Cómo lee Daytlas tus datos.

Qué significa cada número en Daytlas, cómo se promedia y se compara, dónde se queda corto y en qué investigación se basa.

Por Jakub Had, creador de Daytlas, que no es profesional de la salud: la información de salud de esta página procede de las fuentes que se indican abajo. Actualizado el 8 de octubre de 2026. Fuentes revisadas el 8 de octubre de 2026.

Sueño

Cuánto, con qué eficiencia y cuándo dormiste, a partir del periodo de sueño principal de cada día.

Sleep Score

Una puntuación de 0 a 100 para la noche, de la app de tu anillo, construida a partir de factores como el sueño total, la eficiencia, el horario y las fases del sueño. Daytlas la muestra tal como llega y nunca la recalcula.

Cómo lo muestra Daytlas

  • Day muestra la puntuación del día seleccionado y su diferencia con el promedio de los 30 días de calendario anteriores, en cuanto al menos 5 de esos días tienen puntuación.
  • Day también muestra los factores que indica la app de tu anillo, cada uno en su propia escala de 0 a 100.
  • Los valores se colorean con los rangos que usa la app de tu anillo para sus puntuaciones: menos de 60, «Presta atención»; de 60 a 69, «Aceptable»; de 70 a 84, «Buena», y 85 o más, «Óptima». Un color describe el número, no tu salud.
  • Overview compara la puntuación más reciente con el promedio de los días anteriores, hasta un máximo de 7.

Límites

La fórmula pertenece a la app de tu anillo y puede cambiar con sus actualizaciones, así que las puntuaciones antiguas y las nuevas no siempre son estrictamente comparables. Una puntuación de sueño de un dispositivo de consumo no puede diagnosticar un trastorno del sueño.

Investigación

  • Khosla et al., 2018: La tecnología de sueño de consumo puede apoyar una conversación con un profesional de la salud, pero no está validada ni autorizada para diagnosticar ni tratar trastornos del sueño.
  • de Zambotti et al., 2024: Una revisión de la Sleep Research Society concluyó que los wearables de consumo ya superan a la actigrafía tradicional para el sueño, con límites claros como la vigilia mal clasificada, las siestas y los artefactos.
  • de Zambotti et al., 2019: Revisa cómo se validan los monitores de sueño de consumo y advierte que los algoritmos propietarios y las actualizaciones de firmware pueden cambiar sus números.

También se citan: Buysse, 2014

Sueño total

El tiempo que dormiste durante el periodo de sueño principal del día, sin contar el tiempo de vigilia en la cama.

Cómo lo muestra Daytlas

  • Cuando un día tiene más de un periodo de sueño, el más largo (el sueño principal) aporta las métricas de sueño de ese día. Las siestas y los periodos de descanso no se suman; en Day puedes abrir igualmente un periodo de sueño adicional.
  • Las duraciones llegan en segundos y se escriben en horas y minutos o en horas decimales, según lo que elijas en Ajustes.
  • Los resúmenes mensuales de sueño solo cuentan noches de más de 0 y hasta 24 horas.

Límites

Los wearables distinguen bien el sueño de la vigilia, pero son menos precisos que un laboratorio del sueño, sobre todo en noches agitadas. Las necesidades de sueño varían de una persona a otra; Daytlas muestra tus números sin juzgarlos frente a un objetivo.

Investigación

  • Watson et al., 2015: Un panel conjunto de dos sociedades del sueño recomienda que los adultos duerman con regularidad 7 horas o más por noche.
  • Hirshkowitz et al., 2015: Un panel de expertos consideró adecuadas de 7 a 9 horas para los adultos y de 7 a 8 horas para los adultos mayores, y señaló que las necesidades varían de una persona a otra.
  • Chinoy et al., 2021: En comparación con registros de sueño en laboratorio, la mayoría de los monitores de sueño de consumo detectaron bien el sueño, fueron más débiles al detectar la vigilia, dieron fases del sueño poco consistentes y funcionaron peor en noches alteradas.

También se citan: Chaput et al., 2018

Tiempo en cama y eficiencia del sueño

En Daytlas: Tiempo en cama · Eficiencia del sueño

El tiempo en cama es la duración del periodo de sueño principal, desde que te acuestas hasta que te levantas. La eficiencia del sueño es la parte de ese tiempo en la que dormiste, en porcentaje.

Cómo lo muestra Daytlas

  • Ambos datos proceden del periodo de sueño principal tal como los indica la app de tu anillo; Daytlas no recalcula la eficiencia.
  • Day compara la noche con el promedio de los 30 días anteriores; Trends puede promediarla por semana, mes, trimestre o año.

Límites

La eficiencia depende de qué se cuenta como tiempo en cama. Leer en la cama o quedarte en ella sin dormir por la mañana la reduce aunque el sueño en sí no haya cambiado.

Investigación

  • Ohayon et al., 2017: Los expertos coincidieron en que el tiempo para conciliar el sueño, los despertares, el tiempo de vigilia tras dormirse y la eficiencia del sueño son indicadores razonables de la calidad del sueño, pero hubo poco acuerdo sobre las fases del sueño.
  • Lee et al., 2023: Once monitores de sueño de consumo variaron mucho en la precisión de las fases del sueño frente a registros de laboratorio, y los wearables mostraron un sesgo sistemático en la eficiencia del sueño.
  • Ancoli-Israel et al., 2015: Una guía de una sociedad científica sobre la monitorización del sueño basada en el movimiento: qué estima bien, como el horario y la duración, y dónde tiene dificultades, como los ratos de vigilia sin movimiento.

También se citan: Reed & Sacco, 2016

Tiempo para conciliar el sueño

En Daytlas: Latencia del sueño

Cuánto tardaste en dormirte después de que empezara el periodo de sueño.

Cómo lo muestra Daytlas

  • Se recibe en segundos y se muestra en minutos enteros.
  • Day lo compara con el promedio de los 30 días anteriores y muestra la dirección del cambio sin calificarlo de bueno o malo.

Límites

Es una estimación: el momento exacto en que te duermes es difícil de precisar sin un laboratorio del sueño. Los valores habituales también cambian con la edad.

Investigación

  • Ohayon et al., 2017: Los expertos coincidieron en que el tiempo para conciliar el sueño, los despertares, el tiempo de vigilia tras dormirse y la eficiencia del sueño son indicadores razonables de la calidad del sueño, pero hubo poco acuerdo sobre las fases del sueño.
  • Boulos et al., 2019: En 169 estudios con adultos sanos, cada década de edad supuso unos 10 minutos menos de sueño y una eficiencia menor, mientras que la proporción de sueño profundo y REM apenas cambió.
  • Ohayon et al., 2004: En 65 estudios con personas sanas, el sueño total, la eficiencia del sueño y la proporción de sueño profundo y REM disminuyeron con la edad en los adultos, mientras que el tiempo para conciliar el sueño y el tiempo de vigilia aumentaron.

Tiempo en sueño profundo, ligero, REM y despierto

En Daytlas: Tiempo de sueño profundo · Tiempo de sueño ligero · Tiempo de sueño REM · Tiempo despierto

Tu anillo estima en qué fase del sueño estuviste a lo largo de la noche. Daytlas muestra el tiempo en cada fase y, en Day, la línea de tiempo de las fases.

Cómo lo muestra Daytlas

  • La línea de tiempo usa estimaciones de 30 segundos cuando tus datos las incluyen y, si no, de 5 minutos, desde la hora de dormir hasta la de despertar.
  • Los totales por fase proceden del periodo de sueño principal y se muestran en horas.
  • Trends te permite representar cada fase y superponer hasta otras tres métricas.

Límites

Las estimaciones de fases de cualquier wearable coinciden con un laboratorio del sueño mucho menos que la distinción entre sueño y vigilia. Lee el tiempo en cada fase como una tendencia aproximada a lo largo de semanas, no como un número exacto de una noche.

Investigación

  • Boulos et al., 2019: En 169 estudios con adultos sanos, cada década de edad supuso unos 10 minutos menos de sueño y una eficiencia menor, mientras que la proporción de sueño profundo y REM apenas cambió.
  • Lee et al., 2023: Once monitores de sueño de consumo variaron mucho en la precisión de las fases del sueño frente a registros de laboratorio, y los wearables mostraron un sesgo sistemático en la eficiencia del sueño.
  • Miller et al., 2022: Seis wearables, entre ellos un anillo, coincidieron bien con los registros de laboratorio al distinguir el sueño de la vigilia, pero solo coincidieron en la fase exacta del sueño durante alrededor del 50–65 % de la noche.

También se citan: Chinoy et al., 2021

Hora de dormir, hora de despertar y punto medio

En Daytlas: Hora de dormir · Hora de despertar · Punto medio del sueño

Cuándo empezó y terminó tu periodo de sueño principal, y la hora que queda a mitad de camino entre ambos momentos.

Cómo lo muestra Daytlas

  • Las horas usan el reloj local registrado con tus datos, así que una noche en otra zona horaria conserva su propio reloj.
  • Las horas de dormir posteriores a la medianoche siguen más allá de las 24:00 (01:30 pasa a ser 25:30), para que las horas de dormir tardías y tempranas queden juntas en los gráficos.
  • Los promedios semanales y mensuales de las horas del reloj usan una media circular, así que el promedio de las 23:00 y la 01:00 es medianoche y no mediodía.
  • Your Year dibuja cada noche como una barra desde la hora de dormir hasta la de despertar; su hora media de dormir y de despertar usa la misma media circular.
  • Las correlaciones dejan fuera las horas del reloj, porque el salto de la medianoche rompe una comparación en línea recta.

Límites

La hora de dormir es el inicio del periodo de sueño que detectó tu anillo, que puede no coincidir con el momento en que pensabas dormirte.

Investigación

  • Sletten et al., 2023: Un panel de expertos coincidió en que unos horarios constantes de sueño y de despertar importan para la salud, la seguridad y el rendimiento.
  • Fischer et al., 2017: En unos 54 000 diarios de uso del tiempo, el punto medio del sueño en fin de semana era más tardío en torno a los 19 años y se adelantaba con la edad, con diferencias entre sexos que se invertían hacia los 40.
  • Roenneberg et al., 2003: Midió los horarios de sueño por separado en días laborables y días libres, y encontró grandes diferencias entre personas y entre los dos tipos de día; la exposición a la luz desplazaba el horario del sueño.

