Comment Daytlas lit vos données.

Ce que signifie chaque chiffre dans Daytlas, comment il est moyenné et comparé, ses limites et les recherches sur lesquelles il s’appuie.

Par Jakub Had, créateur de Daytlas, qui n’est pas professionnel de santé : les informations de santé présentées ici proviennent des sources listées ci-dessous. Mis à jour le 8 octobre 2026. Sources vérifiées le 8 octobre 2026.

Sommeil

Combien de temps, avec quelle efficacité et à quelle heure vous avez dormi, d’après la période de sommeil principale de chaque jour.

Sleep Score

Un score de 0 à 100 attribué à la nuit par l’app de votre bague, construit à partir de contributeurs comme le sommeil total, l’efficacité, l’horaire du sommeil et ses phases. Daytlas l’affiche tel qu’il arrive et ne le recalcule jamais.

Comment Daytlas l’affiche

  • Day detail affiche le score du jour choisi et son écart avec la moyenne des 30 jours civils précédents, dès qu’au moins 5 de ces jours ont un score.
  • Day detail liste aussi les contributeurs fournis par l’app de votre bague, chacun sur sa propre échelle de 0 à 100.
  • Les valeurs sont colorées selon les plages que l’app de votre bague utilise pour ses scores : moins de 60 « À surveiller », de 60 à 69 « Passable », de 70 à 84 « Bon » et 85 ou plus « Optimal ». Une couleur décrit le chiffre, pas votre santé.
  • Overview compare le dernier score à la moyenne des 7 jours précédents au maximum.

Limites

La formule appartient à l’app de votre bague et peut changer avec ses mises à jour : les scores anciens et récents ne sont donc pas toujours strictement comparables. Un score de sommeil grand public ne permet pas de diagnostiquer un trouble du sommeil.

Recherches

  • Khosla et al., 2018: Les technologies de sommeil grand public peuvent nourrir l’échange avec un professionnel de santé, mais ne sont ni validées ni autorisées pour diagnostiquer ou traiter les troubles du sommeil.
  • de Zambotti et al., 2024: Une revue de la Sleep Research Society a conclu que les wearables grand public dépassent désormais l’actigraphie traditionnelle pour le sommeil, avec des limites nettes, comme l’éveil mal classé, les siestes et les artefacts.
  • de Zambotti et al., 2019: Passe en revue la validation des appareils de suivi du sommeil grand public et met en garde : des algorithmes propriétaires et des mises à jour du micrologiciel peuvent modifier leurs chiffres.

Autres sources citées : Buysse, 2014

Sommeil total

Le temps passé à dormir pendant la période de sommeil principale de la journée, sans compter le temps éveillé au lit.

Comment Daytlas l’affiche

  • Quand une journée compte plusieurs périodes de sommeil, la plus longue (le sommeil principal) porte les mesures de sommeil de ce jour. Les siestes et les périodes de repos ne s’y ajoutent pas ; dans Day detail, vous pouvez quand même ouvrir une période de sommeil supplémentaire.
  • Les durées arrivent en secondes et s’affichent en heures et minutes ou en heures décimales, selon votre choix dans les réglages.
  • Les résumés mensuels du sommeil ne comptent que les nuits de plus de 0 heure et de 24 heures au maximum.

Limites

Les wearables distinguent bien le sommeil de l’éveil, mais sont moins précis qu’un laboratoire du sommeil, surtout les nuits agitées. Les besoins en sommeil varient d’une personne à l’autre ; Daytlas affiche vos chiffres sans les juger par rapport à un objectif.

Recherches

  • Watson et al., 2015: Un panel commun de deux sociétés savantes du sommeil recommande aux adultes de dormir régulièrement 7 heures ou plus par nuit.
  • Hirshkowitz et al., 2015: Un panel d’experts a jugé 7 à 9 heures adaptées aux adultes et 7 à 8 heures aux adultes plus âgés, en notant que les besoins varient d’une personne à l’autre.
  • Chinoy et al., 2021: Comparés à des enregistrements du sommeil en laboratoire, la plupart des appareils de suivi grand public détectaient bien le sommeil, moins bien l’éveil, donnaient des phases de sommeil incohérentes et faisaient moins bien les nuits perturbées.

Autres sources citées : Chaput et al., 2018

Temps au lit et efficacité du sommeil

Dans Daytlas : Temps au lit · Efficacité du sommeil

Le temps au lit est la durée de la période de sommeil principale, du coucher au lever. L’efficacité du sommeil est la part de ce temps passée à dormir, en pourcentage.

Comment Daytlas l’affiche

  • Les deux proviennent de la période de sommeil principale telle que l’app de votre bague la transmet ; Daytlas ne recalcule pas l’efficacité.
  • Day detail compare la nuit à la moyenne des 30 jours précédents ; Trends peut en faire la moyenne par semaine, mois, trimestre ou année.

Limites

L’efficacité dépend de ce qui compte comme temps au lit. Lire au lit ou rester au lit le matin sans dormir la fait baisser, même si le sommeil lui-même n’a pas changé.

Recherches

  • Ohayon et al., 2017: Des experts se sont accordés sur le fait que le temps d’endormissement, les réveils, le temps d’éveil après l’endormissement et l’efficacité du sommeil sont des marqueurs raisonnables de la qualité du sommeil, mais se sont peu accordés sur les phases de sommeil.
  • Lee et al., 2023: Onze appareils de suivi du sommeil grand public variaient fortement dans la précision des phases de sommeil par rapport aux enregistrements de laboratoire, et les wearables montraient un biais systématique sur l’efficacité du sommeil.
  • Ancoli-Israel et al., 2015: Un guide de société savante sur le suivi du sommeil par le mouvement : ce qu’il estime bien, comme les horaires et la durée, et ce qui lui pose problème, comme une personne éveillée mais immobile.

Autres sources citées : Reed & Sacco, 2016

Temps d’endormissement

Dans Daytlas : Latence d’endormissement

Le temps qu’il vous a fallu pour vous endormir après le début de la période de sommeil.

Comment Daytlas l’affiche

  • Transmis en secondes et affiché en minutes entières.
  • Day detail le compare à la moyenne des 30 jours précédents et indique le sens d’un changement sans le qualifier de bon ou de mauvais.

Limites

C’est une estimation : le moment exact de l’endormissement est difficile à déterminer sans laboratoire du sommeil. Les valeurs habituelles évoluent aussi avec l’âge.

Recherches

  • Ohayon et al., 2017: Des experts se sont accordés sur le fait que le temps d’endormissement, les réveils, le temps d’éveil après l’endormissement et l’efficacité du sommeil sont des marqueurs raisonnables de la qualité du sommeil, mais se sont peu accordés sur les phases de sommeil.
  • Boulos et al., 2019: Sur 169 études d’adultes en bonne santé, chaque décennie d’âge s’accompagnait d’environ 10 minutes de sommeil en moins et d’une efficacité plus faible, tandis que les parts de sommeil profond et paradoxal changeaient à peine.
  • Ohayon et al., 2004: Sur 65 études de personnes en bonne santé, le sommeil total, l’efficacité du sommeil et la part de sommeil profond et paradoxal diminuaient avec l’âge chez l’adulte, tandis que le temps d’endormissement et le temps d’éveil augmentaient.

Sommeil profond, léger, paradoxal (REM) et temps d’éveil

Dans Daytlas : Sommeil profond · Sommeil léger · Sommeil paradoxal · Temps d’éveil

Votre bague estime dans quelle phase de sommeil vous vous trouviez tout au long de la nuit. Daytlas affiche le temps passé dans chaque phase et, dans Day detail, la chronologie des phases.

Comment Daytlas l’affiche

  • La chronologie utilise des estimations par tranches de 30 secondes quand vos données en contiennent, sinon par tranches de 5 minutes, du coucher au réveil.
  • Les totaux par phase proviennent de la période de sommeil principale et s’affichent en heures.
  • Trends permet de tracer chaque phase et d’y superposer jusqu’à trois autres mesures.

