Como o Daytlas lê os seus dados.

O que significa cada número do Daytlas, como se calcula a média e se faz a comparação, onde tem limites e que estudos o sustentam.

Por Jakub Had, criador do Daytlas. Não é profissional de saúde: as informações de saúde desta página vêm das fontes indicadas abaixo. Atualizado em 8 de outubro de 2026. Fontes verificadas em 8 de outubro de 2026.

Sono

Quanto, com que eficiência e quando dormiu, a partir do período de sono principal de cada dia.

Sleep Score

Uma pontuação de 0 a 100 para a noite, do app do seu anel, composta por fatores como o sono total, a eficiência, o horário e as fases do sono. O Daytlas mostra a pontuação tal como chega e nunca a recalcula.

Como aparece no Daytlas

  • Day mostra a pontuação do dia selecionado e a diferença em relação à média dos 30 dias de calendário anteriores, quando pelo menos 5 desses dias têm pontuação.
  • Day também lista os fatores indicados pelo app do seu anel, cada um na sua própria escala de 0 a 100.
  • Os valores são coloridos segundo as faixas que o app do seu anel usa para as pontuações: abaixo de 60, “Preste atenção”; de 60 a 69, “Razoável”; de 70 a 84, “Boa”; e 85 ou mais, “Ótima”. Uma cor descreve o número, não a sua saúde.
  • Overview compara a pontuação mais recente com a média de até 7 dias anteriores.

Limites

A fórmula pertence ao app do seu anel e pode mudar com as atualizações dele, por isso as pontuações antigas e as novas nem sempre são estritamente comparáveis. Uma pontuação de sono de um dispositivo de consumo não pode diagnosticar um distúrbio do sono.

Estudos

  • Khosla et al., 2018: A tecnologia de sono de consumo pode apoiar uma conversa com um médico, mas não está validada nem aprovada para diagnosticar ou tratar distúrbios do sono.
  • de Zambotti et al., 2024: Uma revisão da Sleep Research Society concluiu que os wearables de consumo já superam a actigrafia tradicional na medição do sono, com limites claros, como vigília mal classificada, sestas e artefatos.
  • de Zambotti et al., 2019: Analisa como os monitores de sono de consumo são validados e adverte que algoritmos proprietários e atualizações de firmware podem mudar os seus números.

Também citados: Buysse, 2014

Sono total

O tempo que dormiu durante o período de sono principal do dia, sem contar o tempo acordado na cama.

Como aparece no Daytlas

  • Quando um dia tem mais de um período de sono, o mais longo (o sono principal) fornece as métricas de sono desse dia. As sestas e os períodos de descanso não se somam a ele; em Day, pode abrir mesmo assim um período de sono adicional.
  • As durações chegam em segundos e aparecem em horas e minutos ou em horas decimais, conforme escolher nas preferências.
  • Os resumos mensais de sono só contam noites com mais de 0 e até 24 horas.

Limites

Os wearables distinguem bem o sono da vigília, mas são menos precisos do que um laboratório do sono, sobretudo em noites agitadas. A necessidade de sono varia de pessoa para pessoa; o Daytlas mostra os seus números sem julgá-los em relação a uma meta.

Estudos

  • Watson et al., 2015: Um painel conjunto de duas sociedades do sono recomenda que os adultos durmam regularmente 7 horas ou mais por noite.
  • Hirshkowitz et al., 2015: Um painel de especialistas considerou adequadas 7–9 horas para adultos e 7–8 horas para adultos mais velhos, e notou que as necessidades variam de pessoa para pessoa.
  • Chinoy et al., 2021: Em comparação com registros de sono em laboratório, a maioria dos monitores de consumo identificou bem o sono, teve mais dificuldade com a vigília, deu fases do sono inconsistentes e teve pior desempenho em noites perturbadas.

Também citados: Chaput et al., 2018

Tempo na cama e eficiência do sono

No Daytlas: Tempo na cama · Eficiência do sono

O tempo na cama é a duração do período de sono principal, da hora de deitar à hora de levantar. A eficiência do sono é a parte desse tempo em que dormiu, em percentagem.

