Theo dõi thức giấc ban đêm được thực hiện thế nào?

Thiết bị thực sự ghi nhận gì trong lúc bạn ngủ?

Nền tảng cổ điển của theo dõi ngủ–thức trên cổ tay là actigraphy. Cảm biến gia tốc ghi nhận mức độ và thời điểm vận động; dữ liệu chuyển động sau đó được đưa vào thuật toán để ước tính trạng thái ngủ hoặc thức. American Academy of Sleep Medicine (AASM) mô tả actigraphy theo nguyên lý này: thiết bị thường được đeo ở cổ tay hoặc cổ chân, dùng accelerometer ghi hoạt động vận động theo thời gian rồi áp dụng thuật toán toán học để ước tính ngủ–thức.

Thiết bị tiêu dùng đời mới có thể bổ sung cảm biến quang học PPG. PPG phát ánh sáng vào mô và đo phần ánh sáng phản xạ để theo dõi biến đổi thể tích máu ngoại vi; từ đó có thể ước tính nhịp tim, khoảng cách giữa các nhịp và những đặc trưng liên quan đến HRV. Xu hướng ở các wearable hiện đại là kết hợp accelerometer với PPG thay vì chỉ dựa vào chuyển động.

Điểm khác biệt quan trọng là các cảm biến này ghi tín hiệu thay thế cho trạng thái ngủ–thức, chứ không trực tiếp ghi hoạt động não. Polysomnography (PSG) trong phòng ngủ sử dụng EEG, EOG, EMG cùng các kênh sinh lý khác để xác định trạng thái ngủ; thiết bị đeo thông thường không có bộ tín hiệu đầy đủ như vậy.

Chuyển động được dùng để suy ra thời điểm thức như thế nào?

Thuật toán tìm những thay đổi về cường độ và kiểu chuyển động. Khi người đeo gần như bất động trong một khoảng đủ dài, mẫu dữ liệu có xu hướng được phân loại là ngủ. Khi xuất hiện nhiều vận động hơn, thay đổi tư thế hoặc hoạt động rõ rệt, khả năng khoảng thời gian đó được gán là thức tăng lên. Actigraphy nghiên cứu và thiết bị tiêu dùng khác nhau về cách lấy mẫu, xử lý tín hiệu và thuật toán phân loại, nhưng đều khai thác mối liên hệ giữa vận động và trạng thái ngủ–thức.

Dữ liệu cảm biến được xử lý theo những khoảng thời gian và chuyển thành các đặc trưng mà bộ phân loại có thể sử dụng. Các nhãn ngủ–thức liên tiếp sau đó trở thành những chỉ số như thời gian ngủ, thời gian thức sau khi đã bắt đầu ngủ và mức độ gián đoạn của giấc ngủ. Cách tính cụ thể không giống nhau giữa các sản phẩm vì thiết kế cảm biến, xử lý tín hiệu và nhiều thuật toán thương mại không được công khai đầy đủ.

Chuyển động vì thế là tín hiệu khá rõ khi người dùng ngồi dậy, đi lại hoặc thực hiện hoạt động đáng kể. Khó khăn xuất hiện khi một người đã tỉnh nhưng vẫn nằm yên: mẫu gia tốc lúc đó có thể rất giống giấc ngủ và thuật toán dễ gán nhầm thành ngủ.

Nhịp tim và HRV bổ sung cho dữ liệu chuyển động ra sao?

Cảm biến PPG không trực tiếp “nhìn thấy” trạng thái thức. Nó bổ sung thông tin sinh lý bằng cách ước tính nhịp tim và biến thiên giữa các nhịp, những đại lượng liên quan gián tiếp đến hoạt động của hệ thần kinh tự chủ. Các đặc trưng tim mạch thay đổi giữa trạng thái ngủ, thức và các giai đoạn ngủ, nên chúng cung cấp thêm dữ liệu khi chỉ riêng chuyển động chưa đủ để phân loại.

Trong hệ đa cảm biến, thuật toán có thể đồng thời phân tích mức vận động và mẫu tín hiệu tim mạch. Hai khoảng thời gian đều ít cử động vì thế không nhất thiết phải nhận cùng một nhãn nếu dữ liệu sinh lý của chúng khác nhau. Tổng quan về wearable đa cảm biến cho thấy nhịp tim, HRV và gia tốc kế có độ phân giải cao đã được bổ sung nhằm cải thiện phân loại ngủ–thức so với cách chỉ dựa vào chuyển động.

Tuy vậy, không tồn tại một ngưỡng nhịp tim hoặc HRV duy nhất có thể xác nhận rằng người đeo đang thức. Các tín hiệu này còn biến đổi do nhiều yếu tố khác và cũng thay đổi trong chính các giai đoạn của giấc ngủ. Vì thế chúng thường là các đặc trưng đầu vào cho mô hình xác suất, không phải một công tắc bật/tắt dùng để xác định trạng thái thức.

