ردیابی داده‌‌های خواب: شاخصی مهم با چالش‌های جدی

مسابقات دوچرخه‌سواری سالانه زنان در فرانسه Tour de France Femmes2022 در کوه‌های ووژ (Vosges) با سه صعود دسته یک انجام شد. دوچرخه‌سوار هلندی در صعود دوم موفق شد. سپس در تلاش نهایی با یک صعود طاقت‌فرسا 3163 فوتی به قله Grand Ballon، یک فاصله 4 دقیقه‌ای با رقبایش ایجاد کرد. سخت‌ترین روز مسابقات همین روز بود و یک مرحله کوهستانی دیگر برای روز بعد در نظر گرفته بودند. اما با این فشار فیزیکی، سطح کورتیزول بالا و سیستم عصبی در حالت ستیز یا گریز، آیا دوچرخه‌سواران واقعاً می‌توانند در شب مسابقه به درستی بخوابند؟

در کمال تعجب، پاسخ مثبت بود یا حداقل می‌توانیم بگوییم که در اکثر افراد مثبت بود. ۹ نفر از زنان دوچرخه‌سوار ساعت‌های هوشمند هوپ (Whoop) را برای ردیابی داده‌‌های خواب روی مچ خود داشتند. داده‌های این دستگاه‌ها که اوایل امسال در Sports Medicine-Open منتشر شد، نشان داد که دوچرخه‌سواران در آن شب به‌طور میانگین ۷.۶ ساعت ‌خوابیدند، در حالی‌که میانگین کلی قبل و بعد از مسابقات ۷.۷ ساعت بود. با این حال، آنها کمی بیشتر از حد معمول را در خواب سبک بودند و زمان کمتری را در خواب REM تجدیدکننده سپری کردند.

این که آیا چنین نکاتی از نظر کاربردی مهم است یا نه، سوال اساسی است که ورزشکاران، مربیان و دانشمندان ورزش با آن مواجه هستند. به خصوص که وارد دوره جدیدی از ردیابی خواب می‌شویم و این تکنولوژی بهتر از همیشه در حال پیشرفت است. ما فقط باید بفهمیم که با این داده‌های دقیق چه کنیم.

ردیابی داده‌های خواب هنوز هم یک چالش است

خواب یک موضوع مهم در بیوهک یا هک زیستی جدید (biohack) محسوب می‌شود. منظور از بیوهک ایجاد تغییرات تدریجی در بدن، رژیم غذایی و سبک زندگی برای بهبودی سلامت و رفاه انسان است. به علاوه از زمان نوشتن کتاب «چرا می‌خوابیم» توسط متیو واکر (Matthew Walker)، عصب‌شناس، خواب را یک موضوع مهم در چرخه‌های عملکرد (performance circles) می‌دانیم. فرض Performance Circle هم بهبود عملکرد شخصی در جهت افزایش عملکرد حرفه‌ای است.

مشکل ردیابی داده‌های خواب در ردیاب‌های نسل اول این بود که به شتاب‌سنج‌ها تکیه می‌کردند و بنابراین فرض می‌کردند که اگر حرکت نمی‌کنید، پس خواب هستید. ولی آخرین نسل دستگاه‌ها پیچیده‌تر هستند و از اندازه‌گیری‌های ضربان قلب و سایر نشانه‌های فیزیولوژیکی مانند تعداد تنفس و دمای پوست برای اصلاح الگوریتم‌های خود استفاده می‌کنند. به همین دلیل می‌توانند تفاوت‌های بین مراحل متمایز خواب را تشخیص دهند. در نتیجه، چارلی سارجنت (Charli Sargent)، دانشمند خواب در دانشگاه مرکزی کوئینزلند استرالیا و نویسنده اصلی مطالعه Tour de France، می‌گوید: «تمام جهان در حال تبدیل شدن به یک آزمایشگاه خواب است.»

شرکت‌هایی مانند Apple، Garmin، Oura، Polar و Whoop در تشخیص خواب بسیار خوب عمل کرده‌اند. سارجنت و همکارانش نتایج این گجت‌ها را با مطالعات آزمایشگاه خواب که در آن افراد با ثبت فعالیت مغز و ماهیچه‌ها بررسی می‌شوند، مورد مقایسه قرار دادند. آن‌ها متوجه شدند که آخرین گجت‌های پوشیدنی‌ معمولاً 86 تا 89 درصد در تعیین خواب یا بیداری برای ردیابی داده‌های خواب دقیق هستند. البته در مورد تشخیص مراحل خواب افراد، ابزارهای پوشیدنی فقط در 50 تا 61 درصد مواقع به درستی موفق عمل می‌کنند.

چالش ردیابی داده‌های خواب برای ورزشکاران

این فرایند برای ورزشکاران پیچیده‌تر است. بسیاری از الگوریتم‌های جدید تعیین مرحله خواب بر تغییرات ضربان قلب یا HRV و به خصوص نوسانات ظریف زمانی از یک ضربان به ضربان دیگر تکیه دارند. HRV در هر مرحله از خواب تغییر می‌کند، اما تحت تأثیر ورزش شدید هم قرار دارد. در واقع، سارجنت دریافت که HRV پس از انجام مسابقات کوهستانی در میان دوچرخه‌سواران مرد Tour de France به طور سیستماتیک کمتر شد.