Como aparece no Daytlas

  • Ambos vêm do período de sono principal, tal como o app do seu anel os indica; o Daytlas não recalcula a eficiência.
  • Day compara a noite com a média dos 30 dias anteriores; Trends pode calcular a média por semana, mês, trimestre ou ano.

Limites

A eficiência depende do que conta como tempo na cama. Ler na cama ou ficar deitado sem dormir de manhã baixa o valor, mesmo quando o sono em si não mudou.

Estudos

  • Ohayon et al., 2017: Os especialistas concordaram que o tempo para adormecer, os despertares, o tempo acordado depois de adormecer e a eficiência do sono são indicadores razoáveis da qualidade do sono, mas houve pouco consenso sobre as fases do sono.
  • Lee et al., 2023: Onze monitores de sono de consumo variaram muito na precisão das fases do sono em comparação com registros de laboratório, e os wearables mostraram um viés sistemático na eficiência do sono.
  • Ancoli-Israel et al., 2015: Um guia de uma sociedade científica sobre o monitoramento do sono baseado no movimento: o que estima bem, como o horário e a duração, e onde tem dificuldades, como quando alguém está deitado acordado mas imóvel.

Também citados: Reed & Sacco, 2016

Tempo para adormecer

No Daytlas: Latência do sono

O tempo que passou até adormecer depois do início do período de sono.

Como aparece no Daytlas

  • Indicado em segundos e mostrado em minutos inteiros.
  • Day compara o valor com a média dos 30 dias anteriores e mostra a direção de uma mudança sem dizer se é boa ou má.

Limites

É uma estimativa: sem um laboratório do sono, é difícil determinar o momento exato em que se adormece. Os valores típicos também mudam com a idade.

Estudos

  • Ohayon et al., 2017: Os especialistas concordaram que o tempo para adormecer, os despertares, o tempo acordado depois de adormecer e a eficiência do sono são indicadores razoáveis da qualidade do sono, mas houve pouco consenso sobre as fases do sono.
  • Boulos et al., 2019: Em 169 estudos com adultos saudáveis, cada década de idade trouxe cerca de 10 minutos a menos de sono e menor eficiência, enquanto as proporções de sono profundo e REM quase não mudaram.
  • Ohayon et al., 2004: Em 65 estudos com pessoas saudáveis, o sono total, a eficiência do sono e a proporção de sono profundo e REM diminuíram com a idade nos adultos, enquanto o tempo para adormecer e o tempo acordado aumentaram.

Sono profundo, leve, REM e tempo acordado

No Daytlas: Tempo de sono profundo · Tempo de sono leve · Tempo de sono REM · Tempo acordado

O seu anel estima em que fase do sono esteve ao longo da noite. O Daytlas mostra o tempo em cada fase e, em Day, a linha do tempo das fases.

Como aparece no Daytlas

  • A linha do tempo usa estimativas de 30 segundos quando os seus dados as incluem; caso contrário, estimativas de 5 minutos, da hora de dormir à hora de acordar.
  • Os totais por fase vêm do período de sono principal e aparecem em horas.
  • Trends permite mostrar cada fase num gráfico e sobrepor até três outras métricas.

Limites

As estimativas de fase de qualquer wearable concordam muito menos com um laboratório do sono do que a distinção entre sono e vigília. Leia o tempo em cada fase como uma tendência aproximada ao longo de semanas, e não como um número exato para uma noite.

Estudos

  • Boulos et al., 2019: Em 169 estudos com adultos saudáveis, cada década de idade trouxe cerca de 10 minutos a menos de sono e menor eficiência, enquanto as proporções de sono profundo e REM quase não mudaram.
  • Lee et al., 2023: Onze monitores de sono de consumo variaram muito na precisão das fases do sono em comparação com registros de laboratório, e os wearables mostraram um viés sistemático na eficiência do sono.
  • Miller et al., 2022: Seis wearables, entre eles um anel, coincidiram bem com os registros de laboratório na distinção entre sono e vigília, mas concordaram na fase exata do sono em apenas cerca de 50–65% da noite.

