressure로 확인하며, RIP를 통한 호흡의 노력여부는 폐쇄성 또는 중추성 호흡장애를 확인하는 지표로 쓴다. 3) 산소포화도: oximetry로 확인한다. 4) 심장기능: EKG로 심장박동을 확인한다. 5) 움직임: 다리 움직임은 leg EMG로 확인하며, 추가적으로 수면중 움직임을 확인하고 싶은 근육에 EMG 센서를 부착한다[8].

표준수면다원검사는 지정된 검사실에서만 시행해야 하고 많은 센서를 부착하며 훈련된 검사자가 판독해야 하는 단점이 있다. Home sleep apnea testing (HSAT)은 불편함을 개선하기 위하여 일부 센서를 제외하고 간소하게 집에서 수면검사를 시행하는 방법이다. 최소 4가지 oximetry, airflow, RIP, EKG 센서를 포함한다. 이 센서들은 호흡센서, 산소포화도, 심장기능을 포함하지만, 대부분 뇌파검사가 제외된다. 이러한 이유로 HSAT는 간편하지만 보다 포괄적인 평가가 어려운 단점이 따르며, 임상적으로는 중등도 이상의 수면무호흡진단에 도움이 된다[1,9].

수면일기와 활동기록기

수면일기는 24시간의 그래프에 취침시간, 기상시간 및 수면과 관련된 모든 활동을 직접 기록하는 일지로 최소 7-14일 동안 작성한다. 수면일지에는 수면시간과 관련된 내용 및 수면과 관련된 사건을 동시에 기록한다[10].

활동기록기는 손목 운동에 따른 가속(acceleration)을 감지하여 신체 활동량을 측정하는 도구이며 시계와 같이 손목에 착용한다. 활동기록기는 각성시에 움직이고, 반대로 수면 중에는 움직임이 기록되지 않는다. 이 움직임은 날짜별 그래프 형태를 제공하여 개인별 수면패턴을 확인할 수 있으며, 수면수치들로 같이 리포트 된다. 활동기록기의 종류에 따라 수면수치들의 계산법은 조금씩 다르지만, 총수면시간(total sleep time, TST), 입면시간(sleep latency, SL), 수면중각성 시간(wake after sleep onset)을 확인한다[11]. 활동기록기의 각성 및 수면의 정확도는 수면다원검사와 대조하여 80%-90%로 보고되고 있지만, 일반적으로 총수면시간 및 수면효율을 과대평가하고 입면시간을 과소평가한다[12,14]. 활동기록기는 수 주 동안 각성과 수면을 기록할 수 있으며, 검사실이 아닌 일상생활 중 기록할 수 있는 장점이 있다. 활동기록기는 오랜 기간 동안의 수면 각성 패턴을 확인할 수 있으며, 이에 미국수면학회(American Academy of Sleep Medicine)에서는 활동기록기는 하루주기리듬수면각성장애의 평가 및 불면증과 하루주기리듬수면각성장애의 치료경과 추적관찰에 사용을 권고하고 있다[15,16].

웨어러블 디바이스에 사용되는 센서

가속계

가속계(accelerometer)는 움직임을 감지하는 센서이다. 활동기록기에도 동일하게 사용되고 있다. 가속계는 여러가지 방법이 있는데, piezoelectric 가속계는 측정방향의 가속으로 힘이 가해지면, 질량(mass)의 관성력이 압전소자(crystal)로 전달하고, 이때 힘에 비례하여 생성된 전하(electrical charge)를 crystal 양단의 얇은 전극판에서 기록한다[2]. Piezoelectric 가속계는 크기가 커서 1개의 축으로만 기록하는 경우가 많고, 저장량을 줄이기 위하여 움직임 ‘count’를 30-60초에 1번만 기록하였다. 이후 고성능, 저전력, 저비용, 저면적 제조가 가능한 Micro Electro Mechanical Systems (MEMS)으로 만들어진 가속계는 1 mm 보다 작은 크기이다. MEMS 가속계는 캔틸레버(한끝만 고정된 레버)와 질량의 가속변화에 따라 서로의 간격/구조가 변하는 것을 기록한다. 크기가 작기 때문에, 3축(triaxial)이 있어 모든 방향의 가속을 기록할 수 있으며, 높은 샘플링 속도(high sampling rate)의 이점도 가진다[17,18].