También se citan: Berens, 2009

Regularidad del sueño

Lo constantes que son el horario y la duración de tu sueño de una noche a otra. Daytlas no lo reduce a una sola puntuación; te da vistas para verlo.

Cómo lo muestra Daytlas

  • La vista de ritmo de sueño de Your Year dibuja cada noche como una barra desde la hora de dormir hasta la de despertar, con huecos donde faltan noches.
  • La vista por día de la semana de Overview muestra la mediana de la hora de dormir, u otra métrica, para cada día de la semana, con la mitad central de los valores a su alrededor.
  • «Tus meses», en la página Your Year, muestra el promedio y la desviación estándar del sueño principal de cada mes, y señala el mes más estable (la desviación estándar más baja) en cuanto al menos dos meses tienen 7 noches o más.

Límites

Las medidas de regularidad necesitan más de una semana de datos para estabilizarse. Estas vistas describen tu horario; no lo califican.

Investigación

  • Chaput et al., 2020: Un horario de sueño más tardío y más variabilidad de una noche a otra se asociaron en general con peores resultados de salud, aunque la calidad de la evidencia iba de muy baja a moderada.
  • Windred et al., 2024: En unos 61 000 participantes del UK Biobank, un horario de sueño más regular se asoció con un menor riesgo de mortalidad y lo predijo con más fuerza que la duración del sueño.
  • Phillips et al., 2017: En 61 estudiantes seguidos durante 30 días, quienes dormían de forma irregular tenían el reloj biológico más tardío y calificaciones más bajas; el estudio introdujo el índice de regularidad del sueño (Sleep Regularity Index).

También se citan: Fischer et al., 2021

Readiness y recuperación

La puntuación diaria de recuperación que calcula la app de tu anillo.

Readiness Score

Una puntuación de 0 a 100 de la app de tu anillo que combina señales como la frecuencia cardiaca en reposo, la VFC, la temperatura corporal, el sueño reciente y la actividad. Daytlas la muestra tal como llega y nunca la recalcula.

Cómo lo muestra Daytlas

  • Day muestra la puntuación, sus factores (cada uno de 0 a 100) y la diferencia con el promedio de los 30 días anteriores, en cuanto al menos 5 de esos días tienen puntuación.
  • Los valores se colorean con los rangos que usa la app de tu anillo para sus puntuaciones: menos de 60, «Presta atención»; de 60 a 69, «Aceptable»; de 70 a 84, «Buena», y 85 o más, «Óptima». Un color describe el número, no tu salud.
  • Overview promedia la puntuación de los últimos 30 días y la compara con los 30 días anteriores y con los mismos 30 días de un año antes.

Límites

Como la puntuación se construye a partir de otras mediciones, por diseño se correlaciona con ellas: un vínculo fuerte entre el Readiness Score y la VFC en Trends refleja en parte cómo se calcula la puntuación. Las medidas de recuperación basadas en la frecuencia cardiaca no pueden distinguir todos los tipos de fatiga.

Investigación

  • Kellmann et al., 2018: Los expertos coincidieron en que equilibrar el estrés y la recuperación requiere un seguimiento regular, porque las respuestas al entrenamiento y a la recuperación varían dentro de cada persona y entre personas.
  • Düking et al., 2021: En 8 estudios, el entrenamiento guiado por la VFC de un wearable tuvo un efecto medio en la fisiología submáxima, pero solo un efecto pequeño y no significativo en el rendimiento.
  • Bellenger et al., 2016: En deportistas de resistencia, la VFC en reposo aumentó ligeramente cuando el entrenamiento iba bien y apenas cambió con la sobrecarga de entrenamiento, así que las medidas de frecuencia cardiaca por sí solas no pueden distinguir todos los tipos de fatiga.

También se citan: Buchheit, 2014

Variabilidad de la frecuencia cardiaca (VFC)

La variación de tu frecuencia cardiaca de un latido a otro durante el sueño, y cómo leerla con el tiempo.

VFC media

La variabilidad de la frecuencia cardiaca (VFC, o HRV por sus siglas en inglés) es la variación del tiempo entre latidos. Tu anillo indica el promedio de la noche en milisegundos, basado en el RMSSD, una medida estándar del cambio de un latido a otro.

Cómo lo muestra Daytlas

  • Daytlas usa la VFC media del periodo de sueño principal de cada día.
  • Day muestra la curva de VFC de la noche con una línea de referencia en el promedio de los 30 días anteriores, y compara con ella el promedio de la noche.
  • Overview muestra el promedio de los últimos 30 días, su cambio respecto a los 30 días anteriores y al mismo periodo de un año antes, y el día con el valor más alto registrado.
  • Trends muestra los valores diarios con una línea discontinua para la media de los 60 días anteriores y una banda sombreada de ±1 desviación estándar.

Límites

La VFC depende mucho de las condiciones de medición, y una sola noche dice poco. La banda es tu propia dispersión, no un rango clínico.

Investigación

  • Task Force, 1996: Estableció las definiciones estándar de las medidas de variabilidad de la frecuencia cardiaca, entre ellas el RMSSD, y describió cómo las afectan las condiciones de registro.
  • Dobbs et al., 2019: En 23 estudios, la VFC de dispositivos portátiles difirió del ECG en una cantidad pequeña pero variable, que los autores consideraron aceptable para usarla fuera del laboratorio.
  • Cao et al., 2022: En 35 adultos sanos que dormían en casa, la frecuencia cardiaca nocturna y el RMSSD de un anillo coincidieron estrechamente con un ECG de pecho, mientras que otras medidas de VFC fueron menos precisas.

También se citan: Laborde et al., 2017

Cómo leer la VFC con el tiempo

La VFC varía mucho de una persona a otra y cambia con la edad, así que la comparación útil es con tu propio historial.

Cómo lo muestra Daytlas

  • Daytlas nunca compara tu VFC con normas de población; cada comparación de la app es con tus propios días anteriores.
  • Los promedios semanales de Trends suavizan el ruido de una noche a otra antes de que le des mucha importancia a un cambio.
  • «Cambios en tu línea base», en Overview, señala fechas en las que tu promedio de 30 días antes y después difiere más que tu dispersión habitual.

Límites

Muchas cosas mueven la VFC a la vez, como el entrenamiento, el alcohol, las enfermedades y el estrés, así que un cambio es un motivo para mirar el contexto, no una explicación.

Investigación

  • Altini & Plews, 2021: En 28 175 personas, la VFC era más baja con la edad, y la VFC diaria respondía a factores de estrés como el entrenamiento intenso, el alcohol y las enfermedades: sensible, pero no específica.
  • Natarajan et al., 2020: En 8 millones de usuarios de wearables, la VFC disminuía con la edad y variaba mucho a lo largo del día, mientras que el RMSSD no difería de forma notable entre hombres y mujeres.
  • Umetani et al., 1998: En 260 personas sanas de 10 a 99 años, la VFC disminuyó con la edad; el RMSSD fue el que más rápido bajó y se estabilizó aproximadamente a partir de la sexta década.

También se citan: Shaffer & Ginsberg, 2017

Corazón

La frecuencia cardiaca en reposo durante la noche, la frecuencia cardiaca durante el día y la estimación de la edad cardiovascular.

Frecuencia cardiaca en reposo

En Daytlas: FC media en reposo · FC mínima en reposo

Tu frecuencia cardiaca durante el periodo de sueño principal. La frecuencia cardiaca media en reposo es la media de todo el periodo; la frecuencia cardiaca mínima en reposo es el valor más bajo que tu anillo registró en él.

Cómo lo muestra Daytlas

  • Day muestra la curva de frecuencia cardiaca de la noche con una línea de referencia en el promedio de los 30 días anteriores, y compara ambos valores con sus promedios de 30 días.
  • «Tu cuerpo a lo largo del tiempo», en Overview, y su gráfico de relación usan la frecuencia cardiaca mínima en reposo.
  • Trends y Tag Lab pueden mostrar las dos.

Límites

Cada persona tiene su propia frecuencia cardiaca en reposo normal, y cambia con la estación, el sueño y muchas otras cosas. Los estudios de población relacionan, en promedio, la frecuencia cardiaca en reposo con la salud a largo plazo; Daytlas no te aplica esas conclusiones.

Investigación

  • Zhang et al., 2016: Al combinar 46 estudios de cohortes, una frecuencia cardiaca en reposo más alta se asoció, en promedio, con una mayor mortalidad; esto describe poblaciones, no a una persona concreta.
  • Stone et al., 2021: Frente a un ECG de varias derivaciones, siete tecnologías de consumo midieron con precisión la frecuencia cardiaca en reposo, mientras que su precisión en el RMSSD varió mucho.
  • Quer et al., 2020: En 92 457 usuarios de wearables, la frecuencia cardiaca en reposo de cada persona era bastante estable con el tiempo, pero lo normal variaba entre personas hasta en 70 lpm, con un pequeño patrón estacional.

También se citan: Speed et al., 2023

Frecuencia cardiaca durante el día

Las muestras de frecuencia cardiaca que tu anillo registra a lo largo del día, fuera de tu sueño.

Cómo lo muestra Daytlas

  • Day representa cada muestra del día seleccionado en la zona horaria de Ajustes (la de este dispositivo, de forma predeterminada). Los huecos de más de 15 minutos se ven como cortes en la línea; las muestras del mismo instante se promedian.
  • La frecuencia cardiaca en reposo diurna es el promedio de las muestras de ese día marcadas como de vigilia o de reposo. El valor de hoy es parcial.
  • Se compara con el promedio de los 30 días anteriores que tienen muestras, en cuanto hay al menos 5.
  • Los archivos exportados que importas no incluyen estas muestras, así que esta vista necesita una conexión en vivo.

Límites

Los sensores ópticos de frecuencia cardiaca son razonablemente precisos en reposo y menos precisos durante el movimiento.