Também citados: Chinoy et al., 2021

Hora de dormir, hora de acordar e ponto médio

No Daytlas: Hora de dormir · Hora de acordar · Ponto médio do sono

Quando o seu período de sono principal começou e terminou, e a hora a meio caminho entre os dois.

Como aparece no Daytlas

  • Os horários usam a hora local registrada com os seus dados, por isso uma noite em outro fuso horário mantém a sua própria hora.
  • As horas de dormir depois da meia-noite continuam além das 24:00 (01:30 passa a 25:30), para que as horas de dormir tardias e as mais cedo fiquem lado a lado nos gráficos.
  • As médias semanais e mensais de horários usam uma média circular, por isso a média de 23:00 e 01:00 é a meia-noite e não o meio-dia.
  • Your Year desenha cada noite como uma barra da hora de dormir à hora de acordar; a hora média de dormir e a de acordar usam a mesma média circular.
  • As correlações deixam os horários de fora, porque a volta do relógio à meia-noite impede uma comparação linear.

Limites

A hora de dormir é o início do período de sono que o seu anel identificou, que pode não coincidir com a hora em que pretendia dormir.

Estudos

  • Sletten et al., 2023: Um painel de especialistas concordou que horários de dormir e de acordar consistentes são importantes para a saúde, a segurança e o desempenho.
  • Fischer et al., 2017: Em cerca de 54 mil diários de uso do tempo, o ponto médio do sono nos fins de semana era mais tardio por volta dos 19 anos e passava a ser mais cedo com a idade, com diferenças entre os sexos que se invertiam por volta dos 40.
  • Roenneberg et al., 2003: Mediu os horários de sono separadamente em dias de trabalho e em dias livres, encontrou grandes diferenças entre pessoas e entre os dois tipos de dia, e viu que a exposição à luz desloca o horário do sono.

Também citados: Berens, 2009

Regularidade do sono

Até que ponto o horário e a duração do seu sono são constantes de uma noite para a outra. O Daytlas não reduz isto a uma única pontuação; oferece visualizações para observar a regularidade.

Como aparece no Daytlas

  • A visualização do ritmo do sono em Your Year desenha cada noite como uma barra da hora de dormir à hora de acordar, com espaços vazios onde faltam noites.
  • A visualização por dia da semana em Overview mostra a hora de dormir mediana, ou outra métrica, para cada dia da semana, com a metade central dos valores em torno dela.
  • Os seus meses, em Your Year, mostram a média e o desvio-padrão do sono principal de cada mês e indicam o mês mais estável (o de menor desvio-padrão), assim que pelo menos dois meses tiverem 7 noites ou mais.

Limites

As medidas de regularidade precisam de mais de uma semana de dados para estabilizar. Estas visualizações descrevem o seu horário; não o avaliam.

Estudos

  • Chaput et al., 2020: Horários de sono mais tardios e mais variabilidade de uma noite para a outra estiveram, em geral, associados a piores resultados de saúde, embora a qualidade das evidências variasse de muito baixa a moderada.
  • Windred et al., 2024: Em cerca de 61 mil participantes do UK Biobank, horários de sono mais regulares estiveram associados a um menor risco de mortalidade e previram esse risco melhor do que a duração do sono.
  • Phillips et al., 2017: Em 61 estudantes acompanhados durante 30 dias, quem dormia de forma irregular tinha o relógio biológico mais tardio e notas mais baixas; o estudo introduziu o Sleep Regularity Index (índice de regularidade do sono).

Também citados: Fischer et al., 2021

Readiness e recuperação

A pontuação diária de recuperação calculada pelo app do seu anel.

Readiness Score

Uma pontuação de 0 a 100 do app do seu anel que combina sinais como a frequência cardíaca em repouso, a VFC, a temperatura corporal, o sono recente e a atividade. O Daytlas mostra a pontuação tal como chega e nunca a recalcula.

