多次元認知パフォーマンスに対する睡眠と生体のパターンの影響：縦断的、内部研究

背景：フィットネストラッカーを使用している米国の成人人口のほぼ20％で、これらのデバイスの生理学的データが職場のパフォーマンスに関する実用的な洞察を提供する方法に焦点が合っています。ただし、これらのメトリックが多様な集団全体で認知パフォーマンス測定値とどのように相関するかを理解するワイルドな研究は不足しており、デバイスメーカーによる主張はあいまいです。生理学的測定が認知パフォーマンスにどのように影響するかについてのさまざまな理論につながる広範な研究がありますが、そのようなすべての研究は非常に制御された設定で実施されており、現実世界でのその妥当性はよく理解されています。 目的：現実世界の設定で収集されたデータに対する認知パフォーマンスに対するさまざまな睡眠、活動、心拍数のパラメーターの影響に関する一般的な理論を評価することにより、このギャップを埋めようとします。 方法：6週間の内部研究の一環として、Fitbit Charge 3とスマートフォンアプリを使用して、それぞれ異なる生理学的および神経行動タスクデータを収集しました。さまざまなパフォーマンス測定（警戒心と認知スループット）に関する複数の人口グループ（シフトワーカー、通常の労働者、大学院生）の24人の参加者からデータを収集しました。同時に、フィットネストラッカーを使用して、900泊以上の睡眠や100万分以上の心拍数と身体活動メトリックなど、これらのパフォーマンス測定に影響を与える可能性のある生理学的測定を控えめに取得しました。繰り返し測定相関（RRM）分析を実行して、どの睡眠と生理学的マーカーが各パフォーマンス測定との関連性を示すかを調査しました。また、調査結果が既存の理論と、対照研究からの以前の観察にどのように関連しているかを報告します。 結果：日中の警戒心は、前の夜の総睡眠時間（RRM = 0.17、p <.001）および急速眼球運動の持続時間（RRM = 0.12、p <.001）および光睡眠と有意に相関していることがわかりました。（RRM = 0.15、p <.001）。対照的に、認知スループットは睡眠時間と有意に相関していることがわかっていませんでしたが、睡眠のタイミング - 後の睡眠時間への概日位相シフトは、翌日の認知スループットの低下に対応していました（RRM = -0.13、p <.001）。どちらの尺度も概日変動を示しますが、恒常性の結果としての覚醒のみが減少（RRM = -0.1、p <.001）を示しました。心拍数と身体活動の両方は、認知スループットだけでなく、覚醒と肯定的に相関しています。 結論：我々の調査結果は、睡眠関連の生理学的指標が2つのパフォーマンス測定のそれぞれに影響するという点に大きな違いがあることを明らかにしています。これにより、自己追跡データからの生理学的尺度がどのように影響するか、または認知パフォーマンスの特定の側面を予測するために使用できるかを調査する、よりターゲットを絞った野生の研究を主張します。

BACKGROUND: With nearly 20% of the US adult population using fitness trackers, there is an increasing focus on how physiological data from these devices can provide actionable insights about workplace performance. However, in-the-wild studies that understand how these metrics correlate with cognitive performance measures across a diverse population are lacking, and claims made by device manufacturers are vague. While there has been extensive research leading to a variety of theories on how physiological measures affect cognitive performance, virtually all such studies have been conducted in highly controlled settings and their validity in the real world is poorly understood. OBJECTIVE: We seek to bridge this gap by evaluating prevailing theories on the effects of a variety of sleep, activity, and heart rate parameters on cognitive performance against data collected in real-world settings. METHODS: We used a Fitbit Charge 3 and a smartphone app to collect different physiological and neurobehavioral task data, respectively, as part of our 6-week-long in-the-wild study. We collected data from 24 participants across multiple population groups (shift workers, regular workers, and graduate students) on different performance measures (vigilant attention and cognitive throughput). Simultaneously, we used a fitness tracker to unobtrusively obtain physiological measures that could influence these performance measures, including over 900 nights of sleep and over 1 million minutes of heart rate and physical activity metrics. We performed a repeated measures correlation (rrm) analysis to investigate which sleep and physiological markers show association with each performance measure. We also report how our findings relate to existing theories and previous observations from controlled studies. RESULTS: Daytime alertness was found to be significantly correlated with total sleep duration on the previous night (rrm=0.17, P<.001) as well as the duration of rapid eye movement (rrm=0.12, P<.001) and light sleep (rrm=0.15, P<.001). Cognitive throughput, by contrast, was not found to be significantly correlated with sleep duration but with sleep timing-a circadian phase shift toward a later sleep time corresponded with lower cognitive throughput on the following day (rrm=-0.13, P<.001). Both measures show circadian variations, but only alertness showed a decline (rrm=-0.1, P<.001) as a result of homeostatic pressure. Both heart rate and physical activity correlate positively with alertness as well as cognitive throughput. CONCLUSIONS: Our findings reveal that there are significant differences in terms of which sleep-related physiological metrics influence each of the 2 performance measures. This makes the case for more targeted in-the-wild studies investigating how physiological measures from self-tracking data influence, or can be used to predict, specific aspects of cognitive performance.