Vì sao thiết bị có thể bỏ sót những lần thức giấc?

Sai số dễ xảy ra nhất khi hành vi và sinh lý của người đang thức giống với người đang ngủ. Trong một nghiên cứu năm 2024 mô phỏng những tình huống gần thực tế, tất cả thiết bị được đánh giá đều có lúc phân loại thức nhưng không cử động thành ngủ; hiệu suất cũng giảm ở những đêm có hiệu quả ngủ thấp hoặc giấc ngủ bị phân mảnh.

Các nghiên cứu đối chiếu với PSG cho thấy sự bất cân xứng rõ giữa khả năng nhận diện ngủ và khả năng nhận diện thức. Một nghiên cứu công bố năm 2025 trên sáu wearable thương mại ghi nhận tất cả thiết bị nhận đúng hơn 90% các epoch ngủ, nhưng specificity đối với trạng thái thức chỉ khoảng 29,39%–52,15%. Điều đó có nghĩa các thiết bị trong nghiên cứu nhận ra “đang ngủ” tốt hơn đáng kể so với việc xác định chính xác những khoảng thực sự đang thức.

Meta-analysis năm 2025 gồm 24 nghiên cứu với dữ liệu của 798 người cũng ghi nhận khác biệt giữa thiết bị đeo tiêu dùng và PSG ở tổng thời gian ngủ, hiệu quả ngủ, thời gian vào giấc và thời gian thức sau khi đã ngủ. Riêng thời gian thức sau khi bắt đầu ngủ có chênh lệch trung bình khoảng 13,3 phút giữa hai phương pháp trong phân tích gộp. Một rapid review công bố năm 2026 tiếp tục ghi nhận độ chính xác của thiết bị tiêu dùng thấp hơn đối với hiệu quả ngủ và thời gian thức sau khi đã ngủ so với các chỉ số cơ bản như tổng thời gian ngủ.

Mức sai lệch không cố định cho mọi người hoặc mọi đêm. Nó phụ thuộc vào cảm biến, thuật toán, cách đeo và đặc điểm của giấc ngủ; những đêm nhiều lần tỉnh nhưng ít vận động đặc biệt khó đối với phương pháp suy luận từ cổ tay.

Nên đọc chỉ số thức giấc ban đêm như thế nào?

Giá trị thực tế của thiết bị đeo nằm nhiều hơn ở mẫu hình qua nhiều đêm. Nếu cùng một thiết bị và cách sử dụng cho thấy thời gian thức sau khi ngủ tăng dần hoặc giấc ngủ trở nên phân mảnh hơn, sự thay đổi theo thời gian thường hữu ích hơn việc coi một con số của một đêm là phép đo tuyệt đối. AASM cũng xem actigraphy là công cụ có giá trị trong một số bối cảnh theo dõi nhiều đêm, nhưng không xem nó là phương pháp thay thế cho mọi phép đo sinh lý cần thiết trong đánh giá giấc ngủ.

Khi ứng dụng hiển thị “0 phút thức”, kết quả đó không chứng minh rằng người đeo hoàn toàn không tỉnh trong đêm. Trạng thái tỉnh nhưng nằm yên là một nguồn sai số đã được ghi nhận. Ở chiều ngược lại, một khoảng được đánh dấu là thức cũng không nhất thiết tương ứng với một lần tỉnh mà người dùng nhận biết, vì vận động trong lúc ngủ vẫn có thể ảnh hưởng đến phân loại.

Có thể hiểu dữ liệu theo ba lớp: tín hiệu cảm biến, nhãn do thuật toán suy ra và trải nghiệm chủ quan. Chúng không phải lúc nào cũng trùng khớp. Vì vậy, theo dõi thức giấc ban đêm bằng wearable phù hợp để quan sát xu hướng và sự thay đổi theo thời gian, trong khi độ tin cậy thấp hơn nếu mục tiêu là xác định chính xác từng lần tỉnh hoặc từng phút thức trong một đêm.

Thiết bị theo dõi giấc ngủ ước tính thời gian thức bằng cách phân tích chuyển động và, ở nhiều thiết bị đa cảm biến, kết hợp thêm các tín hiệu sinh lý như nhịp tim và HRV. Thuật toán biến các tín hiệu này thành nhãn ngủ–thức chứ không đo trực tiếp trạng thái ý thức. Giới hạn nổi bật là lúc người dùng đã tỉnh nhưng vẫn nằm yên, khiến tín hiệu có thể giống giấc ngủ. Vì vậy, dữ liệu thức giấc có giá trị nhất khi dùng để theo dõi xu hướng nhiều đêm thay vì xem từng phút trên ứng dụng như một phép đo trực tiếp.