Como aparece no Daytlas

  • Day mostra a pontuação, os fatores que a compõem (cada um de 0 a 100) e a diferença em relação à média dos 30 dias anteriores, quando pelo menos 5 desses dias têm pontuação.
  • Os valores são coloridos segundo as faixas que o app do seu anel usa para as pontuações: abaixo de 60, “Preste atenção”; de 60 a 69, “Razoável”; de 70 a 84, “Boa”; e 85 ou mais, “Ótima”. Uma cor descreve o número, não a sua saúde.
  • Overview calcula a média da pontuação nos últimos 30 dias e compara essa média com os 30 dias anteriores e com os mesmos 30 dias do ano anterior.

Limites

Como a pontuação é construída a partir de outras medições, tem por definição correlação com elas: uma ligação forte entre Readiness e VFC em Trends reflete em parte a forma como a pontuação é feita. As medidas de recuperação baseadas na frequência cardíaca não conseguem distinguir todos os tipos de fadiga.

Estudos

  • Kellmann et al., 2018: Os especialistas concordaram que equilibrar o estresse e a recuperação exige monitoramento regular, porque as respostas ao treino e à recuperação variam em cada pessoa e entre pessoas.
  • Düking et al., 2021: Em 8 estudos, o treino orientado pela VFC medida por wearables teve um efeito médio na fisiologia submáxima, mas apenas um efeito pequeno e não significativo no desempenho.
  • Bellenger et al., 2016: Em atletas de resistência, a VFC em repouso subiu ligeiramente quando o treino teve bons resultados e quase não mudou com a sobrecarga de treino, por isso as medidas de frequência cardíaca, por si só, não conseguem distinguir todos os tipos de fadiga.

Também citados: Buchheit, 2014

Variabilidade da frequência cardíaca (VFC)

A variação da sua frequência cardíaca de um batimento para o outro durante o sono, e como interpretá-la ao longo do tempo.

VFC média

A variabilidade da frequência cardíaca (VFC; em inglês, HRV) é a variação do intervalo entre batimentos cardíacos. O seu anel indica a média da noite em milissegundos, com base no RMSSD, uma medida padrão da mudança de um batimento para o outro.

Como aparece no Daytlas

  • O Daytlas usa a VFC média do período de sono principal de cada dia.
  • Day mostra a curva da VFC durante a noite com uma linha de referência na média dos 30 dias anteriores e compara com ela a média da noite.
  • Overview mostra a média dos últimos 30 dias, a sua variação em relação aos 30 dias anteriores e ao mesmo período um ano antes, e o dia com o valor mais alto registrado.
  • Trends mostra os valores diários com uma linha tracejada para a média dos 60 dias anteriores e uma faixa sombreada de ±1 desvio-padrão.

Limites

A VFC depende muito das condições de medição, e uma noite diz pouco. A faixa é a sua própria dispersão, não um intervalo clínico.

Estudos

  • Task Force, 1996: Estabeleceu as definições padrão das medidas de variabilidade da frequência cardíaca, entre elas o RMSSD, e descreveu como as condições de registro as afetam.
  • Dobbs et al., 2019: Em 23 estudos, a VFC de dispositivos portáteis diferiu do ECG numa quantidade pequena mas variável, que os autores consideraram aceitável para uso fora do laboratório.
  • Cao et al., 2022: Em 35 adultos saudáveis que dormiam em casa, a frequência cardíaca noturna e o RMSSD de um anel coincidiram de perto com um ECG torácico, enquanto outras medidas de VFC foram menos precisas.

Também citados: Laborde et al., 2017

Ler a VFC ao longo do tempo

A VFC varia muito entre pessoas e muda com a idade, por isso a comparação útil é com o seu próprio histórico.

Como aparece no Daytlas

  • O Daytlas nunca compara a sua VFC com normas da população; todas as comparações do Daytlas são com os seus próprios dias anteriores.
  • Em Trends, as médias semanais suavizam o ruído de noite para noite antes de dar muito peso a uma mudança.
  • As mudanças na sua linha de base, em Overview, assinalam as datas em que a sua média de 30 dias antes e depois difere mais do que a sua dispersão habitual.

Limites

Muitas coisas afetam a VFC ao mesmo tempo, como o treino, o álcool, as doenças e o estresse, por isso uma mudança é um motivo para olhar para o contexto, não uma explicação.