Investigación

  • Fuller et al., 2020: En 158 estudios, los wearables contaron los pasos y midieron la frecuencia cardiaca bien en el laboratorio, pero ninguna marca estimó con precisión el gasto energético.
  • Zhang et al., 2020: En 44 estudios, la frecuencia cardiaca óptica de muñeca se acercó a la de referencia durante el sueño, el reposo, la marcha y la carrera, y fue menos precisa durante el entrenamiento de fuerza y el ciclismo.
  • Bent et al., 2020: Los sensores ópticos de frecuencia cardiaca fueron razonablemente precisos en reposo, los errores fueron alrededor de un 30 % mayores durante la actividad y la precisión no difirió de forma significativa entre tonos de piel.

También se citan: Shcherbina et al., 2017

Edad cardiovascular

Una estimación de la app de tu anillo de la edad de tu sistema cardiovascular, basada en la forma de tu señal de pulso y en la velocidad de la onda de pulso estimada. Daytlas la muestra, pero no la calcula.

Cómo lo muestra Daytlas

  • Overview muestra la lectura más reciente del último año, el promedio de las lecturas de los 30 días anteriores (en cuanto hay al menos 5) y los últimos 90 días en un gráfico con una línea de promedio.
  • Las lecturas fuera del rango de 18 a 100 años se descartan por no válidas.
  • Los archivos exportados que importas no la incluyen.

Límites

Es una estimación del envejecimiento vascular, no una medición clínica de la rigidez arterial ni un diagnóstico. Fíjate en la tendencia a lo largo de semanas más que en lecturas sueltas.

Investigación

  • Laurent et al., 2006: Una red europea de expertos resumió cómo se mide la rigidez arterial, con la velocidad de la onda de pulso entre los métodos, y los factores que afectan a la medición.
  • Reference Values for Arterial Stiffness’ Collaboration, 2010: En 16 867 personas de 13 centros europeos, la velocidad de la onda de pulso, una medida de la rigidez arterial, aumentaba con la edad y la presión arterial.
  • Charlton et al., 2022: Revisa cómo la forma y el momento de la señal óptica del pulso se relacionan con el envejecimiento vascular, y hasta qué punto se han validado esas estimaciones.

También se citan: Allen, 2007

Actividad

Movimiento, esfuerzo y energía estimada a lo largo del día.

Activity Score

Una puntuación de 0 a 100 de la app de tu anillo que refleja cuánto te moviste y cómo se repartió tu actividad a lo largo del día y de la semana. Daytlas la muestra tal como llega y nunca la recalcula.

Cómo lo muestra Daytlas

  • Day muestra la puntuación, sus factores (cada uno de 0 a 100) y la diferencia con el promedio de los 30 días anteriores, en cuanto al menos 5 de esos días tienen puntuación.
  • Los valores se colorean con los rangos que usa la app de tu anillo para sus puntuaciones: menos de 60, «Presta atención»; de 60 a 69, «Aceptable»; de 70 a 84, «Buena», y 85 o más, «Óptima». Un color describe el número, no tu salud.
  • La puntuación de hoy se compara con días completos anteriores, así que muestra tu progreso, no un resultado final.

Límites

Los objetivos y la fórmula de la puntuación pertenecen a la app de tu anillo. La actividad de hoy está incompleta hasta que termina el día.

Investigación

  • Bull et al., 2020: Recomienda que los adultos hagan de 150 a 300 minutos de actividad moderada o de 75 a 150 minutos de actividad vigorosa a la semana, y que pasen menos tiempo sedentarios.
  • Ekelund et al., 2019: Al combinar datos de acelerómetros de unos 36 000 adultos, cualquier actividad física, incluida la ligera, se asoció con menor mortalidad, con la mayor diferencia en los niveles bajos.
  • de Zambotti et al., 2019: Revisa cómo se validan los monitores de sueño de consumo y advierte que los algoritmos propietarios y las actualizaciones de firmware pueden cambiar sus números.

Pasos y distancia equivalente caminando

En Daytlas: Pasos · Distancia equivalente caminando

Los pasos que contó tu anillo durante el día y la distancia equivalente caminando: la actividad del día expresada como una distancia a pie.

Cómo lo muestra Daytlas

  • Las distancias llegan en metros y se muestran en kilómetros o millas, según lo que elijas en Ajustes.
  • Day compara un día con el promedio de los 30 días anteriores; lo que llevas de hoy se compara con días completos anteriores.
  • Your Year puede colorear cada día del año según los pasos.

Límites

Los recuentos de pasos de los wearables se sostienen bien en las pruebas de laboratorio, pero varían entre dispositivos y actividades, así que compara tus propios días y no dispositivos.

Investigación

  • Banach et al., 2023: En estudios de cohortes, más pasos diarios se asociaron con menor mortalidad por todas las causas y cardiovascular, a partir de aproximadamente 2300 a 3900 pasos al día.
  • Paluch et al., 2022: En 15 cohortes, más pasos diarios se asociaron con menor mortalidad, con una estabilización en torno a 6000–8000 pasos en adultos de 60 años o más y a 8000–10 000 en adultos más jóvenes.
  • Fuller et al., 2020: En 158 estudios, los wearables contaron los pasos y midieron la frecuencia cardiaca bien en el laboratorio, pero ninguna marca estimó con precisión el gasto energético.

También se citan: Tudor-Locke et al., 2011

Energía activa y total

En Daytlas: Calorías activas · Calorías totales

La energía estimada que gastaste con la actividad (energía activa) y en total, incluida la energía que tu cuerpo usa en reposo (energía total), en kilocalorías.

Cómo lo muestra Daytlas

  • Se muestran tal como llegan y, en Day, se comparan con el promedio de los 30 días anteriores.
  • Trends puede representar ambas, por día o como promedios semanales y mensuales.

Límites

Ningún wearable de consumo estima con precisión el gasto energético. Léelas como estimaciones aproximadas, más útiles para comparar tus propios días entre sí.

Investigación

  • Fuller et al., 2020: En 158 estudios, los wearables contaron los pasos y midieron la frecuencia cardiaca bien en el laboratorio, pero ninguna marca estimó con precisión el gasto energético.
  • O’Driscoll et al., 2020: En 60 estudios, la precisión de las estimaciones de energía de los dispositivos de muñeca y brazo varió según la actividad, y añadir la frecuencia cardiaca a los datos de movimiento ayudó.
  • Shcherbina et al., 2017: Siete dispositivos de muñeca midieron la frecuencia cardiaca razonablemente bien en el laboratorio, pero ninguno estimó el gasto energético con un error inferior al 20 %.

Intensidad de la actividad y MET

En Daytlas: MET medio · Actividad alta · Actividad media · Actividad baja

El MET, o equivalente metabólico, expresa el esfuerzo como un múltiplo de la energía que usas en reposo. Tu anillo lo estima a lo largo del día y reparte tu tiempo en actividad baja, media y alta.

Cómo lo muestra Daytlas

  • El gráfico de intensidad de la actividad de Day muestra como barras las estimaciones de MET del día seleccionado, hasta el momento en que se cargaron los datos.
  • El tiempo en cada intensidad llega en segundos y se muestra como una duración, escrita como elijas en Ajustes.
  • El MET medio es el promedio del día tal como llega.

Límites

Los umbrales de intensidad los fija la app de tu anillo y pueden no coincidir con los minutos que cuentan las recomendaciones de actividad física.

Investigación

  • Bull et al., 2020: Recomienda que los adultos hagan de 150 a 300 minutos de actividad moderada o de 75 a 150 minutos de actividad vigorosa a la semana, y que pasen menos tiempo sedentarios.
  • Herrmann et al., 2024: Recoge el gasto energético medido, en MET, de 1114 actividades para adultos, desde el reposo hasta el deporte vigoroso.
  • Migueles et al., 2017: Muestra cómo decisiones como las reglas de no uso, la definición de día válido y los puntos de corte de intensidad cambian las estimaciones de actividad que se obtienen de un acelerómetro.

También se citan: Byrne et al., 2005

Tiempo inactivo, de descanso y sin llevar el anillo

En Daytlas: Tiempo inactivo · Tiempo de descanso · Tiempo sin llevar el anillo

El tiempo inactivo es tiempo de vigilia con poco movimiento. El tiempo de descanso abarca el reposo y el sueño. El tiempo sin llevar el anillo es el tiempo en que no lo llevabas puesto.

Cómo lo muestra Daytlas

  • Se recibe en segundos y se muestra como duraciones, escritas como elijas en Ajustes.
  • Daytlas no rellena el tiempo sin llevar el anillo: cuando no lo llevabas puesto, simplemente faltan las lecturas de ese tiempo.

Límites

Los periodos largos sin llevar el anillo dejan incompletos los demás números de actividad del día. Pasar un rato sin moverte no es lo mismo que tener poca actividad en general.

Investigación

  • Tremblay et al., 2017: Acuerda definiciones comunes que separan el comportamiento sedentario, estar sentado o acostado en vigilia con bajo gasto de energía, de la inactividad física.
  • Patterson et al., 2018: Con independencia de la actividad física, más tiempo total sentado se asoció con un mayor riesgo, que para la mortalidad aumentaba por encima de unas 6–8 horas al día.
  • Choi et al., 2011: Validó una regla para distinguir el tiempo sin llevar el dispositivo del uso sin movimiento en datos de acelerómetro, lo que cambia cuánto tiempo cuenta como sedentario.

Temperatura

Cómo se compara la temperatura de tu piel durante la noche con lo que es normal para ti.

Desviación de temperatura y tendencia

En Daytlas: Desviación de temperatura · Desviación de temperatura (tendencia)

Cuánto se diferenció la temperatura de tu piel durante el sueño de tu propia línea base, en grados Celsius (o Fahrenheit, si lo eliges en Ajustes). La desviación de tendencia es una versión suavizada que cambia más despacio. Ambas proceden de la app de tu anillo.

Cómo lo muestra Daytlas

  • Day muestra la desviación del día seleccionado y la compara con la desviación media de los 30 días anteriores.
  • «Tu cuerpo a lo largo del tiempo», en Overview, representa la desviación diaria.
  • Trends puede representar ambas, por día o como promedios semanales y mensuales.

