Come Daytlas legge i tuoi dati.

Cosa significa ogni numero in Daytlas, come viene mediato e confrontato, dove mostra i suoi limiti e su quali ricerche si basa.

Di Jakub Had, creatore di Daytlas. Non è un professionista sanitario: le informazioni sulla salute riportate qui provengono dalle fonti elencate più sotto. Aggiornato il 8 ottobre 2026. Fonti verificate il 8 ottobre 2026.

Sonno

Quanto a lungo, con quale efficienza e quando hai dormito, in base al periodo di sonno principale di ogni giorno.

Sleep Score

Un punteggio da 0 a 100 per la notte, dato dall’app del tuo anello e basato su fattori come sonno totale, efficienza, orari e fasi del sonno. Daytlas lo mostra così come arriva e non lo ricalcola mai.

Come lo mostra Daytlas

  • Day mostra il punteggio del giorno selezionato e la differenza rispetto alla media dei 30 giorni di calendario precedenti, se almeno 5 di quei giorni hanno un punteggio.
  • Day elenca anche i fattori riportati dall’app del tuo anello, ciascuno sulla propria scala da 0 a 100.
  • I valori sono colorati secondo le fasce che l’app del tuo anello usa per i suoi punteggi: sotto 60 «Presta attenzione», 60–69 «Discreto», 70–84 «Buono» e 85 o più «Ottimale». Un colore descrive il numero, non la tua salute.
  • Overview confronta il punteggio più recente con la media dei giorni precedenti, fino a un massimo di 7.

Limiti

La formula appartiene all’app del tuo anello e può cambiare con i suoi aggiornamenti, quindi i punteggi più vecchi e quelli più recenti non sono sempre del tutto confrontabili. Un punteggio del sonno di un dispositivo di consumo non può diagnosticare un disturbo del sonno.

Ricerca

  • Khosla et al., 2018: La tecnologia del sonno di consumo può favorire una conversazione con un medico, ma non è validata né autorizzata per diagnosticare o trattare i disturbi del sonno.
  • de Zambotti et al., 2024: Una revisione della Sleep Research Society ha rilevato che i dispositivi indossabili di consumo oggi superano l’attigrafia tradizionale per il sonno, con limiti chiari come la veglia classificata in modo errato, i pisolini e gli artefatti.
  • de Zambotti et al., 2019: Esamina come vengono validati i tracker del sonno di consumo e avverte che algoritmi proprietari e aggiornamenti del firmware possono cambiarne i numeri.

Altre fonti citate: Buysse, 2014

Sonno totale

Il tempo in cui hai dormito durante il periodo di sonno principale della giornata, senza contare il tempo di veglia a letto.

Come lo mostra Daytlas

  • Quando un giorno ha più di un periodo di sonno, il più lungo (il sonno principale) fornisce le metriche del sonno di quel giorno. Pisolini e periodi di riposo non si sommano; in Day puoi comunque aprire un periodo di sonno aggiuntivo.
  • Le durate arrivano in secondi e vengono scritte in ore e minuti o in ore decimali, come scegli nelle Impostazioni.
  • I riepiloghi mensili del sonno contano solo le notti più lunghe di 0 ore e fino a 24 ore.

Limiti

I dispositivi indossabili distinguono bene il sonno dalla veglia, ma sono meno precisi di un laboratorio del sonno, soprattutto nelle notti agitate. Il fabbisogno di sonno varia da persona a persona; Daytlas mostra i tuoi numeri senza giudicarli rispetto a un obiettivo.

Ricerca

  • Watson et al., 2015: Un gruppo congiunto di due società scientifiche del sonno raccomanda agli adulti di dormire regolarmente 7 ore o più per notte.
  • Hirshkowitz et al., 2015: Un gruppo di esperti ha ritenuto adeguate 7–9 ore per gli adulti e 7–8 ore per gli anziani, osservando che il fabbisogno varia da persona a persona.
  • Chinoy et al., 2021: Rispetto alle registrazioni del sonno in laboratorio, la maggior parte dei tracker di consumo rilevava bene il sonno, era meno precisa nel rilevare la veglia, forniva fasi del sonno incoerenti e funzionava peggio nelle notti disturbate.

Altre fonti citate: Chaput et al., 2018

Tempo a letto ed efficienza del sonno

In Daytlas: Tempo a letto · Efficienza del sonno

Il tempo a letto è la durata del periodo di sonno principale, da quando vai a letto a quando ti alzi. L’efficienza del sonno è la quota di quel tempo trascorsa dormendo, in percentuale.

Come lo mostra Daytlas

  • Entrambi provengono dal periodo di sonno principale, così come li riporta l’app del tuo anello; Daytlas non ricalcola l’efficienza.
  • Day confronta la notte con la media dei 30 giorni precedenti; Trends può farne la media per settimana, mese, trimestre o anno.

Limiti

L’efficienza dipende da cosa si conta come tempo a letto. Leggere a letto o restare a letto senza dormire al mattino la abbassa anche quando il sonno in sé non è cambiato.

Ricerca

  • Ohayon et al., 2017: Gli esperti hanno concordato che il tempo per addormentarsi, i risvegli, il tempo di veglia dopo l’addormentamento e l’efficienza del sonno sono indicatori ragionevoli della qualità del sonno, ma hanno trovato poco accordo sulle fasi del sonno.
  • Lee et al., 2023: Undici tracker del sonno di consumo variavano molto nell’accuratezza delle fasi del sonno rispetto alle registrazioni di laboratorio, e i dispositivi indossabili mostravano una distorsione sistematica nell’efficienza del sonno.
  • Ancoli-Israel et al., 2015: Una guida di una società scientifica sul monitoraggio del sonno basato sul movimento: cosa stima bene, come orari e durata, e dove è in difficoltà, come quando si resta svegli a letto senza muoversi.

Altre fonti citate: Reed & Sacco, 2016

Tempo per addormentarsi

In Daytlas: Latenza del sonno

Quanto tempo ci hai messo ad addormentarti dopo l’inizio del periodo di sonno.

Come lo mostra Daytlas

  • Riportato in secondi e mostrato in minuti interi.
  • Day lo confronta con la media dei 30 giorni precedenti e mostra la direzione di un cambiamento senza definirlo buono o cattivo.

Limiti

È una stima: senza un laboratorio del sonno è difficile stabilire il momento esatto in cui ci si addormenta. Anche i valori tipici cambiano con l’età.

Ricerca

  • Ohayon et al., 2017: Gli esperti hanno concordato che il tempo per addormentarsi, i risvegli, il tempo di veglia dopo l’addormentamento e l’efficienza del sonno sono indicatori ragionevoli della qualità del sonno, ma hanno trovato poco accordo sulle fasi del sonno.
  • Boulos et al., 2019: In 169 studi su adulti sani, ogni decennio di età ha portato circa 10 minuti di sonno in meno e un’efficienza più bassa, mentre le quote di sonno profondo e REM sono cambiate appena.
  • Ohayon et al., 2004: In 65 studi su persone sane, negli adulti il sonno totale, l’efficienza del sonno e la quota di sonno profondo e REM diminuivano con l’età, mentre il tempo per addormentarsi e il tempo di veglia aumentavano.

Sonno profondo, leggero, REM e veglia

In Daytlas: Sonno profondo · Sonno leggero · Sonno REM · Tempo di veglia

Il tuo anello stima in quale fase del sonno ti trovavi nel corso della notte. Daytlas mostra il tempo in ogni fase e, in Day, la timeline delle fasi.