Limites

Quel que soit le wearable, ses estimations des phases concordent bien moins avec un laboratoire du sommeil que sa distinction entre sommeil et éveil. Lisez le temps par phase comme une tendance approximative sur plusieurs semaines plutôt que comme un chiffre exact pour une nuit.

Recherches

  • Boulos et al., 2019: Sur 169 études d’adultes en bonne santé, chaque décennie d’âge s’accompagnait d’environ 10 minutes de sommeil en moins et d’une efficacité plus faible, tandis que les parts de sommeil profond et paradoxal changeaient à peine.
  • Lee et al., 2023: Onze appareils de suivi du sommeil grand public variaient fortement dans la précision des phases de sommeil par rapport aux enregistrements de laboratoire, et les wearables montraient un biais systématique sur l’efficacité du sommeil.
  • Miller et al., 2022: Six wearables, dont une bague, concordaient bien avec les enregistrements de laboratoire pour distinguer sommeil et éveil, mais ne s’accordaient sur la phase de sommeil exacte que pendant environ 50 à 65 % de la nuit.

Autres sources citées : Chinoy et al., 2021

Heure du coucher, heure du réveil et milieu du sommeil

Dans Daytlas : Heure du coucher · Heure du réveil · Milieu du sommeil

Le début et la fin de votre période de sommeil principale, et l’heure située à mi-chemin entre les deux.

Comment Daytlas l’affiche

  • Les heures suivent l’heure locale enregistrée avec vos données : une nuit passée dans un autre fuseau horaire garde donc sa propre heure.
  • Après minuit, l’heure du coucher continue au-delà de 24:00 (01:30 devient 25:30) : les couchers tardifs et les couchers plus tôt restent ainsi voisins sur les graphiques.
  • Les moyennes hebdomadaires et mensuelles des heures utilisent une moyenne circulaire : la moyenne de 23:00 et 01:00 donne minuit, et non midi.
  • Your Year trace chaque nuit sous forme de barre, du coucher au réveil ; l’heure moyenne du coucher et celle du réveil y utilisent la même moyenne circulaire.
  • Les corrélations laissent les heures de côté, car le retour à zéro à minuit empêche une comparaison linéaire.

Limites

L’heure du coucher correspond au début de la période de sommeil détectée par votre bague, qui ne coïncide pas forcément avec le moment où vous comptiez dormir.

Recherches

  • Sletten et al., 2023: Un panel d’experts s’est accordé sur l’importance d’horaires de coucher et de lever réguliers pour la santé, la sécurité et les performances.
  • Fischer et al., 2017: Dans environ 54 000 carnets d’emploi du temps, le milieu du sommeil le week-end était le plus tardif vers 19 ans, puis avançait avec l’âge, avec des différences entre les sexes qui s’inversaient vers 40 ans.
  • Roenneberg et al., 2003: A mesuré séparément les horaires de sommeil les jours travaillés et les jours libres, et a trouvé de grandes différences entre les personnes et entre ces deux types de jours, l’exposition à la lumière décalant les horaires de sommeil.

Autres sources citées : Berens, 2009

Régularité du sommeil

La constance de vos horaires et de votre durée de sommeil d’une nuit à l’autre. Daytlas ne la réduit pas à un score unique ; il vous donne des vues pour l’observer.

Comment Daytlas l’affiche

  • Dans Your Year, la vue du rythme de sommeil trace chaque nuit sous forme de barre, du coucher au réveil, avec des vides là où des nuits manquent.
  • Dans Overview, la vue par jour de la semaine montre l’heure médiane du coucher, ou une autre mesure, pour chaque jour de la semaine, entourée de la moitié centrale des valeurs.
  • « Vos mois », sur la page Your Year, montre la moyenne et l’écart-type du sommeil principal pour chaque mois, et désigne le mois le plus régulier (l’écart-type le plus faible) dès qu’au moins deux mois comptent 7 nuits ou plus.

Limites

Les mesures de régularité ont besoin de plus d’une semaine de données pour se stabiliser. Ces vues décrivent vos horaires ; elles ne les notent pas.

Recherches

  • Chaput et al., 2020: Des horaires de sommeil plus tardifs et une plus grande variabilité d’une nuit à l’autre étaient en général associés à de moins bons résultats de santé, avec un niveau de preuve allant de très faible à modéré.
  • Windred et al., 2024: Chez environ 61 000 participants de la UK Biobank, des horaires de sommeil plus réguliers étaient associés à un risque de mortalité plus faible, et le prédisaient mieux que la durée du sommeil.
  • Phillips et al., 2017: Chez 61 étudiants suivis pendant 30 jours, ceux au sommeil irrégulier avaient une horloge biologique plus tardive et de moins bonnes notes ; l’étude a introduit l’indice de régularité du sommeil (Sleep Regularity Index).

Autres sources citées : Fischer et al., 2021

Readiness et récupération

Le score quotidien de récupération que calcule l’app de votre bague.

Readiness Score

Un score de 0 à 100 calculé par l’app de votre bague, qui combine des signaux comme la fréquence cardiaque au repos, la VFC, la température corporelle, le sommeil et l’activité récents. Daytlas l’affiche tel qu’il arrive et ne le recalcule jamais.

Comment Daytlas l’affiche

  • Day detail affiche le score, ses contributeurs (chacun de 0 à 100) et son écart avec la moyenne des 30 jours précédents, dès qu’au moins 5 de ces jours ont un score.
  • Les valeurs sont colorées selon les plages que l’app de votre bague utilise pour ses scores : moins de 60 « À surveiller », de 60 à 69 « Passable », de 70 à 84 « Bon » et 85 ou plus « Optimal ». Une couleur décrit le chiffre, pas votre santé.
  • Overview calcule la moyenne du score sur les 30 derniers jours et la compare aux 30 jours précédents ainsi qu’aux mêmes 30 jours un an plus tôt.

Limites

Comme le score est construit à partir d’autres mesures, il leur est corrélé par construction : un lien fort entre le Readiness Score et la VFC dans Trends reflète en partie la façon dont le score est calculé. Les mesures de récupération fondées sur la fréquence cardiaque ne permettent pas de distinguer tous les types de fatigue.

Recherches

  • Kellmann et al., 2018: Des experts se sont accordés sur le fait qu’équilibrer stress et récupération demande un suivi régulier, car les réponses à l’entraînement et à la récupération varient chez une même personne et d’une personne à l’autre.
  • Düking et al., 2021: Sur 8 études, l’entraînement guidé par la VFC mesurée par un wearable avait un effet moyen sur la physiologie sous-maximale, mais seulement un effet faible et non significatif sur la performance.
  • Bellenger et al., 2016: Chez des athlètes d’endurance, la VFC au repos augmentait légèrement quand l’entraînement se passait bien et changeait à peine en cas de surcharge d’entraînement : les mesures fondées sur la fréquence cardiaque ne permettent pas, à elles seules, de distinguer tous les types de fatigue.

Autres sources citées : Buchheit, 2014

Variabilité de la fréquence cardiaque (VFC)

La variation de votre fréquence cardiaque d’un battement à l’autre pendant le sommeil, et comment la lire dans le temps.

VFC moyenne

La variabilité de la fréquence cardiaque (VFC, ou HRV en anglais) est la variation du temps entre deux battements de cœur. Votre bague transmet la moyenne de la nuit en millisecondes, à partir du RMSSD, une mesure standard de la variation d’un battement à l’autre.

