研究人群与数据纳入
建立用于分析年龄与客观睡眠参数关联的女性样本及男性比较样本。
从Samsung Health消费者数据库获取Galaxy Watch用户睡眠追踪数据，随机抽取女性192500名和男性145000名，按纳入标准筛选。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
中年女性睡眠模式差异：一项大规模多国智能手表研究（SONAR）
Sleep Pattern Differences in Women at Midlife: A Large-Scale Multi-Country Smartwatch Study (SONAR)
实验完整度
中基于192500名女性智能手表用户约380万夜客观睡眠数据的横断面分析，使用线性混合模型评估年龄与睡眠参数关联并调整协变量，未包含功能或机制验证。
主要模型
192500名女性Galaxy智能手表用户（美国、韩国、德国、法国、英国） 145000名男性Galaxy智能手表用户比较组（美国、韩国、德国、法国、英国）
重点核对
研究样本为192500名20-65岁女性Galaxy智能手表用户，随机从每国抽取38500名，要求2024年3月1日至28日至少七夜睡眠数据、已录入身高体重、BMI≥18.5 kg/m2、睡眠时长3-14小时且开始于晚8点至早8点之间；男性比较组为145000名，随机从每国抽取29000名，纳入标准相同。 线性混合模型参照组：年龄20-24岁、国家美国、健康体重（BMI 18.5-24.9 kg/m2）、工作日夜晚、每日活动时间最低三分位、每日步数久坐类别；调整重复用户测量、国家、BMI、工作日/周末夜晚和每日活动时间。 睡眠参数定义：TSPD为入睡至最终觉醒之间的分钟数；TST为TSPD内总睡眠分钟数；WASO为入睡后至最终觉醒前的清醒分钟数，并考虑同一夜晚各睡眠段之间的清醒时间；觉醒阶段时长超过中位数+1.5×IQR（160分钟）的离群值被排除。 WASO进行对数转换以处理非正态性；分别对TSPD、TST和WASO运行三个模型，并额外拟合年龄与国家交互项。 年龄按5岁分组为20-24、25-29、30-34、35-39、40-44、45-49、50-54、55-59、60-65岁；BMI分组为18.5-24.9、25.0-29.9、≥30 kg/m2；每日步数分组为<5000、5000-7499、7500-9999、10000-12499、>12500步；活动时间按三分位分组；工作日夜晚为周日至周四夜晚，周末夜晚为周五和周六夜晚。
摘要
研究目标：评估女性中年龄与客观测量睡眠之间的关联。材料与方法：我们分析了192500名年龄20-65岁的女性Galaxy智能手表用户（美国、韩国、德国、法国和英国）约380万夜的数据，这些用户在2024年3月至少有七夜睡眠数据。我们使用线性混合模型评估年龄与总睡眠期时长（TSPD）、总睡眠时间（TST）和入睡后觉醒时间（WASO；对数转换）之间的关联，并调整了重复用户测量、国家、体重指数、工作日/周末夜晚和每日活动时间。参照组为20-24岁。对男性比较组分别运行模型。结果：在女性中，WASO在中年显著增加；与参照组相比，50-54岁平均增加+5分钟（+15%），55-59岁增加+9分钟（+25%），60-64岁增加+11分钟（+32%）（男性相应增加为+3分钟[+9%]、+6分钟[+16%]和+9分钟[+27%]）。与参照组相比，TSPD和TST的年龄差异分别≤5分钟更短和≤17分钟更短。年龄对TST和WASO的影响在西方国家之间相似；在韩国，TSPD和TST在所有年龄段均较短，而WASO的增加从成年早期就明显。结论：在中年女性中观察到WASO显著增加。这一生命阶段的女性可能受益于早期识别和个体化干预，以改善睡眠，作为整体健康咨询的一部分。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 评估女性中年龄与客观测量睡眠参数（TSPD、TST和WASO）之间的关联，并考察中年阶段睡眠模式是否与男性不同。
- 核心机制
- 文中未明确说明。
- 主要证据
- 基于192500名女性Galaxy智能手表用户约380万夜睡眠数据的线性混合模型显示，与20-24岁参照组相比，女性WASO在50-54岁平均增加5.4分钟（+15.3%）、55-59岁增加8.8分钟（+24.9%）、60-65岁增加11.2分钟（+31.7%），而男性相应增加更为温和。
- 研究意义
- 中年女性WASO显著增加，提示这一生命阶段的变化可能影响女性睡眠；可穿戴数字健康技术有助于女性追踪睡眠，促进与医疗从业者的讨论并指导个体化症状管理。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
夜间睡眠参数计算与数据清理
为每名用户计算平均睡眠参数并提高数据质量。
计算每名个体的TSPD、TST和WASO平均值，并排除觉醒阶段时长异常值。
年龄与协变量分组
定义主要自变量和调整变量，用于线性混合模型分析。
按用户档案年龄、BMI、每日步数、活动时间和工作日/周末夜晚进行分类。
线性混合模型分析
评估年龄及国家、BMI、活动水平、周末/工作日与睡眠参数的关联，并检验年龄与国家交互作用。
分别对TSPD、TST和WASO（对数转换）运行线性混合效应模型，控制重复用户测量和协变量，并额外拟合年龄与国家交互项；男性比较组分别运行模型。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据采集 | Galaxy智能手表 | Samsung | -- |
| Galaxy Watch系列6 | Samsung | -- | |
| Samsung Health消费者数据库 | Samsung | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究人群与数据纳入 | 女性样本量192500名，每国随机抽取38500名；男性比较组145000名，每国随机抽取29000名；年龄20-65岁；2024年3月1日至28日至少七夜睡眠数据；BMI≥18.5 kg/m2；睡眠时长3-14小时且开始于晚8点至早8点之间。 阅读提示：Methods中的Study population和Comparison sample of men小节。 |
| 夜间睡眠参数计算与数据清理 | TSPD、TST和WASO的定义；觉醒阶段时长超过中位数+1.5×IQR（160分钟）的离群值排除规则。 阅读提示：Methods中的Night-time sleep parameters小节及Supplement。 |
| 年龄与协变量分组 | 年龄5岁分组；BMI分组；每日步数分组；活动时间三分位；工作日/周末夜晚定义。 阅读提示：Methods中的Age and covariates小节。 |
| 线性混合模型分析 | 参照组设定：年龄20-24岁、国家美国、健康体重、工作日、活动时间最低三分位、每日步数久坐；调整变量包括重复用户测量、国家、BMI、工作日/周末夜晚和每日活动时间；WASO对数转换；分别运行三个模型；年龄与国家交互项。 阅读提示：Methods中的Statistical analysis小节及Figure 1-4 legends。 |