Come lo mostra Daytlas

  • La timeline usa stime a intervalli di 30 secondi quando i tuoi dati le includono, altrimenti stime a intervalli di 5 minuti, dall’ora in cui vai a letto al risveglio.
  • I totali per fase provengono dal periodo di sonno principale e sono mostrati in ore.
  • Trends ti permette di rappresentare ogni fase in un grafico e di sovrapporre fino a tre altre metriche.

Limiti

Le stime delle fasi di qualsiasi dispositivo indossabile concordano con un laboratorio del sonno molto meno della distinzione tra sonno e veglia. Leggi il tempo nelle fasi come una tendenza approssimativa su più settimane, non come un numero esatto per una singola notte.

Ricerca

  • Boulos et al., 2019: In 169 studi su adulti sani, ogni decennio di età ha portato circa 10 minuti di sonno in meno e un’efficienza più bassa, mentre le quote di sonno profondo e REM sono cambiate appena.
  • Lee et al., 2023: Undici tracker del sonno di consumo variavano molto nell’accuratezza delle fasi del sonno rispetto alle registrazioni di laboratorio, e i dispositivi indossabili mostravano una distorsione sistematica nell’efficienza del sonno.
  • Miller et al., 2022: Sei dispositivi indossabili, tra cui un anello, concordavano bene con le registrazioni di laboratorio sulla distinzione tra sonno e veglia, ma indicavano la fase esatta del sonno solo per circa il 50–65% della notte.

Altre fonti citate: Chinoy et al., 2021

Ora di andare a letto, ora del risveglio e punto medio

In Daytlas: Ora di andare a letto · Ora del risveglio · Punto medio del sonno

Quando è iniziato e quando è finito il tuo periodo di sonno principale, e l’orario a metà tra i due.

Come lo mostra Daytlas

  • Gli orari usano l’ora locale registrata con i tuoi dati, quindi una notte in un altro fuso orario mantiene il proprio orario.
  • Gli orari di andata a letto dopo mezzanotte proseguono oltre le 24:00 (01:30 diventa 25:30), così orari tardi e orari più presto restano vicini nei grafici.
  • Le medie settimanali e mensili degli orari usano una media circolare, quindi la media tra 23:00 e 01:00 è mezzanotte e non mezzogiorno.
  • Your Year disegna ogni notte come una barra dall’ora in cui vai a letto al risveglio; anche la sua ora media di andata a letto e di risveglio usa la stessa media circolare.
  • Le correlazioni escludono gli orari, perché il salto a mezzanotte impedisce un confronto lineare.

Limiti

L’ora di andare a letto è l’inizio del periodo di sonno rilevato dal tuo anello, che potrebbe non coincidere con il momento in cui intendevi addormentarti.

Ricerca

  • Sletten et al., 2023: Un gruppo di esperti ha concordato che orari regolari per andare a dormire e per svegliarsi sono importanti per la salute, la sicurezza e le prestazioni.
  • Fischer et al., 2017: In circa 54.000 diari sull’uso del tempo, il punto medio del sonno nel fine settimana era più tardo intorno ai 19 anni e si anticipava con l’età, con differenze tra i sessi che si invertivano intorno ai 40.
  • Roenneberg et al., 2003: Ha rilevato gli orari del sonno separatamente nei giorni lavorativi e in quelli liberi, trovando grandi differenze tra le persone e tra i due tipi di giorno, con l’esposizione alla luce che spostava gli orari del sonno.

Altre fonti citate: Berens, 2009

Regolarità del sonno

Quanto sono costanti gli orari e la durata del tuo sonno da una notte all’altra. Daytlas non la riduce a un unico punteggio, ma ti offre delle viste per osservarla.

Come lo mostra Daytlas

  • La vista del ritmo del sonno in Your Year disegna ogni notte come una barra dall’ora in cui vai a letto al risveglio, con spazi vuoti dove mancano notti.
  • La vista per giorno della settimana in Overview mostra l’orario mediano di andata a letto, o un’altra metrica, per ogni giorno della settimana, con la metà centrale dei valori intorno.
  • I tuoi mesi, nella pagina Year, mostrano la media e la deviazione standard del sonno principale per ogni mese e indicano il mese più stabile (la deviazione standard più bassa) quando almeno due mesi hanno 7 o più notti.

Limiti

Le misure di regolarità hanno bisogno di più di una settimana di dati per stabilizzarsi. Queste viste descrivono i tuoi orari; non li valutano.

Ricerca

  • Chaput et al., 2020: Orari del sonno più tardivi e una maggiore variabilità da una notte all’altra erano in generale associati a esiti di salute peggiori, anche se la qualità delle prove andava da molto bassa a moderata.
  • Windred et al., 2024: In circa 61.000 partecipanti della UK Biobank, orari del sonno più regolari erano associati a un rischio di mortalità più basso e ne erano un predittore più forte della durata del sonno.
  • Phillips et al., 2017: In 61 studenti seguiti per 30 giorni, chi dormiva con orari irregolari aveva un orologio biologico più tardivo e voti più bassi; lo studio ha introdotto lo Sleep Regularity Index.

Altre fonti citate: Fischer et al., 2021

Readiness e recupero

Il punteggio giornaliero di recupero calcolato dall’app del tuo anello.

Readiness Score

Un punteggio da 0 a 100 dell’app del tuo anello che combina segnali come frequenza cardiaca a riposo, HRV, temperatura corporea, sonno recente e attività. Daytlas lo mostra così come arriva e non lo ricalcola mai.

Come lo mostra Daytlas

  • Day mostra il punteggio, i suoi fattori (ciascuno da 0 a 100) e la differenza rispetto alla media dei 30 giorni precedenti, se almeno 5 di quei giorni hanno un punteggio.
  • I valori sono colorati secondo le fasce che l’app del tuo anello usa per i suoi punteggi: sotto 60 «Presta attenzione», 60–69 «Discreto», 70–84 «Buono» e 85 o più «Ottimale». Un colore descrive il numero, non la tua salute.
  • Overview calcola la media del punteggio negli ultimi 30 giorni e la confronta con i 30 giorni precedenti e con gli stessi 30 giorni di un anno prima.

Limiti

Poiché il punteggio è costruito a partire da altre misurazioni, è correlato con esse per definizione: un legame forte tra Readiness Score e HRV in Trends riflette in parte il modo in cui il punteggio è costruito. Le misure di recupero basate sulla frequenza cardiaca non riescono a distinguere tutti i tipi di affaticamento.

Ricerca

  • Kellmann et al., 2018: Gli esperti hanno concordato che bilanciare carico e recupero richiede un monitoraggio regolare, perché le risposte all’allenamento e al recupero variano nella stessa persona e tra persone diverse.
  • Düking et al., 2021: In 8 studi, l’allenamento guidato dalla HRV misurata con dispositivi indossabili ha avuto un effetto medio sulla fisiologia submassimale, ma solo un effetto piccolo e non significativo sulla prestazione.
  • Bellenger et al., 2016: Negli atleti di resistenza, la HRV a riposo aumentava leggermente quando l’allenamento andava bene e cambiava appena in caso di sovraccarico, quindi le sole misure basate sulla frequenza cardiaca non riescono a distinguere tutti i tipi di affaticamento.

Altre fonti citate: Buchheit, 2014

Variabilità della frequenza cardiaca (HRV)

La variazione da un battito all’altro della tua frequenza cardiaca durante il sonno, e come leggerla nel tempo.

HRV media

La variabilità della frequenza cardiaca è la variazione del tempo tra un battito e l’altro. Il tuo anello riporta la media della notte in millisecondi, basata su RMSSD, una misura standard della variazione da un battito all’altro.