Estudos

  • Altini & Plews, 2021: Em 28 175 pessoas, a VFC era mais baixa com a idade, e a VFC diária respondia a fatores de estresse como treino intenso, álcool e doença: sensível, mas não específica.
  • Natarajan et al., 2020: Em 8 milhões de pessoas com wearables, a VFC diminuía com a idade e variava muito ao longo do dia, enquanto o RMSSD não diferia de forma notável entre homens e mulheres.
  • Umetani et al., 1998: Em 260 pessoas saudáveis dos 10 aos 99 anos, a VFC diminuiu com a idade; o RMSSD caiu mais depressa e estabilizou por volta da sexta década de vida.

Também citados: Shaffer & Ginsberg, 2017

Coração

A frequência cardíaca em repouso durante a noite, a frequência cardíaca durante o dia e a estimativa da idade cardiovascular.

Frequência cardíaca em repouso

No Daytlas: FC média em repouso · FC mínima em repouso

A sua frequência cardíaca durante o período de sono principal. A frequência cardíaca média em repouso é a média ao longo desse período; a frequência cardíaca mínima em repouso é o valor mais baixo que o seu anel registrou nele.

Como aparece no Daytlas

  • Day mostra a curva da frequência cardíaca durante a noite com uma linha de referência na média dos 30 dias anteriores e compara os dois valores com a média de 30 dias de cada um.
  • “O seu corpo ao longo do tempo”, em Overview, e o gráfico de relações dessa seção usam a frequência cardíaca mínima em repouso.
  • Trends e Tag Lab podem mostrar as duas.

Limites

Cada pessoa tem a sua própria frequência cardíaca em repouso habitual, que muda com a estação do ano, o sono e muito mais. Os estudos populacionais associam, em média, a frequência cardíaca em repouso à saúde a longo prazo; o Daytlas não aplica essas conclusões ao seu caso.

Estudos

  • Zhang et al., 2016: Ao reunir 46 estudos de coorte, uma frequência cardíaca em repouso mais alta esteve associada, em média, a maior mortalidade; isto descreve populações, não uma pessoa em particular.
  • Stone et al., 2021: Em comparação com um ECG de várias derivações, sete tecnologias de consumo mediram com precisão a frequência cardíaca em repouso, enquanto a precisão do RMSSD variou muito.
  • Quer et al., 2020: Em 92 457 pessoas com wearables, a frequência cardíaca em repouso de cada pessoa foi bastante estável ao longo do tempo, mas o que era normal diferia até 70 bpm entre pessoas, com um pequeno padrão sazonal.

Também citados: Speed et al., 2023

Frequência cardíaca durante o dia

As amostras de frequência cardíaca que o seu anel registra ao longo do dia, fora do sono.

Como aparece no Daytlas

  • Day mostra cada amostra do dia selecionado no fuso horário definido nas preferências (se não escolher outro, o deste dispositivo). As falhas de mais de 15 minutos continuam visíveis como interrupções na linha; das amostras do mesmo momento é feita a média.
  • A frequência cardíaca em repouso diurna é a média das amostras desse dia marcadas como acordado ou em repouso. O valor de hoje é parcial.
  • É comparada com a média dos 30 dias anteriores que têm amostras, quando houver pelo menos 5.
  • Os arquivos de exportação importados não incluem estas amostras, por isso esta visualização precisa de uma conexão ao vivo.

Limites

Os sensores ópticos de frequência cardíaca são razoavelmente precisos em repouso e menos precisos durante o movimento.

Estudos

  • Fuller et al., 2020: Em 158 estudos, os wearables contaram passos e mediram a frequência cardíaca bem em laboratório, mas nenhuma marca estimou com precisão o gasto energético.
  • Zhang et al., 2020: Em 44 estudos, a frequência cardíaca óptica medida no pulso ficou próxima da referência durante o sono, o repouso, a caminhada e a corrida, e foi menos precisa no treino de força e no ciclismo.
  • Bent et al., 2020: Os sensores ópticos de frequência cardíaca foram razoavelmente precisos em repouso, os erros foram cerca de 30% maiores durante a atividade e a precisão não diferiu significativamente entre tons de pele.