광혈류측정

심박수

광혈류측정(photoplethysmography, PPG)은 photo (빛), plethysmos (변화), graphos (기록)의 합성어이다. 광혈류측정은 LED 빛(LED light)을 쏘면 얼마나 많은 빛이 조직을 투과하여 광센서(photodetector)에 기록되는지 확인하는 검사이다[19]. 심박수(heart rate, HR)는 1분 동안 심장이 수축과 이완을 반복하는 횟수이다. 광혈류측정 센서를 통하여 심박수를 확인하는 방법은 말초 동맥혈관에서 심장의 수축과 이완에 따라 혈류량이 변할 때 한쪽에서 내보낸 LED 빛이 조직을 지나 흡수, 투과 또는 반사량 변화가 생기는데, 이를 광센서가 기록 후 변화의 횟수를 심박수로 계산한다. 광센서는 빛이 LED 빛의 반대편에서 투과율을 기록하기도 하고, 또는 광센서와 동측에서 반사율을 기록하기도 한다[20]. 웨어러블 디바이스의 광혈류측정센서는 LED 빛과 동측에 광센서가 위치하여 반사되는 LED 빛을 기록한다. 심장수축에 따라 혈류량이 증가하면 헤모글로빈도 같이 증가하는데, 이때 많은 빛이 흡수되고 반사량은 줄어든다. 심장이완에 따라 혈류량이 감소하면 반대로 빛은 적게 흡수되고 반사량은 증가한다. 즉 광센서에서 검출되는 빛의 반사량이 일정한 패턴으로 증가, 감소를 보이게 되며 변화의 횟수를 심박수로 계산할 수 있다[19,20]. 웨어러블 디바이스 뒷면에서 나오는 초록색불이 PPG LED 빛이다[20]. 손가락 끝에서 신호가 가장 잘 기록되지만 손목과 귓볼에서도 가능하다고 알려져 있다[21].

심박변이

광혈류측정으로 심박수(HR)를 확인할 수 있다면, 심박변이(heart rate variability, HRV)도 확인할 수 있다. 심박변이(HRV)는 R-R interval의 변동성을 뜻한다. 심전도의 심방수축(P), 심실수축(QRS), 심실 이완(T)중, 심장의 수축과 수축 간격은 R-R interval이며, 이 심박의 변화가 HRV이다. 변동성이 크면, high HRV이고 이는 부교감신경에 영향을 받으며, low HRV는 교감신경에 영향을 받는다. Frequency에 따른 HRV는 다음과 같이 나눈다: very low frequency (VLF) variability 0.00-0.05 Hz, low frequency (LF) variability 0.05-0.15 Hz, high frequency (HF) variability 0.15-0.40 Hz [17].

산소 포화도

광혈류측정을 이용하여 산소포화도를 기록할 수 있다. 빛의 파장별로 oxyhemoglobin과 deoxyhemoglobin 각각의 빛흡수량이 다르다는 원리를 이용한다. 산소포화도를 측정하는 붉은 빛의 oximetry도 동일한 원리이지만, 이 경우 red(wave length ~660 nm), infrared (wave length ~940 nm) LED 빛을 사용하며, LED 빛을 투과율을 반대편에서 기록하는 transmittance pulse oximetry이다. 웨어러블 디바이스는 반대편에 광센서를 위치하기 어렵기 때문에 LED 빛과 광센서가 같은 방향에 있고, 반사량을 기록하는 reflectance pulse oximetry이다. Smart phone 또는 웨어러블 디바이스의 reflectance pulse oximetry는 아직 validation이 잘되어 있지 않아 유용성이 제한적이다[22]. 하지만, 손목에서의 green, red and infrared LED를 이용하여 측정한 산소포화도는 손가락에서 측정한 transmittance 방식과 비슷한 정확도를 보인 보고도 있다[8].