Comment Daytlas l’affiche

  • Daytlas utilise, pour chaque jour, la VFC moyenne de la période de sommeil principale.
  • Day detail affiche la courbe de VFC de la nuit avec une ligne de référence à la moyenne des 30 jours précédents, et y compare la moyenne de la nuit.
  • Overview affiche la moyenne des 30 derniers jours, son évolution par rapport aux 30 jours précédents et à la même période un an plus tôt, ainsi que le jour le plus élevé enregistré.
  • Trends affiche les valeurs quotidiennes avec une ligne pointillée pour la moyenne des 60 jours précédents et une bande ombrée de ±1 écart-type.

Limites

La VFC dépend fortement des conditions de mesure, et une seule nuit en dit peu. La bande représente votre propre dispersion, pas une plage clinique.

Recherches

  • Task Force, 1996: A fixé les définitions standard des mesures de la variabilité de la fréquence cardiaque, dont le RMSSD, et décrit l’influence des conditions d’enregistrement sur ces mesures.
  • Dobbs et al., 2019: Sur 23 études, la VFC mesurée par des appareils portables différait de l’ECG d’une quantité faible mais variable, que les auteurs ont jugée acceptable pour un usage hors laboratoire.
  • Cao et al., 2022: Chez 35 adultes en bonne santé dormant chez eux, la fréquence cardiaque nocturne et le RMSSD mesurés par une bague concordaient étroitement avec un ECG thoracique, tandis que d’autres mesures de VFC étaient moins précises.

Autres sources citées : Laborde et al., 2017

Lire la VFC dans le temps

La VFC varie beaucoup d’une personne à l’autre et évolue avec l’âge : la comparaison utile est donc celle avec votre propre historique.

Comment Daytlas l’affiche

  • Daytlas ne compare jamais votre VFC à des normes de population ; chaque comparaison dans l’app se fait avec vos propres jours précédents.
  • Dans Trends, les moyennes hebdomadaires lissent les fluctuations d’une nuit à l’autre, avant que vous ne tiriez trop de conclusions d’un changement.
  • « Changements de votre niveau de référence », dans Overview, signale les dates où votre moyenne sur 30 jours avant et après diffère de plus que votre dispersion habituelle.

Limites

Beaucoup de facteurs font varier la VFC en même temps, comme l’entraînement, l’alcool, la maladie et le stress : un changement est une raison de regarder le contexte, pas une explication.

Recherches

  • Altini & Plews, 2021: Chez 28 175 personnes, la VFC était plus basse avec l’âge, et la VFC au jour le jour réagissait à des facteurs de stress comme l’entraînement intense, l’alcool et la maladie : sensible, mais pas spécifique.
  • Natarajan et al., 2020: Chez 8 millions d’utilisateurs de wearables, la VFC diminuait avec l’âge et variait fortement au cours de la journée, tandis que le RMSSD ne différait pas nettement entre hommes et femmes.
  • Umetani et al., 1998: Chez 260 personnes en bonne santé âgées de 10 à 99 ans, la VFC diminuait avec l’âge ; le RMSSD baissait le plus vite et se stabilisait à partir de la sixième décennie environ.

Autres sources citées : Shaffer & Ginsberg, 2017

Cœur

La fréquence cardiaque au repos la nuit, la fréquence cardiaque pendant la journée et l’estimation de l’âge cardiovasculaire.

Fréquence cardiaque au repos

Dans Daytlas : FC au repos moyenne · FC au repos la plus basse

Votre fréquence cardiaque pendant la période de sommeil principale. La FC au repos moyenne est la moyenne sur toute la période ; la FC au repos la plus basse est la valeur la plus basse que votre bague y a enregistrée.

Comment Daytlas l’affiche

  • Day detail affiche la courbe de fréquence cardiaque de la nuit avec une ligne de référence à la moyenne des 30 jours précédents, et compare les deux valeurs à leur moyenne sur 30 jours.
  • Dans Overview, « Votre corps au fil du temps » et son graphique de relation utilisent la FC au repos la plus basse.
  • Trends et Tag Lab peuvent afficher les deux.

Limites

Chaque personne a sa propre fréquence cardiaque au repos habituelle, qui varie avec la saison, le sommeil et bien d’autres choses. Des études de population associent, en moyenne, la fréquence cardiaque au repos à la santé à long terme ; Daytlas n’applique pas ces résultats à votre cas.

Recherches

  • Zhang et al., 2016: En regroupant 46 études de cohorte, une fréquence cardiaque au repos plus élevée allait de pair, en moyenne, avec une mortalité plus élevée ; cela décrit des populations, pas une personne en particulier.
  • Stone et al., 2021: Par rapport à un ECG multi-dérivations, sept technologies grand public mesuraient précisément la fréquence cardiaque au repos, tandis que la précision de leur RMSSD variait fortement.
  • Quer et al., 2020: Chez 92 457 utilisateurs de wearables, la fréquence cardiaque au repos de chaque personne était assez stable dans le temps, mais la valeur normale différait jusqu’à 70 bpm d’une personne à l’autre, avec un léger effet saisonnier.

Autres sources citées : Speed et al., 2023

Fréquence cardiaque pendant la journée

Les relevés de fréquence cardiaque que votre bague enregistre au fil de la journée, en dehors de votre sommeil.

Comment Daytlas l’affiche

  • Day detail trace chaque relevé du jour choisi dans le fuseau horaire défini dans les réglages (celui de cet appareil par défaut). Les trous de plus de 15 minutes restent visibles sous forme de coupures de la ligne ; les relevés pris au même moment sont moyennés.
  • La fréquence cardiaque au repos en journée est la moyenne des relevés du jour marqués comme éveil ou repos. La valeur d’aujourd’hui est partielle.
  • Elle est comparée à la moyenne des 30 jours précédents qui ont des relevés, dès qu’il y en a au moins 5.
  • Les fichiers d’export importés ne contiennent pas ces relevés : cette vue nécessite donc une connexion en direct.

Limites

Les capteurs optiques de fréquence cardiaque sont assez précis au repos et moins précis en mouvement.

Recherches

  • Fuller et al., 2020: Sur 158 études, les wearables comptaient bien les pas et mesuraient bien la fréquence cardiaque en laboratoire, mais aucune marque n’estimait précisément la dépense énergétique.
  • Zhang et al., 2020: Sur 44 études, la fréquence cardiaque optique mesurée au poignet était proche de la référence pendant le sommeil, le repos, la marche et la course, et moins précise pendant la musculation et le vélo.
  • Bent et al., 2020: Les capteurs optiques de fréquence cardiaque étaient assez précis au repos, les erreurs étaient environ 30 % plus grandes pendant l’activité, et la précision ne différait pas significativement selon la couleur de peau.

Autres sources citées : Shcherbina et al., 2017

Âge cardiovasculaire

Une estimation, par l’app de votre bague, de l’âge de votre système cardiovasculaire, fondée sur la forme de votre signal de pouls et sur une estimation de la vitesse de l’onde de pouls. Daytlas affiche cette estimation mais ne la calcule pas.

Comment Daytlas l’affiche

  • Overview affiche la dernière valeur de l’année écoulée, la moyenne des valeurs des 30 jours qui la précèdent (dès qu’il y en a au moins 5) et les 90 derniers jours sous forme de graphique avec une ligne de moyenne.
  • Les valeurs hors de la plage de 18 à 100 ans sont ignorées, car considérées comme non valides.
  • Les fichiers d’export importés ne contiennent pas cette donnée.

Limites

C’est une estimation du vieillissement vasculaire, pas une mesure clinique de la rigidité artérielle ni un diagnostic. Regardez la tendance sur plusieurs semaines plutôt que des valeurs isolées.

Recherches

  • Laurent et al., 2006: Un réseau européen d’experts a résumé comment mesurer la rigidité artérielle, notamment par la vitesse de l’onde de pouls, et les facteurs qui influencent la mesure.
  • Reference Values for Arterial Stiffness’ Collaboration, 2010: Chez 16 867 personnes de 13 centres européens, la vitesse de l’onde de pouls, une mesure de la rigidité artérielle, augmentait avec l’âge et la pression artérielle.
  • Charlton et al., 2022: Passe en revue le lien entre la forme et la temporalité du signal de pouls optique et le vieillissement vasculaire, et dans quelle mesure ces estimations ont été validées.