Límites

La temperatura de la piel cambia con la temperatura de la habitación, la ropa de cama, el horario y muchas otras cosas. Una desviación describe tus datos registrados; no es una medición de fiebre ni un diagnóstico.

Investigación

  • Smith et al., 2010: Pequeños sensores de piel inalámbricos dieron lecturas válidas de temperatura cutánea frente a una referencia, aunque los dispositivos difirieron hasta en 1 °C aproximadamente con la temperatura ambiente y el ejercicio.
  • Harding et al., 2019: Revisa la evidencia de que conciliar el sueño está estrechamente ligado al enfriamiento del cuerpo y del cerebro.
  • Okamoto-Mizuno & Mizuno, 2012: La temperatura y la humedad de la habitación y la ropa de cama influyen en el sueño; el calor, en particular, aumenta la vigilia y reduce el sueño profundo y REM.

También se citan: Kräuchi, 2007

Respiración y oxígeno en sangre

La frecuencia respiratoria y la saturación de oxígeno estimada durante el sueño.

Frecuencia respiratoria

Tu número medio de respiraciones por minuto durante el periodo de sueño principal, estimado a partir de las señales de tu anillo.

Cómo lo muestra Daytlas

  • Day la compara con el promedio de los 30 días anteriores; Trends y Tag Lab pueden mostrarla a lo largo del tiempo.

Límites

La frecuencia respiratoria se estima de forma indirecta, no se mide con un sensor de flujo de aire, así que los cambios pequeños pueden estar dentro del error de medición.

Investigación

  • Douglas et al., 1982: En 19 adultos sanos, la respiración se volvió más rápida y superficial durante el sueño, y la ventilación bajó sobre todo durante el sueño REM.
  • Nicolò et al., 2020: Sostiene que la frecuencia respiratoria responde al estrés, al calor, al esfuerzo y a la fatiga con más facilidad que la mayoría de los demás signos vitales.
  • Charlton et al., 2018: Revisa los algoritmos que estiman la frecuencia respiratoria a partir de señales cardiacas y del pulso, y cómo debería evaluarse su precisión.

Oxígeno en sangre (SpO2)

En Daytlas: Saturación de oxígeno media

La saturación de oxígeno media estimada de tu sangre durante el sueño, en porcentaje. Solo está disponible cuando tu anillo y tu cuenta la proporcionan.

Cómo lo muestra Daytlas

  • Trends muestra el promedio de cada noche; Daytlas no deriva nada más de él.
  • Si estos datos no están disponibles, el resto de Daytlas funciona sin ellos.

Límites

La pulsioximetría es menos precisa con movimiento o mala circulación, y hay estudios que han observado que los oxímetros pueden sobrestimar los niveles de oxígeno en personas de piel más oscura. Un anillo no es un oxímetro médico.

Investigación

  • Jiang et al., 2023: Los relojes inteligentes de consumo difirieron en la precisión del oxígeno en sangre frente a un oxímetro clínico, y algunos no dieron lectura en alrededor del 30 % de los intentos.
  • Sjoding et al., 2020: En pacientes hospitalizados, los pulsioxímetros pasaron por alto niveles bajos de oxígeno en sangre unas tres veces más a menudo en pacientes negros que en pacientes blancos.
  • Gries & Brooks, 1996: En personas sanas mientras dormían, la saturación de oxígeno mediana fue de alrededor del 96,5 %, los valores más bajos promediaron cerca del 90 % y las personas de más de 60 años tenían valores ligeramente más bajos.

También se citan: Jubran, 2015

Métodos y estadística

Los cálculos detrás de cada promedio, comparación, correlación y dato destacado de Daytlas.

Días, noches y datos que faltan

Cada gráfico parte de una fila por día de calendario, construida a partir de los resúmenes diarios y los periodos de sueño que proporciona la app de tu anillo.

Cómo lo muestra Daytlas

  • Los periodos de sueño pertenecen al día al que los asigna la app de tu anillo; el más largo aporta las métricas de sueño de ese día.
  • Las lecturas que faltan siguen faltando. Daytlas nunca rellena un hueco con cero ni con un valor inventado, y los promedios solo usan los días que tienen lectura.
  • Las líneas se cortan donde falta un día; una línea discontinua tenue une los huecos dentro del gráfico para que puedas seguir la tendencia sin confundirla con datos.
  • Cada comparación necesita un número mínimo de lecturas, que se indica en las secciones de abajo. Por debajo de ese mínimo, Daytlas deja fuera la comparación en lugar de adivinar.

Límites

Si las lecturas suelen faltar en días concretos, por ejemplo las noches en que te quitaste el anillo, los promedios solo describen los días que se registraron.

Investigación

  • Tackney et al., 2021: Propone usar el tiempo de uso para definir los datos que faltan de los wearables, ya que un dispositivo que no registra nada puede significar tanto que no se llevaba puesto como que no había movimiento.
  • Cho et al., 2021: Investigadores y expertos en calidad de datos señalaron la completitud, la exactitud y la plausibilidad como los principales problemas de calidad de los datos de wearables.
  • Sterne et al., 2009: Explica que analizar solo los registros completos puede sesgar los resultados cuando el motivo por el que faltan datos está relacionado con los propios valores.

Promedios y periodos

Cómo agrupa Daytlas los días en semanas, meses, trimestres y años.

Cómo lo muestra Daytlas

  • Trends muestra los valores diarios o los promedia por semana, mes, trimestre o año. Las semanas empiezan el día fijado en Ajustes (el lunes, de forma predeterminada). Cada periodo es la media simple de los días con lectura; las horas del reloj usan una media circular.
  • Cada gráfico de Trends dibuja una línea discontinua de promedio para los valores en pantalla.
  • El encabezado de sección de Trends divide las lecturas de tu selección en una mitad más antigua y otra más reciente, y muestra la diferencia entre sus promedios. No compara con un periodo anterior.
  • Your Year agrupa los días en semanas de calendario, que empiezan el día de inicio de semana de tus Ajustes y se cortan al principio y al final del año, y en meses.

Límites

Promediar suaviza el ruido, pero también puede ocultar cambios breves, y hace que dos métricas parezcan más relacionadas de lo que están sus valores diarios.

Investigación

  • Cremers & Klugkist, 2018: Un tutorial que muestra que los datos en un círculo, como los ángulos o las horas del reloj, necesitan sus propios métodos porque 0 y 360 grados son el mismo punto.
  • Berens, 2009: Explica por qué los ángulos y las horas del día necesitan estadística circular, como la media circular, en lugar de promedios ordinarios.
  • Robinson, 1950: Mostró que las correlaciones entre promedios de grupo pueden diferir mucho de las correlaciones entre los valores individuales subyacentes.

Líneas base y bandas

Una línea base es tu propio promedio reciente, que sirve de referencia para una comparación.

Cómo lo muestra Daytlas

  • Day: cada lectura se compara con el promedio de los 30 días de calendario anteriores al día seleccionado, sin contar ese mismo día. La comparación aparece en cuanto al menos 5 de esos días tienen lectura; si no, Day indica «No hay suficiente historial».
  • Trends, vista diaria: la línea discontinua es la media de los 60 días de calendario anteriores dentro del rango que elegiste, sin contar ese mismo día. La banda sombreada es ±1 desviación estándar a su alrededor y necesita al menos 2 lecturas anteriores.
  • Las tarjetas de puntuación de Overview comparan la puntuación más reciente con el promedio de los días anteriores, hasta un máximo de 7.

Límites

Una línea base describe tu propio pasado reciente, no un rango saludable ni un objetivo. Una diferencia menor que tu dispersión habitual de un día a otro probablemente sea una variación normal.

Investigación

  • Buchheit, 2014: Recomienda interpretar un cambio en la frecuencia cardiaca en reposo o en la VFC frente a su error habitual de un día a otro y al cambio más pequeño que importa.
  • Plews et al., 2013: Sostiene que la VFC se sigue mejor con promedios adecuados de varios días que con valores diarios aislados.
  • Hopkins, 2000: Define el error típico, la dispersión normal de las mediciones repetidas de una persona, como la referencia para juzgar si un cambio es real.

También se citan: Plews et al., 2013

Ventanas de comparación

Comparaciones lado a lado de dos tramos de tu propio historial.

Cómo lo muestra Daytlas

  • Últimos 30 días (Overview): el promedio de los últimos 30 días de calendario, incluido hoy, comparado con los 30 días anteriores y con los mismos 30 días de un año antes. Cada comparación necesita al menos 15 lecturas en ambas ventanas. El día con el valor más alto registrado es el valor individual más alto de la ventana actual.
  • Este mes frente al anterior: los últimos 30 días frente a los 30 anteriores, como cambio porcentual, para las métricas con al menos 15 lecturas en cada ventana, ordenadas por el tamaño del cambio.
  • Tu semana: los últimos 7 días de calendario frente a los 60 días anteriores; para el historial importado, los 7 días hasta tu último registro. Una métrica entra con al menos 4 lecturas esta semana y 30 en la línea base; se muestran las tres métricas más alejadas de su línea base, medido en desviaciones estándar.
  • Los colores solo muestran la dirección, hacia arriba o hacia abajo, nunca mejor o peor.

Límites

Dos ventanas pueden diferir simplemente porque una tuvo días inusualmente altos o bajos; la siguiente ventana suele volver hacia tu promedio.

Investigación

  • Hopkins, 2000: Define el error típico, la dispersión normal de las mediciones repetidas de una persona, como la referencia para juzgar si un cambio es real.
  • Swinton et al., 2018: Expone cómo el error de medición, el error típico y el cambio mínimo relevante ayudan a decidir si el cambio de una persona es real.
  • Hopkins et al., 2009: Recomienda juzgar los efectos por su tamaño y su precisión, y mostrar las desviaciones estándar, en lugar de confiar solo en las pruebas de significación.

También se citan: Barnett et al., 2005

Medianas, percentiles y distribuciones

Formas de ver tu rango habitual en lugar de un solo promedio.