수면단계에 따른 심박수, 심박변이

웨어러블 디바이스의 가속계와 광혈류측정의 사용은 간접적이지만 수면다원검사의 산소포화도, 심장기능, 움직임 센서의 역할을 한다. 하지만, 뇌파를 대체할 수 있는 센서는 제한적이다. 뇌파를 보다 간편히 기록하기 위하여 머리밴드(head band) [23] 귀뒷부분(behind the ear) [24], 귀마개(earplug) [25]의 형태가 있다. 이러한 장비는 웨어러블 디바이스 장비내 간편한 센서로 대체하기 어렵고 추가적인 센서장비를 사용해야 한다.

또다른 방법은 수면단계를 뇌파기록 없이 확인하는 방법이며, 이때 광혈류측정으로 기록한 심박수, 심박변이를 이용한다. 교감신경은 심박수를 증가시키며 부교감신경은 심박수를 감소하게 한다. 수면의 1단계부터 점점 잠이 깊어질수록 심박수는 각성시와 비교하여 감소하지만, REM수면 단계에서는 심박수가 각성시 만큼 빠르게 관찰된다[26,27]. HRV는 수면의 단계에 따라 특징적인 양상이 보인다. VLF는 교감신경 항진을 뜻하며 REM 수면단계에서 높으며, LF는 교감신경과 부교감신경이 같이 있으며 3단계 수면에서 가장 낮다[28,29].

웨어러블 디바이스를 이용한 수면 평가

다양한 회사에서 다양한 웨어러블 디바이스를 끊임없이 출시하고 있다. 모든 장비의 센서, 원시자료, 또는 수집된 정보의 처리 방식은 공개되지 않아 세부내용을 연구자들이 알기는 어렵지만, 일부 장비를 이용한 수면단계 평가 연구가 있다.

핏 빗

핏빗은 가장 많은 연구를 보고한 웨어러블 디바이스이다. 초창기 fitbit tracker에는 3축 가속계만 있었지만, 2015년 ChargeHR 모델부터 광혈류측정센서가 추가되었다. 광혈류 측정으로 수면단계를 평가 보고한 것은 2016년 Charge 2 모델이다[30]. 이 연구에서는 fitbitcharge2와 수면다원검사의 수면단계를 비교하였으며, light sleep (PSG N1, N2 stage), deep sleep (PSG N3 stage), REM sleep으로 구분하였다. 가속계와 광혈류측정을 이용한 수면평가는 수면다원검사와 비교하여 TST는 9분 초과, SL은 4분 빠르게 예측하였다. 수면단계에서는 light sleep을 34분 초과 예측하고(정확도: 81%), deep sleep은 24분 적게 예측(정확도: 49%), REM sleep은 1분 적게 예측하였다. 이 연구에서는 REM cycle도 확인하였으며 핏빗 REM과 PSG REM이 최소 1에폭 겹치는 것을 일치한다고 하였을 때 81%에서 일치율을 확인하였다. 각 수면단계별 비교 뿐만 아니라 NREM-REM cycle에 대한 평가도 진행한 연구이지만, 정확한 일치도로 평가한것이 아님을 고려해야 한다. 2018년 fitbit surge (가속계와 광혈류측정) 모델을 이용한 연구에서도 type III HSAT와 비교하여 light sleep (정확도: 69.2%), deep sleep (정확도 62.4%), REM sleep (정확도: 71.6%)으로 비슷한 결과를 보고하였다[31]. 2020년 fitbitaltaHR (가속계와 광혈류측정) 모델을 이용한 연구에서도 PSG와 비교하여 light sleep (정확도: 71%), deep sleep (정확도 86%), REM sleep (정확도 89%)으로 비슷한 결과를 보고하였다[32]. 핏빗을 이용한 정확도는 91%, 수면예측(sensitivity)은 95%-97%를 보였고, 각성예측(specificity)은 54%-69%를 보였다[30-32]. 이는 활동기록기의 전반적인 정확도 84%-93%, 수면예측 93%-95%, 각성예측 34%-63%에 견줄 만한 결과이다[17].