Autres sources citées : Allen, 2007

Activité

Mouvement, effort et énergie estimée au fil de la journée.

Activity Score

Un score de 0 à 100 calculé par l’app de votre bague, qui reflète votre niveau d’activité et la façon dont elle s’est répartie sur la journée et la semaine. Daytlas l’affiche tel qu’il arrive et ne le recalcule jamais.

Comment Daytlas l’affiche

  • Day detail affiche le score, ses contributeurs (chacun de 0 à 100) et son écart avec la moyenne des 30 jours précédents, dès qu’au moins 5 de ces jours ont un score.
  • Les valeurs sont colorées selon les plages que l’app de votre bague utilise pour ses scores : moins de 60 « À surveiller », de 60 à 69 « Passable », de 70 à 84 « Bon » et 85 ou plus « Optimal ». Une couleur décrit le chiffre, pas votre santé.
  • Le score d’aujourd’hui est comparé aux journées complètes précédentes : il montre donc une progression plutôt qu’un résultat final.

Limites

Les objectifs et la formule du score appartiennent à l’app de votre bague. L’activité du jour reste incomplète jusqu’à la fin de la journée.

Recherches

  • Bull et al., 2020: Recommande aux adultes 150 à 300 minutes d’activité d’intensité modérée ou 75 à 150 minutes d’activité d’intensité soutenue par semaine, et moins de temps sédentaire.
  • Ekelund et al., 2019: En regroupant les données d’accéléromètre d’environ 36 000 adultes, toute activité physique, y compris légère, allait de pair avec une mortalité plus faible, l’écart le plus marqué se situant aux faibles niveaux.
  • de Zambotti et al., 2019: Passe en revue la validation des appareils de suivi du sommeil grand public et met en garde : des algorithmes propriétaires et des mises à jour du micrologiciel peuvent modifier leurs chiffres.

Pas et équivalent marche

Dans Daytlas : Pas · Équivalent marche

Les pas comptés par votre bague pendant la journée, et l’équivalent marche : l’activité du jour exprimée en distance de marche.

Comment Daytlas l’affiche

  • Les distances arrivent en mètres et s’affichent en kilomètres ou en miles, selon votre choix dans les réglages.
  • Day detail compare une journée à la moyenne des 30 jours précédents ; la journée en cours est comparée aux journées complètes précédentes.
  • Your Year peut colorer chaque jour de l’année selon le nombre de pas.

Limites

Les nombres de pas des wearables tiennent bien la route lors des tests en laboratoire, mais varient selon les appareils et les activités : comparez donc vos propres journées plutôt que des appareils.

Recherches

  • Banach et al., 2023: Dans les études de cohorte, davantage de pas quotidiens allaient de pair avec une mortalité toutes causes et cardiovasculaire plus faible, à partir d’environ 2 300 à 3 900 pas par jour.
  • Paluch et al., 2022: Sur 15 cohortes, davantage de pas quotidiens allaient de pair avec une mortalité plus faible, avec un plateau vers 6 000 à 8 000 pas pour les adultes de 60 ans et plus, et vers 8 000 à 10 000 pour les adultes plus jeunes.
  • Fuller et al., 2020: Sur 158 études, les wearables comptaient bien les pas et mesuraient bien la fréquence cardiaque en laboratoire, mais aucune marque n’estimait précisément la dépense énergétique.

Autres sources citées : Tudor-Locke et al., 2011

Énergie active et totale

Dans Daytlas : Calories actives · Calories totales

L’énergie estimée dépensée par l’activité (énergie active) et au total, y compris l’énergie que votre corps utilise au repos (énergie totale), en kilocalories.

Comment Daytlas l’affiche

  • Les deux valeurs s’affichent telles que transmises et sont comparées à la moyenne des 30 jours précédents dans Day detail.
  • Trends peut tracer les deux, au jour le jour ou en moyennes hebdomadaires et mensuelles.

Limites

Aucun wearable grand public n’estime précisément la dépense énergétique. Lisez ces valeurs comme des estimations approximatives, surtout utiles pour comparer vos propres journées entre elles.

Recherches

  • Fuller et al., 2020: Sur 158 études, les wearables comptaient bien les pas et mesuraient bien la fréquence cardiaque en laboratoire, mais aucune marque n’estimait précisément la dépense énergétique.
  • O’Driscoll et al., 2020: Sur 60 études, la précision des estimations d’énergie des appareils portés au poignet ou au bras variait selon l’activité, et l’ajout de la fréquence cardiaque aux données de mouvement l’améliorait.
  • Shcherbina et al., 2017: Sept appareils de poignet mesuraient assez bien la fréquence cardiaque en laboratoire, mais aucun n’estimait la dépense énergétique avec une erreur inférieure à 20 %.

Intensité de l’activité et MET

Dans Daytlas : MET moyen · Activité intense · Activité modérée · Activité légère

Le MET, ou équivalent métabolique, exprime l’effort comme un multiple de l’énergie que vous dépensez au repos. Votre bague l’estime tout au long de la journée et répartit votre temps entre activité légère, modérée et intense.

Comment Daytlas l’affiche

  • Dans Day detail, le graphique d’intensité de l’activité affiche sous forme de barres les estimations de MET du jour choisi, jusqu’au moment où les données ont été chargées.
  • Le temps passé à chaque intensité arrive en secondes et s’affiche sous forme de durée, au format choisi dans les réglages.
  • Le MET moyen est la moyenne du jour telle que transmise.

Limites

Les seuils d’intensité sont fixés par l’app de votre bague et ne correspondent pas forcément aux minutes prises en compte dans les recommandations d’activité physique.

Recherches

  • Bull et al., 2020: Recommande aux adultes 150 à 300 minutes d’activité d’intensité modérée ou 75 à 150 minutes d’activité d’intensité soutenue par semaine, et moins de temps sédentaire.
  • Herrmann et al., 2024: Liste le coût énergétique mesuré, en MET, de 1 114 activités chez l’adulte, du repos au sport intense.
  • Migueles et al., 2017: Montre comment des choix comme les règles de non-port, la définition d’un jour valide et les seuils d’intensité modifient les estimations d’activité tirées d’un accéléromètre.

Autres sources citées : Byrne et al., 2005

Temps inactif, temps de repos et temps sans la bague

Dans Daytlas : Temps inactif · Temps de repos · Temps sans la bague

Le temps inactif est le temps d’éveil avec peu de mouvement. Le temps de repos couvre le repos et le sommeil. Le temps sans la bague correspond aux moments où elle n’était pas portée.

Comment Daytlas l’affiche

  • Ces durées sont transmises en secondes et affichées au format choisi dans les réglages.
  • Daytlas ne comble pas le temps sans la bague : quand vous ne la portiez pas, les mesures de cette période manquent, tout simplement.

Limites

De longues périodes sans la bague rendent incomplets les autres chiffres d’activité de la journée. Rester immobile un moment n’équivaut pas à une inactivité globale.

Recherches

  • Tremblay et al., 2017: Établit des définitions communes qui distinguent le comportement sédentaire (position assise ou allongée à faible dépense d’énergie pendant l’éveil) de l’inactivité physique.
  • Patterson et al., 2018: Indépendamment de l’activité physique, plus de temps assis au total allait de pair avec un risque plus élevé, qui augmentait au-delà d’environ 6 à 8 heures par jour pour la mortalité.
  • Choi et al., 2011: A validé une règle permettant de distinguer, dans les données d’accéléromètre, le non-port d’un port immobile, ce qui change le temps compté comme sédentaire.

Température

L’écart entre la température de votre peau la nuit et votre propre normale.