Também citados: Shcherbina et al., 2017

Idade cardiovascular

Uma estimativa do app do seu anel da idade do seu sistema cardiovascular, baseada na forma do seu sinal de pulso e na velocidade estimada da onda de pulso. O Daytlas mostra o valor, mas não o calcula.

Como aparece no Daytlas

  • Overview mostra a leitura mais recente do último ano, a média das leituras dos 30 dias anteriores a ela (quando houver pelo menos 5) e os últimos 90 dias num gráfico com uma linha de média.
  • As leituras fora do intervalo de 18 a 100 anos são ignoradas por serem inválidas.
  • Os arquivos de exportação importados não incluem este valor.

Limites

É uma estimativa do envelhecimento vascular, não uma medição clínica da rigidez arterial nem um diagnóstico. Observe a tendência ao longo de semanas e não leituras isoladas.

Estudos

  • Laurent et al., 2006: Uma rede europeia de especialistas resumiu como se mede a rigidez arterial, entre outros métodos pela velocidade da onda de pulso, e os fatores que afetam a medição.
  • Reference Values for Arterial Stiffness’ Collaboration, 2010: Em 16 867 pessoas de 13 centros europeus, a velocidade da onda de pulso, uma medida da rigidez arterial, aumentou com a idade e a pressão arterial.
  • Charlton et al., 2022: Analisa como a forma e o tempo do sinal óptico de pulso se relacionam com o envelhecimento vascular e até que ponto essas estimativas foram validadas.

Também citados: Allen, 2007

Atividade

Movimento, esforço e energia estimada ao longo do dia.

Activity Score

Uma pontuação de 0 a 100 do app do seu anel que reflete o seu nível de atividade e como ela se distribuiu ao longo do dia e da semana. O Daytlas mostra a pontuação tal como chega e nunca a recalcula.

Como aparece no Daytlas

  • Day mostra a pontuação, os fatores que a compõem (cada um de 0 a 100) e a diferença em relação à média dos 30 dias anteriores, quando pelo menos 5 desses dias têm pontuação.
  • Os valores são coloridos segundo as faixas que o app do seu anel usa para as pontuações: abaixo de 60, “Preste atenção”; de 60 a 69, “Razoável”; de 70 a 84, “Boa”; e 85 ou mais, “Ótima”. Uma cor descreve o número, não a sua saúde.
  • A pontuação de hoje é comparada com dias completos anteriores, por isso mostra o progresso e não um resultado final.

Limites

As metas e a fórmula da pontuação pertencem ao app do seu anel. A atividade de hoje fica incompleta enquanto o dia não terminar.

Estudos

  • Bull et al., 2020: Recomenda que os adultos façam 150–300 minutos de atividade moderada ou 75–150 minutos de atividade vigorosa por semana e passem menos tempo em comportamento sedentário.
  • Ekelund et al., 2019: Ao reunir dados de acelerômetro de cerca de 36 mil adultos, qualquer atividade física, incluindo a leve, esteve associada a menor mortalidade, com a diferença mais acentuada nos níveis baixos.
  • de Zambotti et al., 2019: Analisa como os monitores de sono de consumo são validados e adverte que algoritmos proprietários e atualizações de firmware podem mudar os seus números.

Passos e distância equivalente de caminhada

No Daytlas: Passos · Distância equivalente de caminhada

Os passos que o seu anel contou durante o dia e a distância equivalente de caminhada: a atividade do dia expressa como uma distância a pé.

Como aparece no Daytlas

  • As distâncias chegam em metros e aparecem em quilômetros ou milhas, conforme escolher nas preferências.
  • Day compara um dia com a média dos 30 dias anteriores; o dia de hoje, até agora, é comparado com dias completos anteriores.
  • Your Year pode colorir cada dia do ano segundo os passos.

Limites

As contagens de passos dos wearables têm bons resultados em testes de laboratório, mas diferem entre dispositivos e atividades, por isso compare os seus próprios dias e não dispositivos diferentes.