애플사의 애플와치

2019년부터 애플와치 웨어러블 디바이스의 점유율은 30%대로 가장 많은 비중을 차지한다. 하지만, 애플은 핏빗과는 다르게 디바이스 원시자료를 공개하지 않고, 자체 평가자료를 보고하지도 않았다. 애플와치를 이용한 자료는 연구자가 원시자료를 개별 다운로드 후 평가 보고하였다[33,34]. 애플와치 series 2, 3 모델을 이용한 연구에서는 MEMS 가속계와 광혈류측정 정보를 수집하였다. 수면다원검사와 비교하여 정확도 90.1%, 수면예측 93%를 보였고, 각성예측 59.6%를 보였다. 가속계, 심박수, 하루주기정보를 이용한 경우 수면단계(wake, NREM sleep, REM sleep)예측 정확도를 72%로 보고하였다[33]. 애플와치 series 2 모델을 사용한 또다른 연구에서도 정확도 93%, 수면예측 98%, 각성예측 60%를 보고하였다[34].

결 론

웨어러블 디바이스로 기록되어 일부 ‘수면’평가를 위해 사용되는 센서 정보는 표준 수면다원검사와는 다르다. 대표적으로 가속계와 광혈류측정은 활동기록기의 센서와 동일하지만 의학적 사용으로는 검증되지 않았다. 특히나 광혈류측정으로 수집된 심박수, 심박변이는 비교적 연구가 많이되어 있어 심장기능을 평가로 사용할 수 있지만 수면평가는 제한적이다. 광혈류측정자료를 근거로 수면단계(sleep architecture)를 평가하는 연구가 일부 있지만, 뇌파 변화를 구분하는 수면단계를 심박수와 심박변이로 평가하는 것은 일반인 대상이 아닌 수면질환 환자에서의 적용은 그 정확도가 아직은 제한적이다.

미국수면학회에서도 consumer sleep technology에서 임상적 사용 전에 validation의 중요성을 강조하였다[35]. 그동안 웨어러블 디바이스의 validation은 대부분 정상인을 대상으로 하였으며, 수면질환이 있는 경우 정확도가 떨어지는 것으로 보고되었다[36]. 하지만, 이제 웨어러블 디바이스는 5명당 1명이 꾸준한 횟수로 착용하고 있으며, 여기에 기록된 정보를 임상현장에서 사용하지 않는 것 또한 정보의 낭비일 수 있다. 비록 웨어러블 디바이스마다 센서도 다르며, 원시자료가 공개되지 않고, 제조사마다 다르게 가공된 자료일 수 있지만, 임상적으로 필요한 정보를 보조지표로 사용해 수면질환의 진단, 치료 및 추적관찰에 사용을 고려할 수 있다.

Notes

The author has no potential conflicts of interest to disclose.