Cómo lo muestra Daytlas

  • «Tu rango habitual», en tu perfil: la mediana y la mitad central (del percentil 25 al 75) de los últimos 90 días de calendario, a partir de al menos 14 días registrados. La pista que hay detrás abarca del percentil 5 al 95, para que un solo día excepcional no la aplane.
  • Patrones por día de la semana, en Overview: la mediana y la mitad central de cada día de la semana en todo tu historial, empezando por el inicio de semana de tus Ajustes, con el número de días en que se basa cada uno.
  • «¿Dónde caen tus últimos 30 días?», en Overview: cada día registrado se reparte en 12 intervalos de igual anchura, que muestran la proporción de días anteriores y de los últimos 30 días en cada uno. Necesita al menos 10 días registrados.
  • Los percentiles usan interpolación lineal entre valores vecinos, una definición habitual en el software estadístico.

Límites

Con pocos días, las medianas y los cuartiles se mueven bastante a medida que llegan días nuevos. Las diferencias entre días de la semana pueden reflejar tu horario más que el día en sí.

Investigación

  • Weissgerber et al., 2015: Muchas distribuciones distintas pueden producir el mismo gráfico de barras o de líneas, así que mostrar la distribución completa ayuda a los lectores a valorar los datos.
  • Wittmann et al., 2006: Describe el jet lag social: muchas personas duermen a horas distintas en días laborables y en días libres, sobre todo los cronotipos tardíos.
  • Krzywinski & Altman, 2014: Explica cómo los diagramas de caja muestran la mediana, la mitad central de los valores y su dispersión, lo que facilita comparar distribuciones.

También se citan: Hyndman & Fan, 1996

Correlaciones

Una correlación describe hasta qué punto dos métricas suben y bajan juntas en tus propios datos.

Cómo lo muestra Daytlas

  • Daytlas usa el coeficiente de correlación de Pearson, r, de −1 a +1, con pares de valores del mismo día, o de la misma semana, mes, trimestre o año cuando promedias.
  • Solo cuentan los periodos en los que ambas métricas tienen valor; los huecos nunca se rellenan. Se necesitan al menos 5 pares, y no se muestra ninguna r cuando una de las métricas no varía.
  • Las horas del reloj (hora de dormir, hora de despertar y punto medio) quedan fuera porque dan la vuelta a medianoche.
  • La descripción sigue el tamaño de r, sin tener en cuenta su signo: por debajo de 0,2, «Sin un patrón lineal claro»; por debajo de 0,4, débil; por debajo de 0,7, moderada, y 0,7 o más, fuerte. El número de pares se muestra junto al resultado.

Límites

Una correlación no es causa y efecto, y Daytlas no hace pruebas de significación. Con unas pocas decenas de pares, r puede oscilar mucho, y una matriz con muchos pares mostrará por azar algunos valores que parecen fuertes. Los valores diarios dependen de los días anteriores, lo que puede hacer que dos métricas parezcan más relacionadas de lo que están, y lo mismo ocurre con los promedios y las puntuaciones construidos a partir de los mismos datos.

Investigación

  • Schober et al., 2018: Un tutorial sobre cuándo usar la r de Pearson, qué significa su escala de −1 a +1 y cómo interpretar su fuerza.
  • Dean & Dunsmuir, 2016: Muestra que correlacionar dos series temporales cuyos valores dependen de su propio pasado puede sugerir relaciones que no existen.
  • Schönbrodt & Perugini, 2013: Las simulaciones mostraron que las correlaciones de muestras pequeñas oscilan mucho; en casos típicos, las estimaciones estables necesitan alrededor de 250 observaciones.

También se citan: Benjamini & Hochberg, 1995

Cambios en tu línea base

Fechas en torno a las cuales el nivel de una métrica parece haber cambiado y haberse mantenido así durante un tiempo.

Cómo lo muestra Daytlas

  • Para la frecuencia cardiaca media en reposo, la VFC, el Sleep Score y el sueño total, Daytlas recorre tu historial en pasos de al menos 7 días y compara el promedio de los 30 días anteriores a una fecha con el de los 30 días a partir de ella.
  • Se señala un cambio cuando los dos promedios difieren en más de una desviación estándar de todo el historial de la métrica, ambas ventanas tienen al menos 24 lecturas y la métrica tiene al menos 60 lecturas en total.
  • Los cambios de una misma métrica están separados por al menos 30 días; la tarjeta muestra los cuatro más recientes.

Límites

Son candidatos descriptivos, no puntos de cambio sometidos a pruebas estadísticas, y no dicen nada sobre por qué ocurrió un cambio.

Investigación

  • Truong et al., 2020: Revisa métodos para encontrar los puntos en los que cambia una serie temporal, cada uno construido a partir de una función de costo, un método de búsqueda y un límite en el número de cambios.
  • Aminikhanghahi & Cook, 2017: Repasa y compara métodos para detectar cambios bruscos en series temporales, desde algoritmos supervisados hasta no supervisados.
  • Barnett et al., 2005: Explica por qué los valores inusualmente altos o bajos suelen ir seguidos de valores más cercanos al promedio, lo que puede parecer un cambio real.

Comparaciones de Tag Lab

En qué se diferencian tus métricas registradas los días posteriores a un hábito que etiquetaste en la app de tu anillo.

Cómo lo muestra Daytlas

  • Una etiqueta abarca todos los días desde su fecha de inicio hasta la de fin, y las etiquetas con el mismo nombre se agrupan.
  • Para cada métrica, Daytlas compara el promedio de los días que siguen a un día etiquetado con el promedio de todos los demás días registrados.
  • Cada grupo necesita al menos 5 días con lectura, y se muestra el número de días de cada grupo.
  • Las métricas comparadas son la VFC media, la frecuencia cardiaca media en reposo, el Sleep Score, el Readiness Score, el sueño total, el sueño profundo y la frecuencia respiratoria, ordenadas por el tamaño de la diferencia en relación con el promedio de comparación.

Límites

Son promedios sin ajustar. Un día sin etiqueta no demuestra que el hábito no estuviera presente, otros hábitos y horarios pueden explicar una diferencia, y unos pocos días inusuales pueden mover un grupo pequeño. Al comparar siete métricas a la vez, una de ellas puede diferir por azar. Lee una diferencia como una pregunta, no como un resultado.

Investigación

  • Shaffer et al., 2018: Revisó 54 ensayos publicados con una sola persona (N de 1), encontró que a muchos les faltaba el detalle necesario para valorar sus resultados y pidió más rigor.
  • Daza, 2018: Expone cuándo una asociación en los datos que una persona registra sobre sí misma podría leerse como un efecto, teniendo en cuenta tendencias, efectos de arrastre y autocorrelación.
  • Barnett et al., 2005: Explica por qué los valores inusualmente altos o bajos suelen ir seguidos de valores más cercanos al promedio, lo que puede parecer un cambio real.

También se citan: Bender & Lange, 2001

Hitos, rachas y récords

Rachas de puntuaciones altas y tus valores registrados más altos y más bajos.

Cómo lo muestra Daytlas

  • Una racha cuenta días de calendario consecutivos con un Sleep Score o un Readiness Score de 85 o más. Un día que falta termina la racha, y la racha actual solo cuenta si la última puntuación es de hoy o de ayer.
  • La racha más larga es la serie más larga de ese tipo en tu historial; la VFC más alta registrada es tu promedio nocturno individual más alto.
  • Your Year muestra el día más alto y el más bajo y, entre los meses con al menos 7 días registrados, el mes más alto y el más bajo.

Límites

Los récords son extremos por definición, y los valores posteriores a un récord suelen volver hacia tu promedio. Más alto y más bajo describen valores, no salud.

Investigación

  • Gilovich et al., 1985: Los registros de tiro no respaldaron la creencia de jugadores y aficionados en las rachas de acierto, lo que sugiere que la gente ve rachas en secuencias en gran parte aleatorias.
  • Barnett et al., 2005: Explica por qué los valores inusualmente altos o bajos suelen ir seguidos de valores más cercanos al promedio, lo que puede parecer un cambio real.
  • Morton & Torgerson, 2003: Muestra cómo la regresión a la media puede hacer que un cambio parezca el efecto de una acción cuando en parte es fruto del azar.

Your Year y tus meses

Vistas del año completo que muestran estaciones y variabilidad en lugar de días sueltos.

Cómo lo muestra Daytlas

  • Los tres anillos del gráfico muestran promedios semanales (las semanas empiezan el día de inicio de semana de tus Ajustes y se cortan en los bordes del año) del Sleep Score, el Readiness Score y el Activity Score. Más oscuro significa más alto dentro de cada métrica para ese año; gris significa sin lectura.
  • El calendario colorea cada día en una escala de 7 pasos, del valor más bajo al más alto del año para la métrica elegida.
  • «Tus meses» muestra los 12 meses que terminan con tu último registro: el sueño principal medio de cada mes, su desviación estándar y cuántos días faltan. El mes de sueño más largo y el más estable se eligen entre los meses con al menos 7 noches, en cuanto al menos dos meses cumplen ese requisito.

Límites

Las escalas de color son relativas a tu propio año, así que el mismo color puede significar valores distintos en años o métricas distintos.

Investigación

  • Bei et al., 2016: Sostiene que la variabilidad de una noche a otra es una dimensión del sueño por derecho propio, más allá del promedio, y revisa 53 estudios sobre aquello con lo que se relaciona.
  • Lemola et al., 2013: En 441 adultos seguidos durante una semana, la variabilidad de la duración del sueño de una noche a otra, más que su promedio, se asoció con peor calidad del sueño y menor bienestar.
  • Crameri et al., 2020: Muestra cómo los mapas de color irregulares o rojo-verde distorsionan los datos, y recomienda escalas perceptualmente uniformes que también funcionen con deficiencias en la visión del color.

Referencias

Cómo elegimos las fuentes

  • Solo trabajos revisados por pares. Primero van las declaraciones de consenso, los metaanálisis y las revisiones sistemáticas recientes, porque ponderan muchos estudios a la vez.
  • Para la precisión, estudios de validación de wearables de consumo frente a referencias de laboratorio, preferiblemente de laboratorios independientes o que prueben varios dispositivos. Nunca el marketing de un fabricante.
  • Para los cálculos, artículos metodológicos sobre lo que Daytlas hace realmente: líneas base y error típico, promedios, estadística circular para las horas del reloj, correlación con muestras pequeñas y muchas comparaciones, y variabilidad de una noche a otra.
  • Cada DOI se comprueba con el registro de la editorial: el enlace funciona y el título, el primer autor y el año coinciden. Lo que no podemos verificar se queda fuera.
  • Los resúmenes de una línea son nuestros, en lenguaje sencillo. Los estudios describen grupos de personas, no a ti; lee los artículos para tener el panorama completo.

