SleepGuru：用于现实生活可操作性和可协商性的个性化睡眠规划系统

文献标题

SleepGuru: Personalized Sleep Planning System for Real-life Actionability and Negotiability

文献信息

• 主题领域: 人机交互与健康信息学
• 关键词: 个性化睡眠计划、睡眠建模、计算优化、现实生活约束、睡眠质量、睡眠反馈、健康信息学
• 会议: 第35届ACM用户界面软件与技术年会 (UIST '22)
• DOI: 10.1145/3526113.3545709

研究背景与问题

• 发现的问题或挑战:

  • 现有的睡眠健康指南强调固定的睡眠规律和时间（如每天保持7-8小时的睡眠），但现实中许多人由于工作、学术或家庭责任而导致生活日程高度不规则，这使得这些标准睡眠指南难以适用。
  • 工作责任和社会对生产力的高期望使睡眠常被忽略，长期的睡眠健康受到威胁。
  • 标准睡眠指南通常将未遵循指南归因于个人的自我管理问题，而忽略了个体实际生活中的多样化需求和约束。

• 研究重要性:

  • 长期不健康的睡眠影响不仅限于即时的疲劳，还对认知功能、身体健康、事业和生活质量产生深远影响。
  • 根据个体的生活约束，提供切实可行和个性化的睡眠建议将有助于提高现实中的睡眠落实情况。

• 研究动机与相关工作:

  • 当前已有针对健康睡眠的移动应用和人机交互系统，这些工具主要提供一般性睡眠建议或追踪数据，但对用户现实生活的约束适配不足。
  • 问题在于如何在强调健康的同时，融入用户的日常不规则性，使睡眠计划具有可执行性和灵活性。

解决方案

• 提出的解决方案:

  • SleepGuru: 一个支持个性化且可执行的动态睡眠规划系统，能够基于用户的日常不规律日程生成具体的睡眠建议。
  • 系统建立在睡眠生理学理论基础之上，通过联动用户的线上日历和可穿戴设备数据，将用户的睡眠压力变化预测与优化。
  • SleepGuru 提供个性化的多日睡眠计划，并允许用户在不可避免的情况下选择替代方案。

• 创新点:

  1. 行动性与可调整性: 睡眠计划针对用户的现实约束和动态物理活动提供行动指导，同时支持用户调整睡眠计划。
  2. 实时性: 系统根据用户更新的实际睡眠和活动数据，自动优化未来几日的睡眠计划。
  3. 解释性: 在用户界面中展示分钟级别的睡意预测变化，直观地向用户解释计划的科学优化依据。
  4. 多日优化: 睡眠计划优化时考虑用户的长期睡眠压力变化，避免一次性补偿式长时间睡眠的不良影响。

• 实施步骤与关键技术:

  1. 数据集成与获取:
     • 使用在线日历获取用户的工作和其他不可睡眠的日程。
     • 借助可穿戴设备（如Fitbit）获取心率、活动步数和实际睡眠时间。
  2. 数学模型与优化:
     • 基于“睡眠驱动力”（Sleep Drive）和“昼夜节律”（Circadian Rhythm）建模睡眠压力。
     • 定义优化目标函数：平衡用户的睡眠压力与可用时间。
  3. 用户界面与交互:
     • 提供可视化仪表盘（Dashboard）来展示睡眠计划在日历中的显示，并支持用户实时调整推荐的时间。

研究成果

• 具体成果:

  1. 用户测试结果:
     • 在为期8周的真实环境测试中，SleepGuru 使用者的睡眠质量评分（LSEQ）比未使用者提高了15％。
     • 用户的睡眠效率有所提升，每单位睡眠时间平均降低了更多的疲劳压力。
  2. 用户依从性:
     • SleepGuru 的推荐睡眠计划比统一标准化的睡眠指南具有更高的可执行性，其建议的依从率（58％）是标准指南的约3倍。
  3. 用户主观反馈:
     • 与传统睡眠指南相比，多数用户表示，SleepGuru 提供了更适应其生活节奏的建议，长期使用的可能性更高。
     • 用户对可视化睡眠预测工具的解释性和调整界面评价较高。

• 与现有解决方案比较的优势:

  • 现有睡眠系统常倾向于提供理想化目标，而 SleepGuru 提供基于用户动态需求、直观与科学兼备的实际可行解决方案。
  • 在预测用户的睡眠生理状态方面，SleepGuru 融合了广义多日效应，而非仅限分析个体单晚睡眠。

• 实验或评估结果:

  1. 通过自我报告及生理数据观测，SleepGuru 显著降低了白天的嗜睡（ESS得分改善了20%）。
  2. 系统自动调整用户睡眠建议，在用户偏离推荐时重新优化未来安排。
  3. SleepGuru 的教育型界面增进了用户对其睡眠需求重要性的理解。

• 局限性与未来方向:

  • 局限性:
    1. 部分用户因极其繁忙的日程导致睡眠调整自由度有限。
    2. 系统的睡眠压力模型未涵盖非睡眠因素（如咖啡摄入的影响）。
    3. 部分用户未能及时更新其在线日历，导致推荐与实际需求脱节。
  • 未来发展方向:
    1. 加入更加全面的约束因素（如晚间光暴露、饮食行为等）。
    2. 开发自动捕获用户日程事件的技术。
    3. 支持通过长期部署来丰富用户个性化数据以及对基因属性的推断。

总结

SleepGuru 提供了一种现实可行且用户友好的个性化睡眠计划方法，为用户的健康与日常工作共同优化提供了新思路。测试结果证明了其在用户睡眠质量、效率及持久依从性方面的明显提升，为将来相关技术的应用与深入研究奠定基础。