Écart de température et tendance

Dans Daytlas : Écart de température · Tendance de l’écart de température

L’écart entre la température de votre peau pendant le sommeil et votre propre valeur de référence, en degrés Celsius (ou Fahrenheit, si vous le choisissez dans les réglages). La tendance de l’écart est une version lissée qui évolue plus lentement. Les deux proviennent de l’app de votre bague.

Comment Daytlas l’affiche

  • Day detail affiche l’écart du jour choisi et le compare à l’écart moyen des 30 jours précédents.
  • Dans Overview, « Votre corps au fil du temps » trace l’écart quotidien.
  • Trends peut tracer les deux, au jour le jour ou en moyennes hebdomadaires et mensuelles.

Limites

La température de la peau varie avec la température de la pièce, la literie, l’heure et bien d’autres choses. Un écart décrit vos données enregistrées ; ce n’est ni une mesure de fièvre ni un diagnostic.

Recherches

  • Smith et al., 2010: De petits capteurs cutanés sans fil donnaient des mesures valides de la température de la peau par rapport à une référence, même si les appareils différaient jusqu’à environ 1 °C selon la température ambiante et l’exercice.
  • Harding et al., 2019: Passe en revue des données montrant que l’endormissement est étroitement lié au refroidissement du corps et du cerveau.
  • Okamoto-Mizuno & Mizuno, 2012: La température de la pièce, l’humidité et la literie influencent le sommeil ; la chaleur, en particulier, augmente l’éveil et réduit le sommeil profond et paradoxal.

Autres sources citées : Kräuchi, 2007

Respiration et oxygène sanguin

Fréquence respiratoire et saturation en oxygène estimée pendant le sommeil.

Fréquence respiratoire

Votre nombre moyen de respirations par minute pendant la période de sommeil principale, estimé à partir des signaux de votre bague.

Comment Daytlas l’affiche

  • Day detail la compare à la moyenne des 30 jours précédents ; Trends et Tag Lab peuvent l’afficher dans le temps.

Limites

La fréquence respiratoire est estimée indirectement, et non mesurée par un capteur de débit d’air : de petits changements peuvent donc rester dans la marge d’erreur de mesure.

Recherches

  • Douglas et al., 1982: Chez 19 adultes en bonne santé, la respiration devenait plus rapide et plus superficielle pendant le sommeil, et la ventilation baissait le plus pendant le sommeil paradoxal.
  • Nicolò et al., 2020: Soutient que la fréquence respiratoire réagit au stress, à la chaleur, à l’effort et à la fatigue plus facilement que la plupart des autres signes vitaux.
  • Charlton et al., 2018: Passe en revue les algorithmes qui estiment la fréquence respiratoire à partir des signaux cardiaques et de pouls, et la façon dont leur précision devrait être testée.

Oxygène sanguin (SpO2)

Dans Daytlas : Saturation en oxygène moyenne

La saturation en oxygène moyenne estimée de votre sang pendant le sommeil, en pourcentage. Elle n’est disponible que si votre bague et votre compte la fournissent.

Comment Daytlas l’affiche

  • Trends affiche la moyenne de chaque nuit ; Daytlas n’en tire rien d’autre.
  • Si cette donnée n’est pas disponible, le reste de Daytlas fonctionne sans elle.

Limites

L’oxymétrie de pouls est moins précise en cas de mouvement ou de mauvaise circulation, et des études ont montré que les oxymètres peuvent surestimer le taux d’oxygène chez les personnes à la peau plus foncée. Une bague n’est pas un oxymètre médical.

Recherches

  • Jiang et al., 2023: Des montres connectées grand public différaient dans la précision de leur mesure de l’oxygène sanguin par rapport à un oxymètre clinique, et certaines ne donnaient aucune valeur lors d’environ 30 % des tentatives.
  • Sjoding et al., 2020: Chez des patients hospitalisés, les oxymètres de pouls passaient à côté d’un faible taux d’oxygène dans le sang environ trois fois plus souvent chez les patients noirs que chez les patients blancs.
  • Gries & Brooks, 1996: Chez des dormeurs en bonne santé, la saturation en oxygène médiane était d’environ 96,5 %, les valeurs les plus basses étaient en moyenne d’environ 90 %, et les personnes de plus de 60 ans avaient des valeurs légèrement plus basses.

Autres sources citées : Jubran, 2015

Méthodes et statistiques

Les calculs derrière chaque moyenne, comparaison, corrélation et point marquant de Daytlas.

Jours, nuits et données manquantes

Chaque graphique part d’une ligne par jour civil, construite à partir des résumés quotidiens et des périodes de sommeil fournis par l’app de votre bague.

Comment Daytlas l’affiche

  • Les périodes de sommeil appartiennent au jour auquel l’app de votre bague les rattache ; la plus longue porte les mesures de sommeil de ce jour.
  • Les mesures manquantes restent manquantes. Daytlas ne comble jamais un trou par zéro ou par une valeur inventée, et les moyennes n’utilisent que les jours qui ont une mesure.
  • Les lignes s’interrompent là où un jour manque ; une fine ligne pointillée relie les trous à l’intérieur du graphique, pour que vous puissiez suivre la tendance sans la prendre pour des données.
  • Chaque comparaison exige un nombre minimal de mesures, indiqué dans les sections ci-dessous. En dessous de ce minimum, Daytlas omet la comparaison plutôt que de deviner.

Limites

Si des mesures manquent surtout certains jours, par exemple les nuits où vous avez retiré la bague, les moyennes ne décrivent que les jours enregistrés.

Recherches

  • Tackney et al., 2021: Propose d’utiliser le temps de port pour définir les données manquantes d’un wearable, car un appareil qui n’enregistre rien peut signifier soit qu’il n’est pas porté, soit qu’il n’y a pas de mouvement.
  • Cho et al., 2021: Des chercheurs et des experts de la qualité des données ont cité l’exhaustivité, l’exactitude et la plausibilité comme les principaux problèmes de qualité des données des wearables.
  • Sterne et al., 2009: Explique que n’analyser que les cas complets peut biaiser les résultats quand la raison pour laquelle des données manquent est liée aux valeurs elles-mêmes.

Moyennes et périodes

Comment Daytlas regroupe les jours en semaines, mois, trimestres et années.

Comment Daytlas l’affiche

  • Trends affiche les valeurs quotidiennes ou en fait la moyenne par semaine, mois, trimestre ou année. Les semaines commencent le jour défini dans les réglages (le lundi par défaut). Chaque période est la moyenne simple des jours qui ont une mesure ; les heures utilisent une moyenne circulaire.
  • Chaque graphique de Trends trace une ligne de moyenne pointillée pour les valeurs affichées à l’écran.
  • L’en-tête de section de Trends divise les mesures de votre sélection en une moitié plus ancienne et une moitié plus récente, et affiche l’écart entre leurs moyennes. Il ne fait pas de comparaison avec une période précédente.
  • Your Year regroupe les jours en semaines civiles, qui commencent le jour choisi dans les réglages et sont coupées au début et à la fin de l’année, ainsi qu’en mois.

Limites

Faire la moyenne lisse le bruit, mais peut aussi masquer des changements brefs, et fait paraître deux mesures plus fortement liées que ne le sont leurs valeurs quotidiennes.

Recherches

  • Cremers & Klugkist, 2018: Un tutoriel qui montre que les données sur un cercle, comme les angles ou les heures, nécessitent leurs propres méthodes, car 0 et 360 degrés sont le même point.
  • Berens, 2009: Explique pourquoi les angles et les heures de la journée nécessitent des statistiques circulaires, comme la moyenne circulaire, plutôt que des moyennes ordinaires.
  • Robinson, 1950: A montré que les corrélations entre des moyennes de groupes peuvent différer fortement des corrélations entre les valeurs individuelles sous-jacentes.

Valeurs de référence et bandes

Une valeur de référence est votre propre moyenne récente, qui sert de point de comparaison.