99 fuentes, revisadas por última vez el 8 de octubre de 2026. Cada sección de arriba muestra hasta 3; aquí aparecen todas, ordenadas por tema.

Sueño

  1. Watson NF, Badr MS, Belenky G, et al. Recommended Amount of Sleep for a Healthy Adult: A Joint Consensus Statement of the American Academy of Sleep Medicine and Sleep Research Society. Journal of Clinical Sleep Medicine. 2015;11(6):591–592. doi:10.5664/jcsm.4758

    Declaración de consenso · Citado en Sueño total

  2. Hirshkowitz M, Whiton K, Albert SM, et al. National Sleep Foundation’s sleep time duration recommendations: methodology and results summary. Sleep Health. 2015;1(1):40–43. doi:10.1016/j.sleh.2014.12.010

    Declaración de consenso · Citado en Sueño total

  3. Chinoy ED, Cuellar JA, Huwa KE, et al. Performance of seven consumer sleep-tracking devices compared with polysomnography. Sleep. 2021;44(5):zsaa291. doi:10.1093/sleep/zsaa291

    Estudio de validación · Citado en Sueño total, Tiempo en sueño profundo, ligero, REM y despierto

  4. Ohayon M, Wickwire EM, Hirshkowitz M, et al. National Sleep Foundation’s sleep quality recommendations: first report. Sleep Health. 2017;3(1):6–19. doi:10.1016/j.sleh.2016.11.006

    Declaración de consenso · Citado en Tiempo en cama y eficiencia del sueño, Tiempo para conciliar el sueño

  5. Reed DL, Sacco WP. Measuring Sleep Efficiency: What Should the Denominator Be? Journal of Clinical Sleep Medicine. 2016;12(2):263–266. doi:10.5664/jcsm.5498

    Artículo metodológico · Citado en Tiempo en cama y eficiencia del sueño

  6. Ohayon MM, Carskadon MA, Guilleminault C, et al. Meta-Analysis of Quantitative Sleep Parameters From Childhood to Old Age in Healthy Individuals: Developing Normative Sleep Values Across the Human Lifespan. Sleep. 2004;27(7):1255–1273. doi:10.1093/sleep/27.7.1255

    Metaanálisis · Citado en Tiempo para conciliar el sueño

  7. Miller DJ, Sargent C, Roach GD. A Validation of Six Wearable Devices for Estimating Sleep, Heart Rate and Heart Rate Variability in Healthy Adults. Sensors. 2022;22(16):6317. doi:10.3390/s22166317

    Estudio de validación · Citado en Tiempo en sueño profundo, ligero, REM y despierto

  8. de Zambotti M, Cellini N, Goldstone A, et al. Wearable Sleep Technology in Clinical and Research Settings. Medicine & Science in Sports & Exercise. 2019;51(7):1538–1557. doi:10.1249/MSS.0000000000001947

    Revisión · Citado en Sleep Score, Activity Score

  9. Khosla S, Deak MC, Gault D, et al. Consumer Sleep Technology: An American Academy of Sleep Medicine Position Statement. Journal of Clinical Sleep Medicine. 2018;14(5):877–880. doi:10.5664/jcsm.7128

    Documento de posicionamiento · Citado en Sleep Score

  10. Sletten TL, Weaver MD, Foster RG, et al. The importance of sleep regularity: a consensus statement of the National Sleep Foundation sleep timing and variability panel. Sleep Health. 2023;9(6):801–820. doi:10.1016/j.sleh.2023.07.016

    Declaración de consenso · Citado en Hora de dormir, hora de despertar y punto medio

  11. Roenneberg T, Wirz-Justice A, Merrow M. Life between Clocks: Daily Temporal Patterns of Human Chronotypes. Journal of Biological Rhythms. 2003;18(1):80–90. doi:10.1177/0748730402239679

    Estudio observacional · Citado en Hora de dormir, hora de despertar y punto medio

  12. Phillips AJK, Clerx WM, O’Brien CS, et al. Irregular sleep/wake patterns are associated with poorer academic performance and delayed circadian and sleep/wake timing. Scientific Reports. 2017;7:3216. doi:10.1038/s41598-017-03171-4

    Estudio observacional · Citado en Regularidad del sueño

  13. Fischer D, Klerman EB, Phillips AJK. Measuring sleep regularity: theoretical properties and practical usage of existing metrics. Sleep. 2021;44(10):zsab103. doi:10.1093/sleep/zsab103

    Artículo metodológico · Citado en Regularidad del sueño

  14. Windred DP, Burns AC, Lane JM, et al. Sleep regularity is a stronger predictor of mortality risk than sleep duration: A prospective cohort study. Sleep. 2024;47(1):zsad253. doi:10.1093/sleep/zsad253

    Estudio de cohortes · Citado en Regularidad del sueño

  15. Bei B, Wiley JF, Trinder J, et al. Beyond the mean: A systematic review on the correlates of daily intraindividual variability of sleep/wake patterns. Sleep Medicine Reviews. 2016;28:108–124. doi:10.1016/j.smrv.2015.06.003

    Revisión sistemática · Citado en Your Year y tus meses

  16. Wittmann M, Dinich J, Merrow M, et al. Social Jetlag: Misalignment of Biological and Social Time. Chronobiology International. 2006;23(1–2):497–509. doi:10.1080/07420520500545979

    Estudio observacional · Citado en Medianas, percentiles y distribuciones

  17. Buysse DJ. Sleep Health: Can We Define It? Does It Matter? Sleep. 2014;37(1):9–17. doi:10.5665/sleep.3298

    Revisión · Citado en Sleep Score

  18. de Zambotti M, Goldstein C, Cook J, et al. State of the science and recommendations for using wearable technology in sleep and circadian research. Sleep. 2024;47(4):zsad325. doi:10.1093/sleep/zsad325

    Revisión · Citado en Sleep Score

  19. Chaput JP, Dutil C, Sampasa-Kanyinga H. Sleeping hours: what is the ideal number and how does age impact this? Nature and Science of Sleep. 2018;10:421–430. doi:10.2147/NSS.S163071

    Revisión · Citado en Sueño total

  20. Ancoli-Israel S, Martin JL, Blackwell T, et al. The SBSM Guide to Actigraphy Monitoring: Clinical and Research Applications. Behavioral Sleep Medicine. 2015;13(sup1):S4–S38. doi:10.1080/15402002.2015.1046356

    Revisión · Citado en Tiempo en cama y eficiencia del sueño

  21. Lee T, Cho Y, Cha KS, et al. Accuracy of 11 Wearable, Nearable, and Airable Consumer Sleep Trackers: Prospective Multicenter Validation Study. JMIR mHealth and uHealth. 2023;11:e50983. doi:10.2196/50983

    Estudio de validación · Citado en Tiempo en cama y eficiencia del sueño, Tiempo en sueño profundo, ligero, REM y despierto

  22. Boulos MI, Jairam T, Kendzerska T, et al. Normal polysomnography parameters in healthy adults: a systematic review and meta-analysis. The Lancet Respiratory Medicine. 2019;7(6):533–543. doi:10.1016/S2213-2600(19)30057-8

    Metaanálisis · Citado en Tiempo para conciliar el sueño, Tiempo en sueño profundo, ligero, REM y despierto

  23. Fischer D, Lombardi DA, Marucci-Wellman H, et al. Chronotypes in the US – Influence of age and sex. PLOS ONE. 2017;12(6):e0178782. doi:10.1371/journal.pone.0178782

    Estudio observacional · Citado en Hora de dormir, hora de despertar y punto medio

  24. Chaput JP, Dutil C, Featherstone R, et al. Sleep timing, sleep consistency, and health in adults: a systematic review. Applied Physiology, Nutrition, and Metabolism. 2020;45(10 Suppl 2):S232–S247. doi:10.1139/apnm-2020-0032

    Revisión sistemática · Citado en Regularidad del sueño

  25. Lemola S, Ledermann T, Friedman EM. Variability of Sleep Duration Is Related to Subjective Sleep Quality and Subjective Well-Being: An Actigraphy Study. PLOS ONE. 2013;8(8):e71292. doi:10.1371/journal.pone.0071292

    Estudio observacional · Citado en Your Year y tus meses

Readiness y recuperación

  1. Buchheit M. Monitoring training status with HR measures: do all roads lead to Rome? Frontiers in Physiology. 2014;5:73. doi:10.3389/fphys.2014.00073

    Revisión · Citado en Readiness Score, Líneas base y bandas

  2. Bellenger CR, Fuller JT, Thomson RL, et al. Monitoring Athletic Training Status Through Autonomic Heart Rate Regulation: A Systematic Review and Meta-Analysis. Sports Medicine. 2016;46(10):1461–1486. doi:10.1007/s40279-016-0484-2

    Metaanálisis · Citado en Readiness Score

  3. Kellmann M, Bertollo M, Bosquet L, et al. Recovery and Performance in Sport: Consensus Statement. International Journal of Sports Physiology and Performance. 2018;13(2):240–245. doi:10.1123/ijspp.2017-0759

    Declaración de consenso · Citado en Readiness Score

  4. Düking P, Zinner C, Trabelsi K, et al. Monitoring and adapting endurance training on the basis of heart rate variability monitored by wearable technologies: A systematic review with meta-analysis. Journal of Science and Medicine in Sport. 2021;24(11):1180–1192. doi:10.1016/j.jsams.2021.04.012

    Metaanálisis · Citado en Readiness Score

Variabilidad de la frecuencia cardiaca (VFC)

  1. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use. Circulation. 1996;93(5):1043–1065. doi:10.1161/01.CIR.93.5.1043

    Informe de estándares · Citado en VFC media

  2. Laborde S, Mosley E, Thayer JF. Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research – Recommendations for Experiment Planning, Data Analysis, and Data Reporting. Frontiers in Psychology. 2017;8:213. doi:10.3389/fpsyg.2017.00213