Estudos

  • Banach et al., 2023: Em estudos de coorte, mais passos diários estiveram associados a menor mortalidade por todas as causas e cardiovascular, a partir de aproximadamente 2300 a 3900 passos por dia.
  • Paluch et al., 2022: Em 15 coortes, mais passos diários estiveram associados a menor mortalidade, com estabilização por volta dos 6000–8000 passos em adultos com 60 anos ou mais e dos 8000–10 000 em adultos mais jovens.
  • Fuller et al., 2020: Em 158 estudos, os wearables contaram passos e mediram a frequência cardíaca bem em laboratório, mas nenhuma marca estimou com precisão o gasto energético.

Também citados: Tudor-Locke et al., 2011

Energia ativa e total

No Daytlas: Calorias ativas · Calorias totais

A energia estimada gasta com a atividade (energia ativa) e no total, incluindo a energia que o corpo usa em repouso (energia total), em quilocalorias.

Como aparece no Daytlas

  • Aparece tal como é indicada e, em Day, é comparada com a média dos 30 dias anteriores.
  • Trends pode mostrar as duas num gráfico, por dia ou como médias semanais e mensais.

Limites

Nenhum wearable de consumo estima o gasto energético com precisão. Leia estes valores como estimativas aproximadas, mais úteis para comparar os seus próprios dias entre si.

Estudos

  • Fuller et al., 2020: Em 158 estudos, os wearables contaram passos e mediram a frequência cardíaca bem em laboratório, mas nenhuma marca estimou com precisão o gasto energético.
  • O’Driscoll et al., 2020: Em 60 estudos, a precisão das estimativas de energia de dispositivos de pulso e de braço variou com a atividade, e juntar a frequência cardíaca aos dados de movimento ajudou.
  • Shcherbina et al., 2017: Sete dispositivos de pulso mediram a frequência cardíaca razoavelmente bem em laboratório, mas nenhum estimou o gasto energético com um erro abaixo de 20%.

Intensidade da atividade e MET

No Daytlas: MET médio · Atividade alta · Atividade média · Atividade baixa

O MET, o equivalente metabólico, expressa o esforço como um múltiplo da energia que o corpo usa em repouso. O seu anel faz esta estimativa ao longo do dia e divide o seu tempo em atividade baixa, média e alta.

Como aparece no Daytlas

  • O gráfico de intensidade da atividade em Day mostra como barras as estimativas de MET do dia selecionado disponíveis no momento em que os dados foram carregados.
  • O tempo em cada intensidade chega em segundos e aparece como duração, escrita da forma que escolher nas preferências.
  • O MET médio é a média do dia tal como é indicada.

Limites

Os limites de intensidade são definidos pelo app do seu anel e podem não coincidir com os minutos contados nas recomendações de atividade física.

Estudos

  • Bull et al., 2020: Recomenda que os adultos façam 150–300 minutos de atividade moderada ou 75–150 minutos de atividade vigorosa por semana e passem menos tempo em comportamento sedentário.
  • Herrmann et al., 2024: Lista o custo energético medido, em METs, de 1114 atividades para adultos, do repouso ao exercício vigoroso.
  • Migueles et al., 2017: Mostra como escolhas como as regras de não uso, as definições de dia válido e os limites de intensidade mudam as estimativas de atividade obtidas de um acelerômetro.

Também citados: Byrne et al., 2005

Tempo inativo, de descanso e sem o anel

No Daytlas: Tempo inativo · Tempo de descanso · Tempo sem o anel

O tempo inativo é o tempo acordado com pouco movimento. O tempo de descanso inclui o descanso e o sono. O tempo sem o anel é o tempo em que o anel não estava no dedo.

Como aparece no Daytlas

  • Indicado em segundos e mostrado como duração, escrita da forma que escolher nas preferências.
  • O Daytlas não preenche o tempo sem o anel: quando o anel estava fora do dedo, as leituras desse tempo simplesmente não existem.

Limites

Longos períodos sem o anel deixam incompletos os restantes números de atividade do dia. Ficar parado algum tempo não é o mesmo que ter pouca atividade no conjunto do dia.