Come lo mostra Daytlas

  • Daytlas usa la HRV media del periodo di sonno principale di ogni giorno.
  • Day mostra la curva notturna della HRV con una linea di riferimento alla media dei 30 giorni precedenti e confronta con essa la media della notte.
  • Overview mostra la media degli ultimi 30 giorni, la sua variazione rispetto ai 30 giorni precedenti e allo stesso periodo di un anno prima, e il giorno con il valore più alto registrato.
  • Trends mostra i valori giornalieri con una linea tratteggiata per la media dei 60 giorni precedenti e una fascia ombreggiata di ±1 deviazione standard.

Limiti

La HRV dipende molto dalle condizioni di misurazione, e una sola notte dice poco. La fascia è la tua dispersione personale, non un intervallo clinico.

Ricerca

  • Task Force, 1996: Ha stabilito le definizioni standard delle misure di variabilità della frequenza cardiaca, tra cui RMSSD, e ha descritto come le condizioni di registrazione le influenzano.
  • Dobbs et al., 2019: In 23 studi, la HRV misurata con dispositivi portatili differiva dall’ECG di una quantità piccola ma variabile, che gli autori hanno giudicato accettabile per l’uso fuori dal laboratorio.
  • Cao et al., 2022: In 35 adulti sani che dormivano a casa, la frequenza cardiaca notturna e l’RMSSD misurati da un anello concordavano strettamente con un ECG toracico, mentre alcune altre misure della HRV erano meno accurate.

Altre fonti citate: Laborde et al., 2017

Leggere la HRV nel tempo

La HRV varia molto da persona a persona e cambia con l’età, quindi il confronto utile è quello con la tua cronologia.

Come lo mostra Daytlas

  • Daytlas non confronta mai la tua HRV con valori normativi della popolazione; ogni confronto nell’app è con i tuoi giorni precedenti.
  • Le medie settimanali in Trends attenuano il rumore da una notte all’altra prima che tu dia troppo peso a un cambiamento.
  • I cambiamenti del tuo valore di riferimento, in Overview, indicano le date in cui la tua media dei 30 giorni prima e quella dei 30 giorni dopo differiscono più della tua dispersione abituale.

Limiti

Molti fattori influenzano la HRV contemporaneamente, come allenamento, alcol, malattia e stress, quindi un cambiamento è un motivo per guardare il contesto, non una spiegazione.

Ricerca

  • Altini & Plews, 2021: In 28.175 persone, la HRV era più bassa con l’età e la HRV quotidiana reagiva a fattori di stress come allenamenti intensi, alcol e malattie: sensibile, ma non specifica.
  • Natarajan et al., 2020: In 8 milioni di utenti di dispositivi indossabili, la HRV diminuiva con l’età e variava molto nel corso della giornata, mentre l’RMSSD non differiva in modo rilevante tra uomini e donne.
  • Umetani et al., 1998: In 260 persone sane tra i 10 e i 99 anni, la HRV diminuiva con l’età; l’RMSSD diminuiva più rapidamente e si stabilizzava a partire dalla sesta decade circa.

Altre fonti citate: Shaffer & Ginsberg, 2017

Cuore

Frequenza cardiaca a riposo di notte, frequenza cardiaca durante il giorno e la stima dell’età cardiovascolare.

Frequenza cardiaca a riposo

In Daytlas: FC a riposo media · FC a riposo minima

La tua frequenza cardiaca durante il periodo di sonno principale. La frequenza cardiaca a riposo media è la media sull’intero periodo; quella minima è il valore più basso registrato dal tuo anello in quel periodo.

Come lo mostra Daytlas

  • Day mostra la curva notturna della frequenza cardiaca con una linea di riferimento alla media dei 30 giorni precedenti e confronta entrambi i valori con le rispettive medie di 30 giorni.
  • La sezione «Il tuo corpo nel tempo» di Overview e il suo grafico delle relazioni usano la frequenza cardiaca a riposo minima.
  • Trends e Tag Lab possono mostrarle entrambe.

Limiti

Ogni persona ha la propria frequenza cardiaca a riposo normale, che cambia con la stagione, il sonno e molto altro. Gli studi sulla popolazione collegano in media la frequenza cardiaca a riposo alla salute a lungo termine; Daytlas non applica questi risultati a te.

Ricerca

  • Zhang et al., 2016: Riunendo 46 studi di coorte, una frequenza cardiaca a riposo più alta era associata in media a una mortalità più alta; questo descrive popolazioni, non una singola persona.
  • Stone et al., 2021: Rispetto a un ECG a più derivazioni, sette tecnologie di consumo misuravano con precisione la frequenza cardiaca a riposo, mentre la loro accuratezza sull’RMSSD variava molto.
  • Quer et al., 2020: In 92.457 utenti di dispositivi indossabili, la frequenza cardiaca a riposo di ciascuno era abbastanza stabile nel tempo, ma ciò che era normale variava da persona a persona fino a 70 bpm, con un lieve andamento stagionale.

Altre fonti citate: Speed et al., 2023

Frequenza cardiaca durante il giorno

I campioni di frequenza cardiaca che il tuo anello registra durante la giornata, al di fuori del sonno.

Come lo mostra Daytlas

  • Day traccia ogni campione del giorno selezionato nel fuso orario scelto nelle Impostazioni (se non scegli altro, quello di questo dispositivo). Le interruzioni più lunghe di 15 minuti restano visibili come spazi nella linea; i campioni registrati nello stesso istante vengono mediati.
  • La frequenza cardiaca a riposo diurna è la media dei campioni di quel giorno contrassegnati come veglia o riposo. Il valore di oggi è parziale.
  • Viene confrontata con la media dei 30 giorni precedenti che hanno campioni, quando ce ne sono almeno 5.
  • I file di export importati non includono questi campioni, quindi questa vista richiede una connessione in tempo reale.

Limiti

I sensori ottici di frequenza cardiaca sono ragionevolmente accurati a riposo e meno accurati durante il movimento.

Ricerca

  • Fuller et al., 2020: In 158 studi, i dispositivi indossabili contavano bene i passi e misuravano bene la frequenza cardiaca in laboratorio, ma nessuna marca stimava con precisione il dispendio energetico.
  • Zhang et al., 2020: In 44 studi, la frequenza cardiaca ottica misurata al polso era vicina al riferimento durante il sonno, il riposo, la camminata e la corsa, e meno accurata durante l’allenamento di forza e il ciclismo.
  • Bent et al., 2020: I sensori ottici di frequenza cardiaca erano ragionevolmente accurati a riposo, gli errori erano circa il 30% più grandi durante l’attività e l’accuratezza non differiva in modo significativo tra i diversi toni della pelle.

Altre fonti citate: Shcherbina et al., 2017

Età cardiovascolare

Una stima, fornita dall’app del tuo anello, dell’età del tuo sistema cardiovascolare, basata sulla forma del segnale del polso e sulla velocità dell’onda di polso stimata. Daytlas la mostra ma non la calcola.

Come lo mostra Daytlas

  • Overview mostra la misurazione più recente dell’ultimo anno, la media delle misurazioni nei 30 giorni precedenti (quando ce ne sono almeno 5) e gli ultimi 90 giorni in un grafico con una linea della media.
  • Le misurazioni al di fuori dell’intervallo tra 18 e 100 anni vengono ignorate perché non valide.
  • I file di export importati non la includono.

Limiti

È una stima dell’invecchiamento vascolare, non una misurazione clinica della rigidità arteriosa e non una diagnosi. Guarda la tendenza su più settimane anziché le singole misurazioni.

Ricerca

  • Laurent et al., 2006: Una rete europea di esperti ha riassunto come si misura la rigidità arteriosa, con metodi tra cui la velocità dell’onda di polso, e i fattori che incidono sulla misurazione.
  • Reference Values for Arterial Stiffness’ Collaboration, 2010: In 16.867 persone di 13 centri europei, la velocità dell’onda di polso, una misura della rigidità arteriosa, aumentava con l’età e con la pressione sanguigna.
  • Charlton et al., 2022: Esamina come la forma e i tempi del segnale ottico del polso si collegano all’invecchiamento vascolare, e fino a che punto queste stime sono state validate.