Comment Daytlas l’affiche

  • Day detail : chaque mesure est comparée à la moyenne des 30 jours civils précédant le jour choisi, sans compter ce jour-là. La comparaison apparaît dès qu’au moins 5 de ces jours ont une mesure ; sinon, Day detail indique « Historique insuffisant ».
  • Trends, vue quotidienne : la ligne pointillée est la moyenne des 60 jours civils précédents dans la période choisie, sans compter le jour lui-même. La bande ombrée correspond à ±1 écart-type autour de cette moyenne et nécessite au moins 2 mesures antérieures.
  • Dans Overview, les cartes de score comparent le dernier score à la moyenne des 7 jours précédents au maximum.

Limites

Une valeur de référence décrit votre propre passé récent, pas une plage saine ni une cible. Un écart plus petit que votre dispersion habituelle d’un jour à l’autre relève probablement de la variation ordinaire.

Recherches

  • Buchheit, 2014: Recommande de lire un changement de fréquence cardiaque au repos ou de VFC au regard de son erreur habituelle d’un jour à l’autre et du plus petit changement qui compte.
  • Plews et al., 2013: Soutient qu’il vaut mieux suivre la VFC avec des moyennes appropriées sur plusieurs jours qu’avec des valeurs quotidiennes isolées.
  • Hopkins, 2000: Définit l’erreur typique, la dispersion normale des mesures répétées d’une personne, comme l’étalon pour juger si un changement est réel.

Autres sources citées : Plews et al., 2013

Fenêtres de comparaison

Des comparaisons côte à côte de deux périodes de votre propre historique.

Comment Daytlas l’affiche

  • « 30 derniers jours » (Overview) : la moyenne des 30 derniers jours civils, aujourd’hui compris, comparée aux 30 jours précédents et aux mêmes 30 jours un an plus tôt. Chaque comparaison nécessite au moins 15 mesures dans chacune des deux fenêtres. Le jour le plus élevé enregistré est la valeur la plus haute de la fenêtre actuelle.
  • « Ce mois-ci face au précédent » : les 30 derniers jours face aux 30 jours précédents, en variation en pourcentage, pour les mesures qui comptent au moins 15 valeurs dans chaque fenêtre, triées selon l’ampleur du changement.
  • « Votre semaine » : les 7 derniers jours civils face aux 60 jours qui les précèdent ; pour un historique importé, les 7 jours jusqu’à votre dernier relevé. Une mesure est retenue si elle compte au moins 4 valeurs cette semaine et 30 dans la période de référence ; les trois mesures les plus éloignées de leur valeur de référence, en écarts-types, sont affichées.
  • Les couleurs indiquent seulement le sens, à la hausse ou à la baisse, jamais mieux ou moins bien.

Limites

Deux fenêtres peuvent différer simplement parce que l’une contenait des jours inhabituellement hauts ou bas ; la fenêtre suivante revient souvent vers votre moyenne.

Recherches

  • Hopkins, 2000: Définit l’erreur typique, la dispersion normale des mesures répétées d’une personne, comme l’étalon pour juger si un changement est réel.
  • Swinton et al., 2018: Explique comment l’erreur de mesure, l’erreur typique et le plus petit changement utile aident à décider si le changement observé chez une personne est réel.
  • Hopkins et al., 2009: Recommande de juger les effets selon leur ampleur et leur précision, et de montrer les écarts-types, plutôt que de s’en remettre aux seuls tests de significativité.

Autres sources citées : Barnett et al., 2005

Médianes, percentiles et distributions

Des façons de voir votre plage habituelle plutôt qu’une seule moyenne.

Comment Daytlas l’affiche

  • « Vos valeurs habituelles », sur votre profil : la médiane et la moitié centrale (du 25e au 75e percentile) des 90 derniers jours civils, à partir d’au moins 14 jours enregistrés. La piste en arrière-plan va du 5e au 95e percentile, pour qu’un seul jour rare ne puisse pas l’écraser.
  • « Profil par jour de la semaine », dans Overview : la médiane et la moitié centrale pour chaque jour de la semaine sur tout votre historique, en commençant par le premier jour de la semaine choisi dans les réglages, avec le nombre de jours derrière chacun.
  • « Où se situent vos 30 derniers jours ? », dans Overview : chaque jour enregistré est classé dans 12 intervalles de même largeur, avec la part des jours antérieurs et celle des 30 derniers jours dans chacun. Il faut au moins 10 jours enregistrés.
  • Les percentiles utilisent une interpolation linéaire entre valeurs voisines, une définition courante dans les logiciels de statistique.

Limites

Avec peu de jours, médianes et quartiles bougent sensiblement à chaque nouveau jour. Les différences entre jours de la semaine peuvent refléter votre emploi du temps plutôt que le jour lui-même.

Recherches

  • Weissgerber et al., 2015: Beaucoup de distributions différentes peuvent produire le même graphique en barres ou en courbes : montrer toute la distribution aide les lecteurs à juger les données.
  • Wittmann et al., 2006: Décrit le jet lag social : beaucoup de personnes dorment à des heures différentes les jours travaillés et les jours libres, surtout les chronotypes tardifs.
  • Krzywinski & Altman, 2014: Explique comment les boîtes à moustaches montrent la médiane, la moitié centrale des valeurs et leur dispersion, ce qui rend les distributions faciles à comparer.

Autres sources citées : Hyndman & Fan, 1996

Corrélations

Une corrélation décrit à quel point deux mesures montent et baissent ensemble dans vos propres données.

Comment Daytlas l’affiche

  • Daytlas utilise le coefficient de corrélation de Pearson, r, de −1 à +1, sur des paires de valeurs du même jour, ou de la même semaine, du même mois, du même trimestre ou de la même année quand vous calculez des moyennes.
  • Seules comptent les périodes où les deux mesures ont une valeur ; les trous ne sont jamais comblés. Il faut au moins 5 paires, et aucun r n’est affiché quand l’une des mesures ne varie pas.
  • Les heures (coucher, réveil et milieu du sommeil) sont exclues, car elles repartent de zéro à minuit.
  • La formulation suit la valeur de r, sans tenir compte de son signe : sous 0,2 « Pas de tendance linéaire claire », sous 0,4 faible, sous 0,7 modérée, et 0,7 ou plus forte. Le nombre de paires est indiqué avec le résultat.

Limites

Une corrélation n’est pas un lien de cause à effet, et Daytlas ne fait pas de tests de significativité. Avec quelques dizaines de paires, r peut beaucoup varier, et une matrice de nombreuses paires affichera par hasard quelques valeurs qui paraissent fortes. Les valeurs quotidiennes dépendent des jours précédents, ce qui peut faire paraître deux mesures plus liées qu’elles ne le sont ; c’est aussi le cas des moyennes et des scores construits à partir des mêmes données.

Recherches

  • Schober et al., 2018: Un tutoriel qui explique quand utiliser le r de Pearson, ce que signifie son échelle de −1 à +1 et comment interpréter sa force.
  • Dean & Dunsmuir, 2016: Montre que corréler deux séries temporelles dont les valeurs dépendent de leur propre passé peut suggérer des relations qui n’existent pas.
  • Schönbrodt & Perugini, 2013: Des simulations ont montré que les corrélations calculées sur de petits échantillons varient fortement ; dans les cas typiques, des estimations stables demandent environ 250 observations.

Autres sources citées : Benjamini & Hochberg, 1995

Changements de votre niveau de référence

Les dates autour desquelles le niveau d’une mesure semble avoir changé, puis être resté différent pendant un certain temps.