    Revisión · Citado en VFC media

  3. Cao R, Azimi I, Sarhaddi F, et al. Accuracy Assessment of Oura Ring Nocturnal Heart Rate and Heart Rate Variability in Comparison With Electrocardiography in Time and Frequency Domains: Comprehensive Analysis. Journal of Medical Internet Research. 2022;24(1):e27487. doi:10.2196/27487

    Estudio de validación · Citado en VFC media

  4. Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. 2017;5:258. doi:10.3389/fpubh.2017.00258

    Revisión · Citado en Cómo leer la VFC con el tiempo

  5. Umetani K, Singer DH, McCraty R, et al. Twenty-Four Hour Time Domain Heart Rate Variability and Heart Rate: Relations to Age and Gender Over Nine Decades. Journal of the American College of Cardiology. 1998;31(3):593–601. doi:10.1016/S0735-1097(97)00554-8

    Estudio observacional · Citado en Cómo leer la VFC con el tiempo

  6. Altini M, Plews D. What Is behind Changes in Resting Heart Rate and Heart Rate Variability? A Large-Scale Analysis of Longitudinal Measurements Acquired in Free-Living. Sensors. 2021;21(23):7932. doi:10.3390/s21237932

    Estudio observacional · Citado en Cómo leer la VFC con el tiempo

  7. Dobbs WC, Fedewa MV, MacDonald HV, et al. The Accuracy of Acquiring Heart Rate Variability from Portable Devices: A Systematic Review and Meta-Analysis. Sports Medicine. 2019;49(3):417–435. doi:10.1007/s40279-019-01061-5

    Metaanálisis · Citado en VFC media

  8. Natarajan A, Pantelopoulos A, Emir-Farinas H, et al. Heart rate variability with photoplethysmography in 8 million individuals: a cross-sectional study. The Lancet Digital Health. 2020;2(12):e650–e657. doi:10.1016/S2589-7500(20)30246-6

    Estudio observacional · Citado en Cómo leer la VFC con el tiempo

Corazón

  1. Quer G, Gouda P, Galarnyk M, et al. Inter- and intraindividual variability in daily resting heart rate and its associations with age, sex, sleep, BMI, and time of year: Retrospective, longitudinal cohort study of 92,457 adults. PLOS ONE. 2020;15(2):e0227709. doi:10.1371/journal.pone.0227709

    Estudio de cohortes · Citado en Frecuencia cardiaca en reposo

  2. Stone JD, Ulman HK, Tran K, et al. Assessing the Accuracy of Popular Commercial Technologies That Measure Resting Heart Rate and Heart Rate Variability. Frontiers in Sports and Active Living. 2021;3:585870. doi:10.3389/fspor.2021.585870

    Estudio de validación · Citado en Frecuencia cardiaca en reposo

  3. Zhang D, Shen X, Qi X. Resting heart rate and all-cause and cardiovascular mortality in the general population: a meta-analysis. Canadian Medical Association Journal. 2016;188(3):E53–E63. doi:10.1503/cmaj.150535

    Metaanálisis · Citado en Frecuencia cardiaca en reposo

  4. Bent B, Goldstein BA, Kibbe WA, et al. Investigating sources of inaccuracy in wearable optical heart rate sensors. npj Digital Medicine. 2020;3:18. doi:10.1038/s41746-020-0226-6

    Estudio de validación · Citado en Frecuencia cardiaca durante el día

  5. Charlton PH, Paliakaitė B, Pilt K, et al. Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age: a review from VascAgeNet. American Journal of Physiology – Heart and Circulatory Physiology. 2022;322(4):H493–H522. doi:10.1152/ajpheart.00392.2021

    Revisión · Citado en Edad cardiovascular

  6. Reference Values for Arterial Stiffness’ Collaboration. Determinants of pulse wave velocity in healthy people and in the presence of cardiovascular risk factors: ‘establishing normal and reference values’. European Heart Journal. 2010;31(19):2338–2350. doi:10.1093/eurheartj/ehq165

    Estudio observacional · Citado en Edad cardiovascular

  7. Speed C, Arneil T, Harle R, et al. Measure by measure: Resting heart rate across the 24-hour cycle. PLOS Digital Health. 2023;2(4):e0000236. doi:10.1371/journal.pdig.0000236

    Estudio observacional · Citado en Frecuencia cardiaca en reposo

  8. Zhang Y, Weaver RG, Armstrong B, et al. Validity of Wrist-Worn photoplethysmography devices to measure heart rate: A systematic review and meta-analysis. Journal of Sports Sciences. 2020;38(17):2021–2034. doi:10.1080/02640414.2020.1767348

    Metaanálisis · Citado en Frecuencia cardiaca durante el día

  9. Shcherbina A, Mattsson CM, Waggott D, et al. Accuracy in Wrist-Worn, Sensor-Based Measurements of Heart Rate and Energy Expenditure in a Diverse Cohort. Journal of Personalized Medicine. 2017;7(2):3. doi:10.3390/jpm7020003

    Estudio de validación · Citado en Frecuencia cardiaca durante el día, Energía activa y total

  10. Laurent S, Cockcroft J, Van Bortel L, et al. Expert consensus document on arterial stiffness: methodological issues and clinical applications. European Heart Journal. 2006;27(21):2588–2605. doi:10.1093/eurheartj/ehl254

    Declaración de consenso · Citado en Edad cardiovascular

  11. Allen J. Photoplethysmography and its application in clinical physiological measurement. Physiological Measurement. 2007;28(3):R1–R39. doi:10.1088/0967-3334/28/3/R01

    Revisión · Citado en Edad cardiovascular

Actividad

  1. Fuller D, Colwell E, Low J, et al. Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review. JMIR mHealth and uHealth. 2020;8(9):e18694. doi:10.2196/18694

    Revisión sistemática · Citado en Frecuencia cardiaca durante el día, Pasos y distancia equivalente caminando, Energía activa y total

  2. Bull FC, Al-Ansari SS, Biddle S, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. British Journal of Sports Medicine. 2020;54(24):1451–1462. doi:10.1136/bjsports-2020-102955

    Guía · Citado en Activity Score, Intensidad de la actividad y MET

  3. Paluch AE, Bajpai S, Bassett DR, et al. Daily steps and all-cause mortality: a meta-analysis of 15 international cohorts. The Lancet Public Health. 2022;7(3):e219–e228. doi:10.1016/S2468-2667(21)00302-9

    Metaanálisis · Citado en Pasos y distancia equivalente caminando

  4. Tudor-Locke C, Craig CL, Brown WJ, et al. How many steps/day are enough? For adults. International Journal of Behavioral Nutrition and Physical Activity. 2011;8:79. doi:10.1186/1479-5868-8-79

    Revisión · Citado en Pasos y distancia equivalente caminando

  5. O’Driscoll R, Turicchi J, Beaulieu K, et al. How well do activity monitors estimate energy expenditure? A systematic review and meta-analysis of the validity of current technologies. British Journal of Sports Medicine. 2020;54(6):332–340. doi:10.1136/bjsports-2018-099643

    Metaanálisis · Citado en Energía activa y total

  6. Herrmann SD, Willis EA, Ainsworth BE, et al. 2024 Adult Compendium of Physical Activities: A third update of the energy costs of human activities. Journal of Sport and Health Science. 2024;13(1):6–12. doi:10.1016/j.jshs.2023.10.010

    Revisión sistemática · Citado en Intensidad de la actividad y MET

  7. Tremblay MS, Aubert S, Barnes JD, et al. Sedentary Behavior Research Network (SBRN) – Terminology Consensus Project process and outcome. International Journal of Behavioral Nutrition and Physical Activity. 2017;14:75. doi:10.1186/s12966-017-0525-8

    Declaración de consenso · Citado en Tiempo inactivo, de descanso y sin llevar el anillo

  8. Ekelund U, Tarp J, Steene-Johannessen J, et al. Dose-response associations between accelerometry measured physical activity and sedentary time and all cause mortality: systematic review and harmonised meta-analysis. BMJ. 2019;366:l4570. doi:10.1136/bmj.l4570

    Metaanálisis · Citado en Activity Score

  9. Banach M, Lewek J, Surma S, et al. The association between daily step count and all-cause and cardiovascular mortality: a meta-analysis. European Journal of Preventive Cardiology. 2023;30(18):1975–1985. doi:10.1093/eurjpc/zwad229

    Metaanálisis · Citado en Pasos y distancia equivalente caminando

  10. Byrne NM, Hills AP, Hunter GR, et al. Metabolic equivalent: one size does not fit all. Journal of Applied Physiology. 2005;99(3):1112–1119. doi:10.1152/japplphysiol.00023.2004

    Estudio observacional · Citado en Intensidad de la actividad y MET

  11. Migueles JH, Cadenas-Sanchez C, Ekelund U, et al. Accelerometer Data Collection and Processing Criteria to Assess Physical Activity and Other Outcomes: A Systematic Review and Practical Considerations. Sports Medicine. 2017;47(9):1821–1845. doi:10.1007/s40279-017-0716-0

    Revisión sistemática · Citado en Intensidad de la actividad y MET

  12. Patterson R, McNamara E, Tainio M, et al. Sedentary behaviour and risk of all-cause, cardiovascular and cancer mortality, and incident type 2 diabetes: a systematic review and dose response meta-analysis. European Journal of Epidemiology. 2018;33(9):811–829. doi:10.1007/s10654-018-0380-1

    Metaanálisis · Citado en Tiempo inactivo, de descanso y sin llevar el anillo

  13. Choi L, Liu Z, Matthews CE, et al. Validation of Accelerometer Wear and Nonwear Time Classification Algorithm. Medicine & Science in Sports & Exercise. 2011;43(2):357–364. doi:10.1249/MSS.0b013e3181ed61a3

    Estudio de validación · Citado en Tiempo inactivo, de descanso y sin llevar el anillo

Temperatura

  1. Kräuchi K. The thermophysiological cascade leading to sleep initiation in relation to phase of entrainment. Sleep Medicine Reviews. 2007;11(6):439–451. doi:10.1016/j.smrv.2007.07.001