Altre fonti citate: Allen, 2007

Attività

Movimento, sforzo ed energia stimata nel corso della giornata.

Activity Score

Un punteggio da 0 a 100 dell’app del tuo anello che riflette il tuo livello di attività e come si è distribuita nel corso della giornata e della settimana. Daytlas lo mostra così come arriva e non lo ricalcola mai.

Come lo mostra Daytlas

  • Day mostra il punteggio, i suoi fattori (ciascuno da 0 a 100) e la differenza rispetto alla media dei 30 giorni precedenti, se almeno 5 di quei giorni hanno un punteggio.
  • I valori sono colorati secondo le fasce che l’app del tuo anello usa per i suoi punteggi: sotto 60 «Presta attenzione», 60–69 «Discreto», 70–84 «Buono» e 85 o più «Ottimale». Un colore descrive il numero, non la tua salute.
  • Il punteggio di oggi viene confrontato con i giorni completi precedenti, quindi mostra i progressi e non un risultato finale.

Limiti

Gli obiettivi e la formula del punteggio appartengono all’app del tuo anello. L’attività di oggi è incompleta finché la giornata non finisce.

Ricerca

  • Bull et al., 2020: Raccomanda agli adulti 150–300 minuti di attività moderata o 75–150 minuti di attività intensa alla settimana, e meno tempo in sedentarietà.
  • Ekelund et al., 2019: Riunendo i dati accelerometrici di circa 36.000 adulti, qualsiasi attività fisica, compresa quella leggera, era associata a una mortalità più bassa, con la differenza più marcata ai livelli bassi.
  • de Zambotti et al., 2019: Esamina come vengono validati i tracker del sonno di consumo e avverte che algoritmi proprietari e aggiornamenti del firmware possono cambiarne i numeri.

Passi ed equivalente in camminata

In Daytlas: Passi · Equivalente in camminata

I passi contati dal tuo anello durante la giornata e l’equivalente in camminata: l’attività del giorno espressa come distanza percorsa a piedi.

Come lo mostra Daytlas

  • Le distanze arrivano in metri e vengono mostrate in chilometri o miglia, come scegli nelle Impostazioni.
  • Day confronta un giorno con la media dei 30 giorni precedenti; la giornata di oggi, fin qui, viene confrontata con i giorni completi precedenti.
  • Your Year può colorare ogni giorno dell’anno in base ai passi.

Limiti

I conteggi dei passi dei dispositivi indossabili reggono bene nei test di laboratorio, ma variano tra dispositivi e attività, quindi confronta i tuoi giorni tra loro piuttosto che i dispositivi.

Ricerca

  • Banach et al., 2023: Negli studi di coorte, più passi al giorno erano associati a una mortalità più bassa per tutte le cause e per cause cardiovascolari, a partire da circa 2.300–3.900 passi al giorno.
  • Paluch et al., 2022: In 15 coorti, più passi al giorno erano associati a una mortalità più bassa, con un livellamento intorno a 6.000–8.000 passi per gli adulti dai 60 anni in su e a 8.000–10.000 per gli adulti più giovani.
  • Fuller et al., 2020: In 158 studi, i dispositivi indossabili contavano bene i passi e misuravano bene la frequenza cardiaca in laboratorio, ma nessuna marca stimava con precisione il dispendio energetico.

Altre fonti citate: Tudor-Locke et al., 2011

Calorie attive e totali

In Daytlas: Calorie attive · Calorie totali

L’energia stimata consumata con l’attività (calorie attive) e in totale, compresa l’energia che il tuo corpo usa a riposo (calorie totali), in chilocalorie.

Come lo mostra Daytlas

  • Mostrate così come vengono riportate e confrontate in Day con la media dei 30 giorni precedenti.
  • Trends può rappresentarle entrambe in un grafico, giorno per giorno o come medie settimanali e mensili.

Limiti

Nessun dispositivo indossabile di consumo stima con precisione il dispendio energetico. Leggi questi valori come stime approssimative, utili soprattutto per confrontare i tuoi giorni tra loro.

Ricerca

  • Fuller et al., 2020: In 158 studi, i dispositivi indossabili contavano bene i passi e misuravano bene la frequenza cardiaca in laboratorio, ma nessuna marca stimava con precisione il dispendio energetico.
  • O’Driscoll et al., 2020: In 60 studi, l’accuratezza delle stime energetiche dei dispositivi da polso e da braccio variava con l’attività, e aggiungere la frequenza cardiaca ai dati di movimento aiutava.
  • Shcherbina et al., 2017: Sette dispositivi da polso misuravano la frequenza cardiaca in modo ragionevole in laboratorio, ma nessuno stimava il dispendio energetico con un errore inferiore al 20%.

Intensità dell’attività e MET

In Daytlas: MET medio · Attività intensa · Attività moderata · Attività leggera

Il MET, l’equivalente metabolico, esprime lo sforzo come multiplo dell’energia che usi a riposo. Il tuo anello lo stima durante la giornata e suddivide il tuo tempo in attività leggera, moderata e intensa.

Come lo mostra Daytlas

  • Il grafico dell’intensità dell’attività in Day mostra come barre le stime MET del giorno selezionato, fino al momento in cui i dati sono stati caricati.
  • Il tempo in ciascuna intensità arriva in secondi ed è mostrato come durata, scritta nel formato che scegli nelle Impostazioni.
  • Il MET medio è la media del giorno così come viene riportata.

Limiti

Le soglie di intensità sono fissate dall’app del tuo anello e potrebbero non corrispondere ai minuti conteggiati nelle linee guida sull’attività fisica.

Ricerca

  • Bull et al., 2020: Raccomanda agli adulti 150–300 minuti di attività moderata o 75–150 minuti di attività intensa alla settimana, e meno tempo in sedentarietà.
  • Herrmann et al., 2024: Elenca il costo energetico misurato, in MET, di 1.114 attività per adulti, dal riposo allo sport intenso.
  • Migueles et al., 2017: Mostra come scelte quali le regole sul tempo di non utilizzo, la definizione di giorno valido e le soglie di intensità cambiano le stime di attività ricavate da un accelerometro.

Altre fonti citate: Byrne et al., 2005

Tempo di inattività, di riposo e senza anello

In Daytlas: Tempo di inattività · Tempo di riposo · Tempo senza anello

Il tempo di inattività è il tempo di veglia con poco movimento. Il tempo di riposo comprende riposo e sonno. Il tempo senza anello è quello in cui l’anello non era indossato.

Come lo mostra Daytlas

  • Riportato in secondi e mostrato come durata, scritta nel formato che scegli nelle Impostazioni.
  • Daytlas non riempie il tempo senza anello: quando l’anello non era indossato, le misurazioni di quel periodo semplicemente mancano.

Limiti

Lunghi periodi senza anello lasciano incompleti gli altri numeri di attività della giornata. Stare fermi per un po’ non equivale a essere inattivi in generale.

Ricerca

  • Tremblay et al., 2017: Stabilisce definizioni condivise che distinguono il comportamento sedentario, cioè stare seduti o sdraiati da svegli con un basso dispendio energetico, dall’inattività fisica.
  • Patterson et al., 2018: Indipendentemente dall’attività fisica, più tempo totale da seduti era associato a un rischio più alto, che per la mortalità cresceva oltre circa 6–8 ore al giorno.
  • Choi et al., 2011: Ha validato una regola per distinguere, nei dati accelerometrici, il dispositivo non indossato da quello indossato ma fermo, il che cambia quanto tempo viene contato come sedentario.