Comment Daytlas l’affiche

  • Pour la FC au repos moyenne, la VFC, le Sleep Score et le sommeil total, Daytlas parcourt votre historique par pas d’au moins 7 jours et compare la moyenne des 30 jours avant une date à celle des 30 jours à partir de cette date.
  • Un changement est signalé quand les deux moyennes diffèrent de plus d’un écart-type calculé sur tout l’historique de la mesure, que les deux fenêtres comptent au moins 24 valeurs et que la mesure en compte au moins 60 au total.
  • Les changements d’une même mesure sont espacés d’au moins 30 jours ; la carte affiche les quatre plus récents.

Limites

Ce sont des candidats descriptifs, pas des points de rupture testés statistiquement, et ils ne disent rien de la raison d’un changement.

Recherches

  • Truong et al., 2020: Passe en revue les méthodes pour trouver les points où une série temporelle change, chacune fondée sur une fonction de coût, une méthode de recherche et une limite du nombre de changements.
  • Aminikhanghahi & Cook, 2017: Passe en revue et compare des méthodes de détection des changements brusques dans les séries temporelles, des algorithmes supervisés aux non supervisés.
  • Barnett et al., 2005: Explique pourquoi des valeurs inhabituellement hautes ou basses sont souvent suivies de valeurs plus proches de la moyenne, ce qui peut ressembler à un vrai changement.

Comparaisons dans Tag Lab

En quoi vos mesures enregistrées diffèrent les jours qui suivent une habitude que vous avez marquée d’un tag dans l’app de votre bague.

Comment Daytlas l’affiche

  • Un tag couvre chaque jour entre sa date de début et sa date de fin, et les tags de même nom sont regroupés.
  • Pour chaque mesure, Daytlas compare la moyenne des jours qui suivent un jour tagué à la moyenne de tous les autres jours enregistrés.
  • Chaque groupe doit compter au moins 5 jours avec une mesure, et le nombre de jours de chaque groupe est affiché.
  • Les mesures comparées sont la VFC moyenne, la FC au repos moyenne, le Sleep Score, le Readiness Score, le sommeil total, le sommeil profond et la fréquence respiratoire, triées selon l’ampleur de l’écart par rapport à la moyenne de comparaison.

Limites

Ce sont des moyennes non ajustées. Un jour sans tag ne prouve pas que l’habitude était absente, d’autres habitudes et emplois du temps peuvent expliquer un écart, et quelques jours inhabituels peuvent faire bouger un petit groupe. Avec sept mesures comparées à la fois, l’une d’elles peut différer par hasard. Voyez un écart comme une question, pas comme un résultat.

Recherches

  • Shaffer et al., 2018: A passé en revue 54 essais publiés portant sur une seule personne, constaté que beaucoup manquaient des détails nécessaires pour juger leurs résultats, et appelé à plus de rigueur.
  • Daza, 2018: Précise quand une association dans les données d’auto-suivi d’une personne pourrait être lue comme un effet, en tenant compte des tendances, des effets de report et de l’autocorrélation.
  • Barnett et al., 2005: Explique pourquoi des valeurs inhabituellement hautes ou basses sont souvent suivies de valeurs plus proches de la moyenne, ce qui peut ressembler à un vrai changement.

Autres sources citées : Bender & Lange, 2001

Étapes, séries et records

Les séries de scores élevés et vos valeurs enregistrées les plus hautes et les plus basses.

Comment Daytlas l’affiche

  • Une série compte les jours civils consécutifs avec un Sleep Score ou un Readiness Score de 85 ou plus. Un jour manquant interrompt la série, et la série en cours ne compte que si le dernier score date d’aujourd’hui ou d’hier.
  • La plus longue série est la plus longue de ce type dans votre historique ; la VFC la plus élevée enregistrée est votre moyenne nocturne la plus haute.
  • Your Year indique le jour le plus haut et le plus bas et, parmi les mois qui comptent au moins 7 jours enregistrés, le mois le plus haut et le plus bas.

Limites

Les records sont par définition des extrêmes, et les valeurs qui suivent un record reviennent généralement vers votre moyenne. Plus haut et plus bas décrivent des valeurs, pas votre santé.

Recherches

  • Gilovich et al., 1985: Les statistiques de tirs ne confirmaient pas la croyance des joueurs et des fans en des séries de réussite, ce qui suggère que l’on voit des séries dans des suites en grande partie aléatoires.
  • Barnett et al., 2005: Explique pourquoi des valeurs inhabituellement hautes ou basses sont souvent suivies de valeurs plus proches de la moyenne, ce qui peut ressembler à un vrai changement.
  • Morton & Torgerson, 2003: Montre comment la régression vers la moyenne peut faire passer un changement pour l’effet d’une action alors qu’il relève en partie du hasard.

Your Year et vos mois

Des vues sur l’année entière qui montrent les saisons et la variabilité plutôt que des jours isolés.

Comment Daytlas l’affiche

  • Les trois anneaux montrent les moyennes hebdomadaires (les semaines commencent le jour choisi dans les réglages et sont coupées aux limites de l’année) du Sleep Score, du Readiness Score et de l’Activity Score. Plus la couleur est foncée, plus la valeur est élevée pour cette mesure et cette année ; le gris signifie aucune mesure.
  • Le calendrier colore chaque jour sur une échelle de 7 niveaux, de la valeur la plus basse à la plus haute de l’année pour la mesure choisie.
  • « Vos mois » montre les 12 mois qui se terminent par votre dernier relevé : le sommeil principal moyen par mois, son écart-type et le nombre de jours manquants. Les mois au sommeil le plus long et le plus régulier sont choisis parmi les mois d’au moins 7 nuits, dès qu’au moins deux mois remplissent cette condition.

Limites

Les échelles de couleur sont relatives à votre propre année : une même couleur peut donc correspondre à des valeurs différentes selon l’année ou la mesure.

Recherches

  • Bei et al., 2016: Soutient que la variabilité d’une nuit à l’autre est une dimension du sommeil à part entière, au-delà de la moyenne, et passe en revue 53 études sur ce à quoi elle est liée.
  • Lemola et al., 2013: Chez 441 adultes suivis pendant une semaine, la variabilité de la durée du sommeil d’une nuit à l’autre, plus que sa moyenne, allait de pair avec une moins bonne qualité de sommeil et un moindre bien-être.
  • Crameri et al., 2020: Montre comment des palettes de couleurs irrégulières ou rouge-vert déforment les données, et recommande des échelles perceptuellement uniformes qui fonctionnent aussi en cas de déficience de la vision des couleurs.

Références

Comment nous choisissons les sources

  • Uniquement des travaux évalués par des pairs. Les déclarations de consensus, méta-analyses et revues systématiques récentes passent en premier, car elles mettent en balance de nombreuses études à la fois.
  • Pour la précision, des études de validation qui comparent des wearables grand public à des références de laboratoire, de préférence menées par des laboratoires indépendants ou portant sur plusieurs appareils. Jamais le marketing d’un fabricant.
  • Pour les calculs, des articles méthodologiques sur ce que Daytlas fait réellement : valeurs de référence et erreur typique, calcul des moyennes, statistiques circulaires pour les heures, corrélations sur de petits échantillons et avec de nombreuses comparaisons, et variabilité d’une nuit à l’autre.
  • Chaque DOI est vérifié auprès de la fiche de l’éditeur : le lien fonctionne, et le titre, le premier auteur et l’année correspondent. Tout ce que nous ne pouvons pas vérifier est écarté.
  • Les résumés d’une ligne sont les nôtres, en langage simple. Les études décrivent des groupes de personnes, pas vous ; lisez les articles (en anglais) pour avoir une vue complète.

99 sources, vérifiées pour la dernière fois le 8 octobre 2026. Chaque section ci-dessus en affiche jusqu’à 3 ; toutes sont listées ici par thème.