    Revisión · Citado en Desviación de temperatura y tendencia

  2. Harding EC, Franks NP, Wisden W. The Temperature Dependence of Sleep. Frontiers in Neuroscience. 2019;13:336. doi:10.3389/fnins.2019.00336

    Revisión · Citado en Desviación de temperatura y tendencia

  3. Okamoto-Mizuno K, Mizuno K. Effects of thermal environment on sleep and circadian rhythm. Journal of Physiological Anthropology. 2012;31:14. doi:10.1186/1880-6805-31-14

    Revisión · Citado en Desviación de temperatura y tendencia

  4. Smith ADH, Crabtree DR, Bilzon JLJ, et al. The validity of wireless iButtons® and thermistors for human skin temperature measurement. Physiological Measurement. 2010;31(1):95–114. doi:10.1088/0967-3334/31/1/007

    Estudio de validación · Citado en Desviación de temperatura y tendencia

Respiración y oxígeno en sangre

  1. Nicolò A, Massaroni C, Schena E, et al. The Importance of Respiratory Rate Monitoring: From Healthcare to Sport and Exercise. Sensors. 2020;20(21):6396. doi:10.3390/s20216396

    Revisión · Citado en Frecuencia respiratoria

  2. Charlton PH, Birrenkott DA, Bonnici T, et al. Breathing Rate Estimation From the Electrocardiogram and Photoplethysmogram: A Review. IEEE Reviews in Biomedical Engineering. 2018;11:2–20. doi:10.1109/RBME.2017.2763681

    Revisión · Citado en Frecuencia respiratoria

  3. Jubran A. Pulse oximetry. Critical Care. 2015;19:272. doi:10.1186/s13054-015-0984-8

    Revisión · Citado en Oxígeno en sangre (SpO2)

  4. Sjoding MW, Dickson RP, Iwashyna TJ, et al. Racial Bias in Pulse Oximetry Measurement. New England Journal of Medicine. 2020;383(25):2477–2478. doi:10.1056/NEJMc2029240

    Estudio observacional · Citado en Oxígeno en sangre (SpO2)

  5. Douglas NJ, White DP, Pickett CK, et al. Respiration during sleep in normal man. Thorax. 1982;37(11):840–844. doi:10.1136/thx.37.11.840

    Estudio observacional · Citado en Frecuencia respiratoria

  6. Jiang Y, Spies C, Magin J, et al. Investigating the accuracy of blood oxygen saturation measurements in common consumer smartwatches. PLOS Digital Health. 2023;2(7):e0000296. doi:10.1371/journal.pdig.0000296

    Estudio de validación · Citado en Oxígeno en sangre (SpO2)

  7. Gries RE, Brooks LJ. Normal Oxyhemoglobin Saturation During Sleep: How Low Does It Go? Chest. 1996;110(6):1489–1492. doi:10.1378/chest.110.6.1489

    Estudio observacional · Citado en Oxígeno en sangre (SpO2)

Métodos y estadística

  1. Berens P. CircStat: A MATLAB Toolbox for Circular Statistics. Journal of Statistical Software. 2009;31(10):1–21. doi:10.18637/jss.v031.i10

    Artículo metodológico · Citado en Hora de dormir, hora de despertar y punto medio, Promedios y periodos

  2. Sterne JAC, White IR, Carlin JB, et al. Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ. 2009;338:b2393. doi:10.1136/bmj.b2393

    Artículo metodológico · Citado en Días, noches y datos que faltan

  3. Robinson WS. Ecological Correlations and the Behavior of Individuals. American Sociological Review. 1950;15(3):351–357. doi:10.2307/2087176

    Artículo metodológico · Citado en Promedios y periodos

  4. Plews DJ, Laursen PB, Stanley J, et al. Training Adaptation and Heart Rate Variability in Elite Endurance Athletes: Opening the Door to Effective Monitoring. Sports Medicine. 2013;43(9):773–781. doi:10.1007/s40279-013-0071-8

    Revisión · Citado en Líneas base y bandas

  5. Hopkins WG. Measures of Reliability in Sports Medicine and Science. Sports Medicine. 2000;30(1):1–15. doi:10.2165/00007256-200030010-00001

    Revisión · Citado en Líneas base y bandas, Ventanas de comparación

  6. Barnett AG, van der Pols JC, Dobson AJ. Regression to the mean: what it is and how to deal with it. International Journal of Epidemiology. 2005;34(1):215–220. doi:10.1093/ije/dyh299

    Artículo metodológico · Citado en Ventanas de comparación, Cambios en tu línea base, Comparaciones de Tag Lab, Hitos, rachas y récords

  7. Hyndman RJ, Fan Y. Sample Quantiles in Statistical Packages. The American Statistician. 1996;50(4):361–365. doi:10.1080/00031305.1996.10473566

    Artículo metodológico · Citado en Medianas, percentiles y distribuciones

  8. Schober P, Boer C, Schwarte LA. Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia. 2018;126(5):1763–1768. doi:10.1213/ANE.0000000000002864

    Revisión · Citado en Correlaciones

  9. Schönbrodt FD, Perugini M. At what sample size do correlations stabilize? Journal of Research in Personality. 2013;47(5):609–612. doi:10.1016/j.jrp.2013.05.009

    Artículo metodológico · Citado en Correlaciones

  10. Truong C, Oudre L, Vayatis N. Selective review of offline change point detection methods. Signal Processing. 2020;167:107299. doi:10.1016/j.sigpro.2019.107299

    Revisión · Citado en Cambios en tu línea base

  11. Daza EJ. Causal Analysis of Self-tracked Time Series Data Using a Counterfactual Framework for N-of-1 Trials. Methods of Information in Medicine. 2018;57(S01):e10–e21. doi:10.3414/ME16-02-0044

    Artículo metodológico · Citado en Comparaciones de Tag Lab

  12. Tackney MS, Cook DG, Stahl D, et al. A framework for handling missing accelerometer outcome data in trials. Trials. 2021;22:379. doi:10.1186/s13063-021-05284-8

    Artículo metodológico · Citado en Días, noches y datos que faltan

  13. Cho S, Weng C, Kahn MG, et al. Identifying Data Quality Dimensions for Person-Generated Wearable Device Data: Multi-Method Study. JMIR mHealth and uHealth. 2021;9(12):e31618. doi:10.2196/31618

    Artículo metodológico · Citado en Días, noches y datos que faltan

  14. Cremers J, Klugkist I. One Direction? A Tutorial for Circular Data Analysis Using R With Examples in Cognitive Psychology. Frontiers in Psychology. 2018;9:2040. doi:10.3389/fpsyg.2018.02040

    Artículo metodológico · Citado en Promedios y periodos

  15. Plews DJ, Laursen PB, Kilding AE, et al. Evaluating Training Adaptation With Heart-Rate Measures: A Methodological Comparison. International Journal of Sports Physiology and Performance. 2013;8(6):688–691. doi:10.1123/ijspp.8.6.688

    Artículo metodológico · Citado en Líneas base y bandas

  16. Hopkins WG, Marshall SW, Batterham AM, et al. Progressive Statistics for Studies in Sports Medicine and Exercise Science. Medicine & Science in Sports & Exercise. 2009;41(1):3–12. doi:10.1249/MSS.0b013e31818cb278

    Artículo metodológico · Citado en Ventanas de comparación

  17. Swinton PA, Hemingway BS, Saunders B, et al. A Statistical Framework to Interpret Individual Response to Intervention: Paving the Way for Personalized Nutrition and Exercise Prescription. Frontiers in Nutrition. 2018;5:41. doi:10.3389/fnut.2018.00041

    Artículo metodológico · Citado en Ventanas de comparación

  18. Krzywinski M, Altman N. Visualizing samples with box plots. Nature Methods. 2014;11(2):119–120. doi:10.1038/nmeth.2813

    Artículo metodológico · Citado en Medianas, percentiles y distribuciones

  19. Weissgerber TL, Milic NM, Winham SJ, et al. Beyond Bar and Line Graphs: Time for a New Data Presentation Paradigm. PLOS Biology. 2015;13(4):e1002128. doi:10.1371/journal.pbio.1002128

    Revisión sistemática · Citado en Medianas, percentiles y distribuciones

  20. Dean RT, Dunsmuir WTM. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 2016;48(2):783–802. doi:10.3758/s13428-015-0611-2

    Artículo metodológico · Citado en Correlaciones

  21. Benjamini Y, Hochberg Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological). 1995;57(1):289–300. doi:10.1111/j.2517-6161.1995.tb02031.x

    Artículo metodológico · Citado en Correlaciones

  22. Aminikhanghahi S, Cook DJ. A survey of methods for time series change point detection. Knowledge and Information Systems. 2017;51(2):339–367. doi:10.1007/s10115-016-0987-z

    Revisión · Citado en Cambios en tu línea base

  23. Bender R, Lange S. Adjusting for multiple testing—when and how? Journal of Clinical Epidemiology. 2001;54(4):343–349. doi:10.1016/S0895-4356(00)00314-0

    Artículo metodológico · Citado en Comparaciones de Tag Lab

  24. Shaffer JA, Kronish IM, Falzon L, et al. N-of-1 Randomized Intervention Trials in Health Psychology: A Systematic Review and Methodology Critique. Annals of Behavioral Medicine. 2018;52(9):731–742. doi:10.1093/abm/kax026

    Revisión sistemática · Citado en Comparaciones de Tag Lab

  25. Morton V, Torgerson DJ. Effect of regression to the mean on decision making in health care. BMJ. 2003;326(7398):1083–1084. doi:10.1136/bmj.326.7398.1083

    Artículo metodológico · Citado en Hitos, rachas y récords

  26. Gilovich T, Vallone R, Tversky A. The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology. 1985;17(3):295–314. doi:10.1016/0010-0285(85)90010-6

    Estudio observacional · Citado en Hitos, rachas y récords

  27. Crameri F, Shephard GE, Heron PJ. The misuse of colour in science communication. Nature Communications. 2020;11:5444. doi:10.1038/s41467-020-19160-7

    Artículo metodológico · Citado en Your Year y tus meses

¿Encontraste un error o una fuente mejor? Escribe a hadjkb@gmail.com.