Temperatura

Come la temperatura della tua pelle di notte si confronta con il tuo valore abituale.

Deviazione della temperatura e tendenza

In Daytlas: Deviazione della temperatura · Deviazione della temperatura (tendenza)

Quanto la temperatura della tua pelle durante il sonno si è discostata dal tuo valore di riferimento, in gradi Celsius (o Fahrenheit, se lo scegli nelle Impostazioni). La tendenza è una versione smussata della deviazione che cambia più lentamente. Entrambe provengono dall’app del tuo anello.

Come lo mostra Daytlas

  • Day mostra la deviazione del giorno selezionato e la confronta con la deviazione media dei 30 giorni precedenti.
  • La sezione «Il tuo corpo nel tempo» di Overview rappresenta in un grafico la deviazione giornaliera.
  • Trends può rappresentarle entrambe in un grafico, giorno per giorno o come medie settimanali e mensili.

Limiti

La temperatura cutanea cambia con la temperatura della stanza, le coperte, gli orari e molto altro. Una deviazione descrive i tuoi dati registrati; non è una misurazione della febbre né una diagnosi.

Ricerca

  • Smith et al., 2010: Piccoli sensori cutanei wireless fornivano misurazioni valide della temperatura della pelle rispetto a un riferimento, anche se i dispositivi differivano fino a circa 1 °C con la temperatura ambiente e l’esercizio fisico.
  • Harding et al., 2019: Esamina le prove secondo cui l’addormentamento è strettamente legato al raffreddamento del corpo e del cervello.
  • Okamoto-Mizuno & Mizuno, 2012: Temperatura della stanza, umidità e biancheria da letto influenzano il sonno; il caldo in particolare aumenta la veglia e riduce il sonno profondo e il sonno REM.

Altre fonti citate: Kräuchi, 2007

Respirazione e ossigeno nel sangue

Frequenza respiratoria e saturazione di ossigeno stimata durante il sonno.

Frequenza respiratoria

Il numero medio di respiri al minuto durante il periodo di sonno principale, stimato dai segnali del tuo anello.

Come lo mostra Daytlas

  • Day la confronta con la media dei 30 giorni precedenti; Trends e Tag Lab possono mostrarla nel tempo.

Limiti

La frequenza respiratoria è stimata in modo indiretto, non misurata con un sensore del flusso d’aria, quindi piccoli cambiamenti possono rientrare nell’errore di misurazione.

Ricerca

  • Douglas et al., 1982: In 19 adulti sani, durante il sonno il respiro è diventato più rapido e più superficiale, e la ventilazione è calata soprattutto durante il sonno REM.
  • Nicolò et al., 2020: Sostiene che la frequenza respiratoria risponde a stress, calore, sforzo e fatica più prontamente della maggior parte degli altri parametri vitali.
  • Charlton et al., 2018: Passa in rassegna gli algoritmi che stimano la frequenza respiratoria dai segnali cardiaci e del polso, e come andrebbe verificata la loro accuratezza.

Ossigeno nel sangue (SpO2)

In Daytlas: Saturazione di ossigeno media

La saturazione media stimata di ossigeno nel sangue durante il sonno, in percentuale. È disponibile solo quando il tuo anello e il tuo account la forniscono.

Come lo mostra Daytlas

  • Trends mostra la media notturna; Daytlas non ne ricava nient’altro.
  • Se questi dati non sono disponibili, il resto di Daytlas funziona senza.

Limiti

La pulsossimetria è meno accurata in presenza di movimento o di scarsa circolazione, e alcuni studi hanno rilevato che i pulsossimetri possono sovrastimare i livelli di ossigeno nelle persone con la pelle più scura. Un anello non è un pulsossimetro medico.

Ricerca

  • Jiang et al., 2023: Gli smartwatch di consumo differivano nell’accuratezza della misura dell’ossigeno nel sangue rispetto a un pulsossimetro clinico, e alcuni non riuscivano a fornire una misurazione in circa il 30% dei tentativi.
  • Sjoding et al., 2020: In pazienti ospedalieri, i pulsossimetri non rilevavano livelli bassi di ossigeno nel sangue circa tre volte più spesso nei pazienti neri che in quelli bianchi.
  • Gries & Brooks, 1996: In persone sane durante il sonno, la saturazione di ossigeno mediana era di circa il 96,5%, i valori più bassi erano in media intorno al 90% e le persone sopra i 60 anni avevano valori leggermente più bassi.

Altre fonti citate: Jubran, 2015

Metodi e statistica

I calcoli alla base di ogni media, confronto, correlazione e dato in evidenza in Daytlas.

Giorni, notti e dati mancanti

Ogni grafico parte da una riga per ogni giorno di calendario, costruita dai riepiloghi giornalieri e dai periodi di sonno forniti dall’app del tuo anello.

Come lo mostra Daytlas

  • I periodi di sonno appartengono al giorno a cui li assegna l’app del tuo anello; il più lungo fornisce le metriche del sonno di quel giorno.
  • Le misurazioni mancanti restano mancanti. Daytlas non riempie mai un vuoto con uno zero o con un valore inventato, e le medie usano solo i giorni che hanno una misurazione.
  • Le linee si interrompono dove manca un giorno; una linea tratteggiata tenue collega i vuoti all’interno del grafico, così puoi seguire la tendenza senza scambiarla per dati.
  • Ogni confronto richiede un numero minimo di misurazioni, indicato nelle sezioni seguenti. Sotto quel minimo, Daytlas omette il confronto anziché tirare a indovinare.

Limiti

Se le misurazioni tendono a mancare in certi giorni, per esempio nelle notti in cui hai tolto l’anello, le medie descrivono solo i giorni registrati.

Ricerca

  • Tackney et al., 2021: Propone di usare il tempo di utilizzo per definire i dati mancanti dei dispositivi indossabili, poiché un dispositivo che non registra nulla può indicare sia che non era indossato sia che non c’era movimento.
  • Cho et al., 2021: Ricercatori ed esperti di qualità dei dati hanno indicato completezza, accuratezza e plausibilità come i principali problemi di qualità dei dati dei dispositivi indossabili.
  • Sterne et al., 2009: Spiega che analizzare solo i dati completi può distorcere i risultati quando il motivo per cui i dati mancano è legato ai valori stessi.

Medie e periodi

Come Daytlas raggruppa i giorni in settimane, mesi, trimestri e anni.

Come lo mostra Daytlas

  • Trends mostra i valori giornalieri o ne calcola la media per settimana, mese, trimestre o anno. Le settimane iniziano nel giorno scelto nelle Impostazioni (il lunedì, se non scegli altro). Ogni periodo è la semplice media dei giorni con una misurazione; per gli orari si usa una media circolare.
  • Ogni grafico di Trends traccia una linea tratteggiata della media dei valori sullo schermo.
  • L’intestazione della sezione in Trends divide le misurazioni della tua selezione in una metà più vecchia e una più recente e mostra la differenza tra le loro medie. Non fa un confronto con un periodo precedente.
  • Your Year raggruppa i giorni in mesi e in settimane di calendario, che iniziano nel giorno scelto nelle Impostazioni e vengono tagliate all’inizio e alla fine dell’anno.

Limiti

Fare la media attenua il rumore ma può anche nascondere cambiamenti brevi, e fa sembrare due metriche più strettamente legate di quanto lo siano i loro valori giornalieri.

Ricerca

  • Cremers & Klugkist, 2018: Un tutorial che mostra che i dati su un cerchio, come angoli o orari, richiedono metodi propri, perché 0 e 360 gradi sono lo stesso punto.
  • Berens, 2009: Spiega perché angoli e orari del giorno richiedono la statistica circolare, come la media circolare, invece delle medie ordinarie.
  • Robinson, 1950: Ha mostrato che le correlazioni tra medie di gruppo possono differire nettamente dalle correlazioni tra i singoli valori sottostanti.