Sommeil

  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

    Déclaration de consensus · Source citée dans Sommeil 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

    Déclaration de consensus · Source citée dans Sommeil 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

    Étude de validation · Source citée dans Sommeil total, Sommeil profond, léger, paradoxal (REM) et temps d’éveil

  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

    Déclaration de consensus · Source citée dans Temps au lit et efficacité du sommeil, Temps d’endormissement

  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

    Article méthodologique · Source citée dans Temps au lit et efficacité du sommeil

  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

    Méta-analyse · Source citée dans Temps d’endormissement

  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

    Étude de validation · Source citée dans Sommeil profond, léger, paradoxal (REM) et temps d’éveil

  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

    Revue de la littérature · Source citée dans 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

    Prise de position · Source citée dans 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

    Déclaration de consensus · Source citée dans Heure du coucher, heure du réveil et milieu du sommeil

  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

    Étude observationnelle · Source citée dans Heure du coucher, heure du réveil et milieu du sommeil

  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

    Étude observationnelle · Source citée dans Régularité du sommeil

  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

    Article méthodologique · Source citée dans Régularité du sommeil

  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

    Étude de cohorte · Source citée dans Régularité du sommeil

  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

    Revue systématique · Source citée dans Your Year et vos mois

  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

    Étude observationnelle · Source citée dans Médianes, percentiles et distributions

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

    Revue de la littérature · Source citée dans 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

    Revue de la littérature · Source citée dans 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

    Revue de la littérature · Source citée dans Sommeil 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

    Revue de la littérature · Source citée dans Temps au lit et efficacité du sommeil

  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

    Étude de validation · Source citée dans Temps au lit et efficacité du sommeil, Sommeil profond, léger, paradoxal (REM) et temps d’éveil

  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

    Méta-analyse · Source citée dans Temps d’endormissement, Sommeil profond, léger, paradoxal (REM) et temps d’éveil

  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

    Étude observationnelle · Source citée dans Heure du coucher, heure du réveil et milieu du sommeil

  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

    Revue systématique · Source citée dans Régularité du sommeil

  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

    Étude observationnelle · Source citée dans Your Year et vos mois

Readiness et récupération

  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

    Revue de la littérature · Source citée dans Readiness Score, Valeurs de référence et bandes

  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

    Méta-analyse · Source citée dans 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

    Déclaration de consensus · Source citée dans 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

    Méta-analyse · Source citée dans Readiness Score

Variabilité de la fréquence cardiaque (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

    Rapport de normalisation · Source citée dans VFC moyenne

  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

    Revue de la littérature · Source citée dans VFC moyenne

  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

    Étude de validation · Source citée dans VFC moyenne

  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

    Revue de la littérature · Source citée dans Lire la VFC dans le temps

  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

    Étude observationnelle · Source citée dans Lire la VFC dans le temps

  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

    Étude observationnelle · Source citée dans Lire la VFC dans le temps

  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

    Méta-analyse · Source citée dans VFC moyenne

  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

    Étude observationnelle · Source citée dans Lire la VFC dans le temps

Cœur

  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

    Étude de cohorte · Source citée dans Fréquence cardiaque au repos

  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

    Étude de validation · Source citée dans Fréquence cardiaque au repos

  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

    Méta-analyse · Source citée dans Fréquence cardiaque au repos

  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

    Étude de validation · Source citée dans Fréquence cardiaque pendant la journée

  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

    Revue de la littérature · Source citée dans Âge cardiovasculaire

  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

    Étude observationnelle · Source citée dans Âge cardiovasculaire

  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

    Étude observationnelle · Source citée dans Fréquence cardiaque au repos

  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

    Méta-analyse · Source citée dans Fréquence cardiaque pendant la journée

  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

    Étude de validation · Source citée dans Fréquence cardiaque pendant la journée, Énergie active et totale

  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

    Déclaration de consensus · Source citée dans Âge cardiovasculaire

  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

    Revue de la littérature · Source citée dans Âge cardiovasculaire

Activité

  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

    Revue systématique · Source citée dans Fréquence cardiaque pendant la journée, Pas et équivalent marche, Énergie active et totale

  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

    Lignes directrices · Source citée dans Activity Score, Intensité de l’activité et 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

    Méta-analyse · Source citée dans Pas et équivalent marche

  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

    Revue de la littérature · Source citée dans Pas et équivalent marche

  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

    Méta-analyse · Source citée dans Énergie active et totale

  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

    Revue systématique · Source citée dans Intensité de l’activité et 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

    Déclaration de consensus · Source citée dans Temps inactif, temps de repos et temps sans la bague

  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

    Méta-analyse · Source citée dans 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

    Méta-analyse · Source citée dans Pas et équivalent marche

  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

    Étude observationnelle · Source citée dans Intensité de l’activité et 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

    Revue systématique · Source citée dans Intensité de l’activité et 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

    Méta-analyse · Source citée dans Temps inactif, temps de repos et temps sans la bague

  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

    Étude de validation · Source citée dans Temps inactif, temps de repos et temps sans la bague

Température

  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

    Revue de la littérature · Source citée dans Écart de température et tendance

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

    Revue de la littérature · Source citée dans Écart de température et tendance

  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

    Revue de la littérature · Source citée dans Écart de température et tendance

  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

    Étude de validation · Source citée dans Écart de température et tendance

Respiration et oxygène sanguin

  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

    Revue de la littérature · Source citée dans Fréquence respiratoire

  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

    Revue de la littérature · Source citée dans Fréquence respiratoire

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

    Revue de la littérature · Source citée dans Oxygène sanguin (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

    Étude observationnelle · Source citée dans Oxygène sanguin (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

    Étude observationnelle · Source citée dans Fréquence respiratoire

  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

    Étude de validation · Source citée dans Oxygène sanguin (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

    Étude observationnelle · Source citée dans Oxygène sanguin (SpO2)

Méthodes et statistiques

  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

    Article méthodologique · Source citée dans Heure du coucher, heure du réveil et milieu du sommeil, Moyennes et périodes

  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

    Article méthodologique · Source citée dans Jours, nuits et données manquantes

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

    Article méthodologique · Source citée dans Moyennes et périodes

  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

    Revue de la littérature · Source citée dans Valeurs de référence et bandes

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

    Revue de la littérature · Source citée dans Valeurs de référence et bandes, Fenêtres de comparaison

  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

    Article méthodologique · Source citée dans Fenêtres de comparaison, Changements de votre niveau de référence, Comparaisons dans Tag Lab, Étapes, séries et records

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

    Article méthodologique · Source citée dans Médianes, percentiles et distributions

  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

    Revue de la littérature · Source citée dans Corrélations

  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

    Article méthodologique · Source citée dans Corrélations

  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

    Revue de la littérature · Source citée dans Changements de votre niveau de référence

  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

    Article méthodologique · Source citée dans Comparaisons dans 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

    Article méthodologique · Source citée dans Jours, nuits et données manquantes

  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

    Article méthodologique · Source citée dans Jours, nuits et données manquantes

  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

    Article méthodologique · Source citée dans Moyennes et périodes

  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

    Article méthodologique · Source citée dans Valeurs de référence et bandes

  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

    Article méthodologique · Source citée dans Fenêtres de comparaison

  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

    Article méthodologique · Source citée dans Fenêtres de comparaison

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

    Article méthodologique · Source citée dans Médianes, percentiles et distributions

  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

    Revue systématique · Source citée dans Médianes, percentiles et distributions

  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

    Article méthodologique · Source citée dans Corrélations

  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

    Article méthodologique · Source citée dans Corrélations

  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

    Revue de la littérature · Source citée dans Changements de votre niveau de référence

  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

    Article méthodologique · Source citée dans Comparaisons dans 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

    Revue systématique · Source citée dans Comparaisons dans 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

    Article méthodologique · Source citée dans Étapes, séries et records

  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

    Étude observationnelle · Source citée dans Étapes, séries et records

  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

    Article méthodologique · Source citée dans Your Year et vos mois

Vous avez repéré une erreur ou connaissez une meilleure source ? Écrivez à hadjkb@gmail.com.