مطالعه جدید دیگری که توسط مارک پولین (Marc Poulin) از دانشگاه کلگری انجام شد، از گروهی از داوطلبان سالم خواست که تمرینات تناوبی سختی را در اوایل عصر انجام دهند. سپس خواب آنها را با ساعت پولار (Polar) مبتنی بر HRV و همچنین داده‌های آزمایشگاهی استاندارد طلایی برای تشخیص خواب ردیابی کرد. استاندارد طلایی در مطالعه خواب، امواج مغزی، سطح اکسیژن خون، ضربان قلب، تنفس و همچنین حرکات چشم و پا را کنترل می‌کند. خبر خوب این است که بررسی‌ها نشان داد دقت ردیابی داده‌های خواب با انجام تمرین‌های ورزشی کاهش نمی‌یابد.

ورزشکاران چه کاری می‌توانند با داده‌های حاصل از ردیابی داده‌های خواب انجام دهند؟

به طور کلی، دستگاه‌های ردیابی داده‌های خواب پوشیدنی در حال حاضر بسیار خوب عمل می‌کنند و احتمالاً به پیشرفت خود ادامه خواهند داد. ولی سوال بعدی که واقعاً سخت است، این است که با داده‌ها چه کنیم. اگر دوچرخه‌سواران بعد از مسابقات کوهستانی خواب REM کمتری دارند، چه کاری باید انجام دهند؟ به نظر می‌رسد که ما به یک الگوریتم خیالی نیاز داشته باشیم تا توصیه‌های معمول بهداشت خواب را در مورد زمان خواب، عدم مصرف الکل و عدم استفاده از وسایل الکترونیکی قبل از خواب به ما ارائه دهد.

برای برخی افراد، داشتن اطلاعات در مورد زمان خوردن غذا و زمان بیدار شدن از خواب ممکن است به عنوان یک یادآوری مفید عمل کند. به همان روشی که یک ردیاب گام‌شمار شما را تشویق می کند تا ۱۰.۰۰۰ قدم خود را پیاده‌روی کنید. همچنین ورزشکاران ممکن است علاقه‌مند باشند که بدانند خواب آنها چگونه در ارتفاع تغییر می‌کند. این داده‌ها می‌تواند به عنوان یک شاخص، میزان سازگاری آن‌ها را با محیط و شرایط مشخص کند. به علاوه نشان می‌دهد که آیا برای تمرینات سخت آماده هستند یا خیر.

و در نهایت ممکن است بینش‌های ظریف‌تری وجود داشته باشد: به عنوان مثال، داده‌های اولیه از آزمایشگاه پولین (Poulin’s lab) در افراد مسن نشان می‌دهد که افرادی که به اندازه کافی عمیق نمی‌خوابند، بیشتر احتمال دارد که سال‌ها بعد به مشکلات شناختی مبتلا ‌شوند. سارجنت می‌گوید در حال حاضر بهترین رویکرد ایجاد یک مبنا و سپس بررسی تغییرات است. به عنوان مثال اگر به طور معمول 15 تا 20 درصد از خوابتان را در مرحله خواب عمیق سپری می‌کنید و این عدد به 10 تا 15 درصد تغییر کند، احتمالاً باید دلیل آن را متوجه شوید.

خطرات احتمالی

در مقابل این فواید احتمالی، باید خطرات آن را هم بسنجید. خواب ضعیف همیشه مشکلی نیست که بتوان آن را با تلاش بیشتر و نگرانی بیشتر در مورد آن حل کرد. حتی جمع‌آوری داده‌های ردیابی خواب هم همیشه مفید نیستند. سارجنت اذعان می‌کند: «اضطراب مربوط به خواب می‌تواند هم نشانه و هم علت برخی از انواع مشکلات خواب باشد. یک مطالعه‌ مربوط به سال 2018 در دانشگاه آکسفورد در ذهن من باقی مانده است. در این مطالعه به آزمودنی‌ها یک بازخورد ساختگی در مورد خوب یا بد خوابیدن آنها ارائه کرده‌اند. کسانی که به آنها گفتند شب قبل بد خوابیده‌اند، احساس پریشانی، خستگی و بدخلقی داشتند. برخی مواقع داده‌ها می‌توانند چیز خطرناکی باشد، به خصوص اگر در صحتشان اطمینان وجود نداشته باشد.

دوچرخه‌سواران مسابقه حتی پس از اختلالات فیزیولوژیکی و طی مراحل سخت مسابقه در کوهستان هم به خوبی می‌خوابند. راز این نتیجه شگفت‌انگیز چیست؟ در این زمینه سارجنت و همکارانش توضیح ساده‌ای ارائه می‌کنند. دوچرخه‌سواران خواب را در اولویت قرار دادند: آنها زود به رختخواب رفتند و برای خوابیدن مصمم بودند. بنابراین خوب می‌خوابیدند. مطالعات قبلی نشان داد که ورزش‌های استقامتی فوق‌العاده شدید، به‌ویژه زمانی که هر روز تکرار می‌شوند، منجر به کاهش خواب خواهند شد. اما در سال‌های آینده نکته‌های جدید زیادی برای یادگیری کشف خواهیم کرد که از تکنیک‌های جدید ردیابی داده‌های خواب، همراه با رویکردهای تحلیلی قوی مانند یادگیری ماشینی و هوش مصنوعی به دست می‌آیند. پولن می‌گوید: «من خواب را مرز بعدی در فیزیولوژی می‌دانم که باید بررسی و کشف شود.

منبع: outsideonline.com