Valori di riferimento e fasce

Un valore di riferimento è la tua media recente, usata come termine di paragone per un confronto.

Come lo mostra Daytlas

  • Day: ogni misurazione viene confrontata con la media dei 30 giorni di calendario prima del giorno selezionato, escluso il giorno stesso. Il confronto compare quando almeno 5 di quei giorni hanno una misurazione; altrimenti Day indica «Cronologia insufficiente».
  • Trends, vista giornaliera: la linea tratteggiata è la media dei 60 giorni di calendario precedenti all’interno dell’intervallo selezionato, escluso il giorno stesso. La fascia ombreggiata è ±1 deviazione standard intorno a essa e richiede almeno 2 misurazioni precedenti.
  • Le schede dei punteggi in Overview confrontano il punteggio più recente con la media dei giorni precedenti, fino a un massimo di 7.

Limiti

Un valore di riferimento descrive il tuo passato recente, non un intervallo sano né un obiettivo da raggiungere. Una differenza più piccola della tua normale dispersione da un giorno all’altro è probabilmente una variazione ordinaria.

Ricerca

  • Buchheit, 2014: Raccomanda di leggere una variazione della frequenza cardiaca a riposo o della HRV rispetto al suo normale errore da un giorno all’altro e alla variazione minima rilevante.
  • Plews et al., 2013: Sostiene che la HRV si segue meglio con medie adeguate su più giorni che con singoli valori giornalieri.
  • Hopkins, 2000: Definisce l’errore tipico, cioè la normale dispersione delle misurazioni ripetute di una persona, come metro per giudicare se un cambiamento è reale.

Altre fonti citate: Plews et al., 2013

Finestre di confronto

Confronti fianco a fianco tra due tratti della tua cronologia.

Come lo mostra Daytlas

  • Ultimi 30 giorni (Overview): la media degli ultimi 30 giorni di calendario, oggi compreso, confrontata con i 30 giorni precedenti e con gli stessi 30 giorni di un anno prima. Ogni confronto richiede almeno 15 misurazioni in entrambe le finestre. Il giorno con il valore più alto registrato è il singolo valore più alto nella finestra attuale.
  • Questo mese rispetto al precedente: gli ultimi 30 giorni confrontati con i 30 precedenti, come variazione percentuale, per le metriche con almeno 15 misurazioni in ciascuna finestra, ordinate in base all’entità della variazione.
  • La tua settimana: gli ultimi 7 giorni di calendario confrontati con i 60 giorni precedenti; per la cronologia importata, i 7 giorni fino alla tua registrazione più recente. Una metrica viene considerata se ha almeno 4 misurazioni in questa settimana e 30 nel periodo di riferimento; vengono mostrate le tre metriche più lontane dal loro valore di riferimento, misurate in deviazioni standard.
  • I colori indicano solo la direzione, in su o in giù, mai meglio o peggio.

Limiti

Due finestre possono differire semplicemente perché una conteneva giorni insolitamente alti o bassi; la finestra successiva spesso torna verso la tua media.

Ricerca

  • Hopkins, 2000: Definisce l’errore tipico, cioè la normale dispersione delle misurazioni ripetute di una persona, come metro per giudicare se un cambiamento è reale.
  • Swinton et al., 2018: Spiega come l’errore di misurazione, l’errore tipico e la variazione minima rilevante aiutano a decidere se il cambiamento di una persona è reale.
  • Hopkins et al., 2009: Raccomanda di giudicare gli effetti in base alla loro entità e precisione, e di mostrare le deviazioni standard, anziché affidarsi solo ai test di significatività.

Altre fonti citate: Barnett et al., 2005

Mediane, percentili e distribuzioni

Modi per vedere il tuo intervallo tipico invece di un’unica media.

Come lo mostra Daytlas

  • Il tuo intervallo abituale, nel tuo profilo: la mediana e la metà centrale (dal 25° al 75° percentile) degli ultimi 90 giorni di calendario, su almeno 14 giorni registrati. La traccia sullo sfondo va dal 5° al 95° percentile, così un solo giorno raro non può appiattirla.
  • Andamenti per giorno della settimana, in Overview: la mediana e la metà centrale per ogni giorno della settimana su tutta la tua cronologia, a partire dal giorno di inizio settimana scelto nelle Impostazioni, con il numero di giorni alla base di ciascuno.
  • «Dove si collocano i tuoi ultimi 30 giorni?», in Overview: ogni giorno registrato viene assegnato a uno di 12 intervalli di uguale ampiezza, con la quota dei giorni precedenti e degli ultimi 30 giorni in ciascuno. Richiede almeno 10 giorni registrati.
  • I percentili usano l’interpolazione lineare tra valori vicini, una definizione comune nei software di statistica.

Limiti

Con pochi giorni, mediane e quartili si spostano sensibilmente man mano che arrivano nuovi giorni. Le differenze tra i giorni della settimana possono riflettere i tuoi impegni più che il giorno in sé.

Ricerca

  • Weissgerber et al., 2015: Molte distribuzioni diverse possono produrre lo stesso grafico a barre o a linee, quindi mostrare l’intera distribuzione aiuta chi legge a valutare i dati.
  • Wittmann et al., 2006: Descrive il jet lag sociale: molte persone dormono in orari diversi nei giorni lavorativi e in quelli liberi, soprattutto i cronotipi tardivi.
  • Krzywinski & Altman, 2014: Spiega come i box plot mostrano la mediana, la metà centrale dei valori e la loro dispersione, il che rende facile confrontare le distribuzioni.

Altre fonti citate: Hyndman & Fan, 1996

Correlazioni

Una correlazione descrive quanto due metriche salgono e scendono insieme nei tuoi dati.

Come lo mostra Daytlas

  • Daytlas usa il coefficiente di correlazione di Pearson, r, da −1 a +1, su coppie di valori dello stesso giorno, o della stessa settimana, mese, trimestre o anno quando calcoli le medie.
  • Contano solo i periodi in cui entrambe le metriche hanno un valore; i vuoti non vengono mai riempiti. Servono almeno 5 coppie, e r non viene mostrato quando una delle due metriche non varia.
  • Gli orari (ora di andare a letto, ora del risveglio e punto medio) sono esclusi perché ricominciano da capo a mezzanotte.
  • La descrizione segue l’entità di r, ignorandone il segno: sotto 0,2 «Nessun andamento lineare chiaro», sotto 0,4 debole, sotto 0,7 moderata, e da 0,7 in su forte. Il numero di coppie è mostrato insieme al risultato.

Limiti

Una correlazione non è un rapporto di causa ed effetto, e Daytlas non esegue test di significatività. Con qualche decina di coppie, r può oscillare molto, e una matrice con molte coppie mostrerà per caso alcuni valori che sembrano forti. I valori di ogni giorno dipendono dai giorni precedenti, e questo può far sembrare due metriche più legate di quanto siano; lo stesso vale per medie e punteggi costruiti a partire dagli stessi dati.

Ricerca

  • Schober et al., 2018: Un tutorial su quando usare il coefficiente r di Pearson, cosa significa la sua scala da −1 a +1 e come interpretarne l’intensità.
  • Dean & Dunsmuir, 2016: Mostra che correlare due serie temporali i cui valori dipendono dal proprio passato può suggerire relazioni che non esistono.
  • Schönbrodt & Perugini, 2013: Alcune simulazioni hanno mostrato che le correlazioni calcolate su campioni piccoli oscillano molto; nei casi tipici, stime stabili richiedono circa 250 osservazioni.