Funding Statement

None

References

1. Kim JH, Sunwoo JS, Pamela S, et al. Sleep disorders: case-based learning Seoul: Panmun Education; 2020.
2. American Academy of Sleep Medicine. International classification of sleep disorders. 3rd edth ed. Westchester: American Academy of Sleep Medicine; 2014.
3. Reid KJ, Zee PC. Circadian rhythm disorders. Semin Neurol 2009;29:393–405. https://doi.org/10.1055/s-0029-1237120.
4. Borbély AA. A two process model of sleep regulation. Hum Neurobiol 1982;1:195–204.
5. Vogles EA. About one-in-five Americans use a smart watch or fitness tracker [Internet]. Washington, DC: Pew Research Center; [cited 2022 Mar 10]. URL: https://www.pewresearch.org/fact-tank/2020/01/09/about-one-in-five-americans-use-a-smart-watch-or-fitness-tracker/.
6. Laricchia F. Market share of wearables unit shipments worldwide from 1st quarter 2014 to 3rd quarter 2021, by vendor [Internet]. New York: Statista Inc.; [cited 2022 Mar 10]. URL: https://www.statista.com/statis tics/435944/quarterly-wearables-shipments-worldwide-market-shareby-vendor/.
7. Berry RB, Brooks R, Gamaldo CE, et al. The AASM manual for the scoring of sleep and associated events [Internet]. Darien, IL: American Academy of Sleep Medicine; [cited 2022 Mar 10]. URL: https://aasm.org/clinical-resources/scoring-manual/.
8. Kwon S, Kim H, Yeo WH. Recent advances in wearable sensors and portable electronics for sleep monitoring. iScience 2021;24:102461. https://doi.org/10.1016/j.isci.2021.102461.
9. Collop NA, Anderson WM, Boehlecke B, et al. Clinical guidelines for the use of unattended portable monitors in the diagnosis of obstructive sleep apnea in adult patients. J Clin Sleep Med 2007;3:737–747.
10. Carney CE, Buysse DJ, Ancoli-Israel S, et al. The consensus sleep diary: standardizing prospective sleep self-monitoring. Sleep 2012;35:287–302. https://doi.org/10.5665/sleep.1642.
11. Fekedulegn D, Andrew ME, Shi M, Violanti JM, Knox S, Innes KE. Actigraphy-based assessment of sleep parameters. Ann Work Expo Health 2020;64:350–367. https://doi.org/10.1093/annweh/wxaa007.
12. Sadeh A, Sharkey KM, Carskadon MA. Activity-based sleep-wake identification: an empirical test of methodological issues. Sleep 1994;17:201–7. https://doi.org/10.1093/sleep/17.3.201.
13. Mullaney DJ, Kripke DF, Messin S. Wrist-actigraphic estimation of sleep time. Sleep 1980;3:83–92. https://doi.org/10.1093/sleep/3.1.83.
14. Paquet J, Kawinska A, Carrier J. Wake detection capacity of actigraphy during sleep. Sleep 2007;30:1362–1369. https://doi.org/10.1093/sleep/30.10.1362.
15. Morgenthaler T, Alessi C, Friedman L, et al. Practice parameters for the use of actigraphy in the assessment of sleep and sleep disorders: an update for 2007. Sleep 2007;30:519–529. https://doi.org/10.1093/sleep/30.4.519.
16. Ancoli-Israel S, Cole R, Alessi C, Chambers M, Moorcroft W, Pollak CP. The role of actigraphy in the study of sleep and circadian rhythms. Sleep 2003;26:342–392. https://doi.org/10.1093/sleep/26.3.342.
17. Lujan MR, Perez-Pozuelo I, Grandner MA. Past, present, and future of multisensory wearable technology to monitor sleep and circadian rhythms. Front Digit Health 2021;3:721919. https://doi.org/10.3389/fdgth.2021.721919.
18. te Lindert BH, Van Someren EJ. Sleep estimates using microelectromechanical systems (MEMS). Sleep 2013;36:781–789. https://doi.org/10.5665/sleep.2648.
19. Allen J. Photoplethysmography and its application in clinical physiological measurement. Physiol Mea 2007. 28R1–R39. https://doi. org/10.5665/sleep.2648.