Altre fonti citate: Benjamini & Hochberg, 1995

Cambiamenti del tuo valore di riferimento

Date intorno alle quali il livello di una metrica sembra essere cambiato e rimasto diverso per un po’.

Come lo mostra Daytlas

  • Per frequenza cardiaca a riposo media, HRV, Sleep Score e sonno totale, Daytlas scorre la tua cronologia ad almeno 7 giorni alla volta e confronta la media dei 30 giorni prima di una data con quella dei 30 giorni a partire da essa.
  • Un cambiamento viene segnalato quando le due medie differiscono di più di una deviazione standard dell’intera cronologia della metrica, entrambe le finestre hanno almeno 24 misurazioni e la metrica ha almeno 60 misurazioni in totale.
  • I cambiamenti di una stessa metrica sono distanti almeno 30 giorni; la scheda mostra i quattro più recenti.

Limiti

Sono candidati descrittivi, non punti di cambiamento verificati statisticamente, e non dicono nulla sul perché un cambiamento sia avvenuto.

Ricerca

  • Truong et al., 2020: Passa in rassegna i metodi per trovare i punti in cui una serie temporale cambia, ciascuno costruito da una funzione di costo, un metodo di ricerca e un limite al numero di cambiamenti.
  • Aminikhanghahi & Cook, 2017: Passa in rassegna e confronta i metodi per rilevare cambiamenti bruschi nelle serie temporali, dagli algoritmi supervisionati a quelli non supervisionati.
  • Barnett et al., 2005: Spiega perché valori insolitamente alti o bassi tendono a essere seguiti da valori più vicini alla media, il che può sembrare un cambiamento reale.

Confronti in Tag Lab

In cosa differiscono le tue metriche registrate nei giorni successivi a un’abitudine che hai segnato con un tag nell’app del tuo anello.

Come lo mostra Daytlas

  • Un tag copre ogni giorno dalla data di inizio a quella di fine, e i tag con lo stesso nome vengono raggruppati.
  • Per ogni metrica, Daytlas confronta la media dei giorni successivi a un giorno con tag con la media di tutti gli altri giorni registrati.
  • Ogni gruppo richiede almeno 5 giorni con una misurazione, e viene mostrato il numero di giorni di ciascun gruppo.
  • Le metriche confrontate sono HRV media, frequenza cardiaca a riposo media, Sleep Score, Readiness Score, sonno totale, sonno profondo e frequenza respiratoria, ordinate in base all’entità della differenza rispetto alla media di confronto.

Limiti

Sono medie non aggiustate. Un giorno senza tag non dimostra che l’abitudine fosse assente, altre abitudini e altri orari possono spiegare una differenza, e pochi giorni insoliti possono spostare un gruppo piccolo. Con sette metriche confrontate insieme, una di esse può differire per caso. Leggi una differenza come una domanda, non come un risultato.

Ricerca

  • Shaffer et al., 2018: Ha esaminato 54 sperimentazioni pubblicate su una singola persona, ha rilevato che a molte mancavano i dettagli necessari per giudicarne i risultati e ha chiesto più rigore.
  • Daza, 2018: Stabilisce quando un’associazione nei dati di automonitoraggio di una persona potrebbe essere letta come un effetto, tenendo conto di tendenze, effetti di trascinamento e autocorrelazione.
  • Barnett et al., 2005: Spiega perché valori insolitamente alti o bassi tendono a essere seguiti da valori più vicini alla media, il che può sembrare un cambiamento reale.

Altre fonti citate: Bender & Lange, 2001

Traguardi, serie e record

Serie di punteggi alti e i tuoi valori più alti e più bassi registrati.

Come lo mostra Daytlas

  • Una serie conta i giorni di calendario consecutivi con uno Sleep Score o un Readiness Score di 85 o più. Un giorno mancante interrompe la serie, e la serie attuale conta solo se il punteggio più recente è di oggi o di ieri.
  • La serie più lunga è la sequenza più lunga di questo tipo nella tua cronologia; la HRV più alta registrata è la tua media notturna più alta.
  • Your Year elenca il giorno più alto e quello più basso e, tra i mesi con almeno 7 giorni registrati, il mese più alto e quello più basso.

Limiti

I record sono valori estremi per definizione, e i valori dopo un record di solito tornano verso la tua media. Più alto e più basso descrivono i valori, non la salute.

Ricerca

  • Gilovich et al., 1985: Le statistiche dei tiri non hanno confermato la convinzione di giocatori e tifosi nella «mano calda», suggerendo che le persone vedono serie anche in sequenze in gran parte casuali.
  • Barnett et al., 2005: Spiega perché valori insolitamente alti o bassi tendono a essere seguiti da valori più vicini alla media, il che può sembrare un cambiamento reale.
  • Morton & Torgerson, 2003: Mostra come la regressione verso la media possa far sembrare un cambiamento l’effetto di un’azione, quando in parte è dovuto al caso.

Your Year e i tuoi mesi

Viste sull’intero anno che mostrano stagioni e variabilità anziché singoli giorni.

Come lo mostra Daytlas

  • I tre cerchi mostrano le medie settimanali (le settimane iniziano nel giorno scelto nelle Impostazioni e vengono tagliate ai bordi dell’anno) di Sleep Score, Readiness Score e Activity Score. Più scuro significa più alto all’interno di ciascuna metrica per quell’anno; grigio significa nessuna misurazione.
  • Il calendario colora ogni giorno su una scala a 7 livelli, dal valore più basso a quello più alto dell’anno per la metrica scelta.
  • I tuoi mesi mostrano i 12 mesi che terminano con la tua registrazione più recente: il sonno principale medio per mese, la sua deviazione standard e quanti giorni mancano. Il mese con il sonno più lungo e quello più stabile vengono scelti tra i mesi con almeno 7 notti, quando almeno due mesi rientrano nel criterio.

Limiti

Le scale di colore sono relative al tuo anno, quindi lo stesso colore può indicare valori diversi in anni o metriche diversi.

Ricerca

  • Bei et al., 2016: Sostiene che la variabilità da una notte all’altra è una dimensione del sonno a sé stante, oltre la media, ed esamina 53 studi su ciò a cui è associata.
  • Lemola et al., 2013: In 441 adulti seguiti per una settimana, la variabilità della durata del sonno da una notte all’altra, più della sua media, andava di pari passo con una qualità del sonno e un benessere più bassi.
  • Crameri et al., 2020: Mostra come mappe di colore non uniformi o rosso-verdi distorcono i dati, e raccomanda scale percettivamente uniformi che funzionano anche con le alterazioni della visione dei colori.

Bibliografia

Come scegliamo le fonti

  • Solo lavori con revisione paritaria. Vengono prima documenti di consenso recenti, meta-analisi e revisioni sistematiche, perché valutano molti studi insieme.
  • Per l’accuratezza, studi di validazione di dispositivi indossabili di consumo confrontati con riferimenti di laboratorio, preferibilmente di laboratori indipendenti o che mettono alla prova più dispositivi. Mai il marketing di un produttore.
  • Per i calcoli, articoli metodologici su ciò che Daytlas fa davvero: valori di riferimento ed errore tipico, medie, statistica circolare per gli orari, correlazione con campioni piccoli e molti confronti, e variabilità da una notte all’altra.
  • Ogni DOI viene confrontato con la scheda dell’editore: il link deve funzionare e titolo, primo autore e anno devono corrispondere. Ciò che non riusciamo a verificare viene escluso.
  • I riassunti di una riga sono nostri, in parole semplici. Gli studi descrivono gruppi di persone, non te; leggi gli articoli per il quadro completo.

99 fonti, verificate l’ultima volta il 8 ottobre 2026. Ogni sezione qui sopra ne mostra fino a 3; qui sono elencate tutte, per argomento.

Sonno

  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

    Documento di consenso · Compare in Sonno totale

  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

    Documento di consenso · Compare in Sonno totale

  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

    Studio di validazione · Compare in Sonno totale, Sonno profondo, leggero, REM e veglia

  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

    Documento di consenso · Compare in Tempo a letto ed efficienza del sonno, Tempo per addormentarsi

  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

    Articolo metodologico · Compare in Tempo a letto ed efficienza del sonno

  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

    Meta-analisi · Compare in Tempo per addormentarsi

  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

    Studio di validazione · Compare in Sonno profondo, leggero, REM e veglia

  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

    Articolo di revisione · Compare in 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 di posizione · Compare in 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

    Documento di consenso · Compare in Ora di andare a letto, ora del risveglio e 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

    Studio osservazionale · Compare in Ora di andare a letto, ora del risveglio e 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

    Studio osservazionale · Compare in Regolarità del sonno

  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

    Articolo metodologico · Compare in Regolarità del sonno

  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

    Studio di coorte · Compare in Regolarità del sonno

  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

    Revisione sistematica · Compare in Your Year e i tuoi mesi

  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

    Studio osservazionale · Compare in Mediane, percentili e distribuzioni

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

    Articolo di revisione · Compare in 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

    Articolo di revisione · Compare in 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

    Articolo di revisione · Compare in Sonno totale

  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

    Articolo di revisione · Compare in Tempo a letto ed efficienza del sonno

  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

    Studio di validazione · Compare in Tempo a letto ed efficienza del sonno, Sonno profondo, leggero, REM e veglia

  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

    Meta-analisi · Compare in Tempo per addormentarsi, Sonno profondo, leggero, REM e veglia

  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

    Studio osservazionale · Compare in Ora di andare a letto, ora del risveglio e 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

    Revisione sistematica · Compare in Regolarità del sonno

  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

    Studio osservazionale · Compare in Your Year e i tuoi mesi

Readiness e recupero

  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

    Articolo di revisione · Compare in Readiness Score, Valori di riferimento e fasce

  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

    Meta-analisi · Compare in 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

    Documento di consenso · Compare in 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

    Meta-analisi · Compare in Readiness Score

Variabilità della frequenza cardiaca (HRV)

  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

    Rapporto sugli standard · Compare in HRV 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

    Articolo di revisione · Compare in HRV 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

    Studio di validazione · Compare in HRV 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

    Articolo di revisione · Compare in Leggere la HRV nel tempo

  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

    Studio osservazionale · Compare in Leggere la HRV nel tempo

  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

    Studio osservazionale · Compare in Leggere la HRV nel tempo

  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

    Meta-analisi · Compare in HRV 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

    Studio osservazionale · Compare in Leggere la HRV nel tempo

Cuore

  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

    Studio di coorte · Compare in Frequenza cardiaca a riposo

  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

    Studio di validazione · Compare in Frequenza cardiaca a riposo

  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

    Meta-analisi · Compare in Frequenza cardiaca a riposo

  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

    Studio di validazione · Compare in Frequenza cardiaca durante il giorno

  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

    Articolo di revisione · Compare in Età cardiovascolare

  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

    Studio osservazionale · Compare in Età cardiovascolare

  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

    Studio osservazionale · Compare in Frequenza cardiaca a riposo

  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

    Meta-analisi · Compare in Frequenza cardiaca durante il giorno

  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

    Studio di validazione · Compare in Frequenza cardiaca durante il giorno, Calorie attive e totali

  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

    Documento di consenso · Compare in Età cardiovascolare

  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

    Articolo di revisione · Compare in Età cardiovascolare

Attività

  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

    Revisione sistematica · Compare in Frequenza cardiaca durante il giorno, Passi ed equivalente in camminata, Calorie attive e totali

  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

    Linea guida · Compare in Activity Score, Intensità dell’attività e 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

    Meta-analisi · Compare in Passi ed equivalente in camminata

  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

    Articolo di revisione · Compare in Passi ed equivalente in camminata

  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

    Meta-analisi · Compare in Calorie attive e totali

  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

    Revisione sistematica · Compare in Intensità dell’attività e 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

    Documento di consenso · Compare in Tempo di inattività, di riposo e senza anello

  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

    Meta-analisi · Compare in 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

    Meta-analisi · Compare in Passi ed equivalente in camminata

  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

    Studio osservazionale · Compare in Intensità dell’attività e 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

    Revisione sistematica · Compare in Intensità dell’attività e 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

    Meta-analisi · Compare in Tempo di inattività, di riposo e senza anello

  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

    Studio di validazione · Compare in Tempo di inattività, di riposo e senza anello

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

    Articolo di revisione · Compare in Deviazione della temperatura e tendenza

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

    Articolo di revisione · Compare in Deviazione della temperatura e tendenza

  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

    Articolo di revisione · Compare in Deviazione della temperatura e tendenza

  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

    Studio di validazione · Compare in Deviazione della temperatura e tendenza

Respirazione e ossigeno nel sangue

  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

    Articolo di revisione · Compare in Frequenza 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

    Articolo di revisione · Compare in Frequenza respiratoria

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

    Articolo di revisione · Compare in Ossigeno nel sangue (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

    Studio osservazionale · Compare in Ossigeno nel sangue (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

    Studio osservazionale · Compare in Frequenza 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

    Studio di validazione · Compare in Ossigeno nel sangue (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

    Studio osservazionale · Compare in Ossigeno nel sangue (SpO2)

Metodi e statistica

  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

    Articolo metodologico · Compare in Ora di andare a letto, ora del risveglio e punto medio, Medie e periodi

  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

    Articolo metodologico · Compare in Giorni, notti e dati mancanti

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

    Articolo metodologico · Compare in Medie e periodi

  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

    Articolo di revisione · Compare in Valori di riferimento e fasce

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

    Articolo di revisione · Compare in Valori di riferimento e fasce, Finestre di confronto

  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

    Articolo metodologico · Compare in Finestre di confronto, Cambiamenti del tuo valore di riferimento, Confronti in Tag Lab, Traguardi, serie e record

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

    Articolo metodologico · Compare in Mediane, percentili e distribuzioni

  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

    Articolo di revisione · Compare in Correlazioni

  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

    Articolo metodologico · Compare in Correlazioni

  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

    Articolo di revisione · Compare in Cambiamenti del tuo valore di riferimento

  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

    Articolo metodologico · Compare in Confronti in 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

    Articolo metodologico · Compare in Giorni, notti e dati mancanti

  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

    Articolo metodologico · Compare in Giorni, notti e dati mancanti

  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

    Articolo metodologico · Compare in Medie e periodi

  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

    Articolo metodologico · Compare in Valori di riferimento e fasce

  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

    Articolo metodologico · Compare in Finestre di confronto

  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

    Articolo metodologico · Compare in Finestre di confronto

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

    Articolo metodologico · Compare in Mediane, percentili e distribuzioni

  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

    Revisione sistematica · Compare in Mediane, percentili e distribuzioni

  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

    Articolo metodologico · Compare in Correlazioni

  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

    Articolo metodologico · Compare in Correlazioni

  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

    Articolo di revisione · Compare in Cambiamenti del tuo valore di riferimento

  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

    Articolo metodologico · Compare in Confronti in 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

    Revisione sistematica · Compare in Confronti in 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

    Articolo metodologico · Compare in Traguardi, serie e record

  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

    Studio osservazionale · Compare in Traguardi, serie e record

  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

    Articolo metodologico · Compare in Your Year e i tuoi mesi

Hai trovato un errore o una fonte migliore? Scrivi a hadjkb@gmail.com.