20. Spierer DK, Rosen Z, Litman LL, Fujii K. Validation of photoplethysmography as a method to detect heart rate during rest and exercise. J Med Eng Technol 2015;39:264–271. https://doi.org/10.3109/03091902.2015.1047536.
21. Hartmann V, Liu H, Chen F, Qiu Q, Hughes S, Zheng D. Quantitative comparison of photoplethysmographic waveform characteristics: effect of measurement site. Front Physiol 2019;10:198. https://doi.org/10.3389/fphys.2019.00198.
22. Lee H, Ko H, Lee J. Reflectance pulse oximetry: practical issues and limitations. ICT Express 2016;2:195–198. https://doi.org/10.1016/j.icte.2016.10.004.
23. Arnal PJ, Thorey V, Debellemaniere E, et al. The Dreem Headband compared to polysomnography for electroencephalographic signal acquisition and sleep staging. Sleep 2020. 43zsaa097. https://doi.org/10.1016/j.icte.2016.10.004.
24. Sterr A, Ebajemito JK, Mikkelsen KB, et al. Sleep EEG derived from behind-the-ear electrodes (cEEGrid) compared to standard polysomnography: a proof of concept study. Front Hum Neurosci 2018. 12452. https://doi.org/10.3389/fnhum.2018.00452.
25. Alqurashi YD, Nakamura T, Goverdovsky V, et al. A novel in-ear sensor to determine sleep latency during the Multiple Sleep Latency Test in healthy adults with and without sleep restriction. Nat Sci Sleep 2018;10:385–396. https://doi.org/10.2147/NSS.S175998.
26. Snyder F, Hobson JA, Morrison DF, Goldfrank F. Changes in respiration, heart rate, and systolic blood pressure in human sleep. J Appl Physiol 1964;19:417–422. https://doi.org/10.1152/jappl.1964.19.3.417.
27. Shinar Z, Akselrod S, Dagan Y, Baharav A. Autonomic changes during wake-sleep transition: a heart rate variability based approach. Auton Neurosci 2006;130:17–27. https://doi.org/10.1016/j.autneu.2006.04.006.
28. Stein PK, Pu Y. Heart rate variability, sleep and sleep disorders. Sleep Med Rev 2012;16:47–66. https://doi.org/10.1016/j.smrv.2011.02.005.
29. Trinder J, Kleiman J, Carrington M, et al. Autonomic activity during human sleep as a function of time and sleep stage. J Sleep Res 2001. 10253–264. https://doi.org/10.1016/j.smrv.2011.02.005.
30. de Zambotti M, Goldstone A, Claudatos S, Colrain IM, Baker FC. A validation study of Fitbit Charge 2TM compared with polysomnography in adults. Chronobiol Int 2018;35:465–476. https://doi.org/10.1080/ 07420528.2017.1413578.
31. Beattie Z, Oyang Y, Statan A, et al. Estimation of sleep stages in a healthy adult population from optical plethysmography and accelerometer signals. Physiol Meas 2017;38:1968–1979. https://doi.org/10.1088/1361-6579/aa9047.
32. Chinoy ED, Cuellar JA, Huwa KE, et al. Performance of seven consumer sleep-tracking devices compared with polysomnography. Sleep 2021. 44zsaa291. https://doi.org/10.1088/1361-6579/aa9047.
33. Walch O, Huang Y, Forger D, Goldstein C. Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable device. Sleep 2019. 42zsz180. https://doi.org/10.1088/1361- 6579/aa9047.
34. Roberts DM, Schade MM, Mathew GM, Gartenberg D, Buxton OM. Detecting sleep using heart rate and motion data from multisensor consumer-grade wearables, relative to wrist actigraphy and polysomnography. Sleep 2020. 43zsaa045. https://doi.org/10.1088/1361-6579/aa9047.
35. Khosla S, Deak MC, Gault D, et al. Consumer sleep technology: an American Academy of Sleep Medicine position statement. J Clin Sleep Med 2018;14:877–880. https://doi.org/10.5664/jcsm.7128.
36. Evenson KR, Goto MM, Furberg RD. Systematic review of the validity and reliability of consumer-wearable activity trackers. Int J Behav Nutr Phys Act 2015;12:159. https://doi.org/10.1186/s12966-015-0314-1.

Article information Continued