Estudos

  • Tremblay et al., 2017: Estabelece definições comuns que separam o comportamento sedentário, ficar sentado ou deitado acordado com pouco gasto energético, da inatividade física.
  • Patterson et al., 2018: Independentemente da atividade física, mais tempo sentado no total esteve associado a maior risco, que subia acima de cerca de 6–8 horas por dia no caso da mortalidade.
  • Choi et al., 2011: Validou uma regra para distinguir o não uso do uso sem movimento nos dados de acelerômetro, o que muda quanto tempo conta como sedentário.

Temperatura

Como a temperatura da sua pele durante a noite se compara com o que é habitual no seu caso.

Desvio de temperatura e tendência

No Daytlas: Desvio de temperatura · Desvio de temperatura (tendência)

Quanto a temperatura da sua pele durante o sono diferiu da sua própria linha de base, em graus Celsius (ou Fahrenheit, se escolher essa opção nas preferências). O desvio da tendência é uma versão suavizada que muda mais devagar. Ambos vêm do app do seu anel.

Como aparece no Daytlas

  • Day mostra o desvio do dia selecionado e compara esse valor com o desvio médio dos 30 dias anteriores.
  • “O seu corpo ao longo do tempo”, em Overview, mostra o desvio diário num gráfico.
  • Trends pode mostrar os dois num gráfico, por dia ou como médias semanais e mensais.

Limites

A temperatura da pele muda com a temperatura do quarto, a roupa de cama, o horário e muito mais. Um desvio descreve os seus dados registrados; não é uma medição de febre nem um diagnóstico.

Estudos

  • Smith et al., 2010: Pequenos sensores de pele sem fio deram leituras válidas da temperatura da pele em comparação com uma referência, embora os dispositivos diferissem até cerca de 1 °C com a temperatura ambiente e o exercício.
  • Harding et al., 2019: Analisa evidências de que adormecer está estreitamente ligado à descida da temperatura do corpo e do cérebro.
  • Okamoto-Mizuno & Mizuno, 2012: A temperatura e a umidade do quarto e a roupa de cama influenciam o sono; o calor, em particular, aumenta o tempo acordado e reduz o sono profundo e REM.

Também citados: Kräuchi, 2007

Respiração e oxigênio no sangue

A frequência respiratória e a saturação de oxigênio estimada durante o sono.

Frequência respiratória

O seu número médio de respirações por minuto durante o período de sono principal, estimado a partir dos sinais do seu anel.

Como aparece no Daytlas

  • Day compara o valor com a média dos 30 dias anteriores; Trends e Tag Lab podem mostrá-lo ao longo do tempo.

Limites

A frequência respiratória é estimada de forma indireta, e não medida com um sensor de fluxo de ar, por isso pequenas mudanças podem estar dentro do erro de medição.

Estudos

  • Douglas et al., 1982: Em 19 adultos saudáveis, a respiração ficou mais rápida e mais superficial durante o sono, e a ventilação caiu sobretudo durante o sono REM.
  • Nicolò et al., 2020: Defende que a frequência respiratória responde ao estresse, ao calor, ao esforço e à fadiga mais prontamente do que a maioria dos outros sinais vitais.
  • Charlton et al., 2018: Analisa algoritmos que estimam a frequência respiratória a partir de sinais cardíacos e de pulso, e como a sua precisão deve ser testada.

Oxigênio no sangue (SpO2)

No Daytlas: Saturação de oxigênio média

A saturação média estimada de oxigênio no seu sangue durante o sono, em percentagem. Só está disponível quando o seu anel e a sua conta fornecem esse dado.

Como aparece no Daytlas

  • Trends mostra a média de cada noite; o Daytlas não deriva mais nada deste valor.
  • Se estes dados não estiverem disponíveis, o resto do Daytlas funciona sem eles.

Limites

A oximetria de pulso é menos precisa com movimento ou má circulação, e há estudos que concluíram que os oxímetros podem superestimar os níveis de oxigênio em pessoas de pele mais escura. Um anel não é um oxímetro médico.

Estudos

  • Jiang et al., 2023: Os smartwatches de consumo diferiram na precisão do oxigênio no sangue em comparação com um oxímetro clínico, e alguns não conseguiram dar uma leitura em cerca de 30% das tentativas.
  • Sjoding et al., 2020: Em pacientes hospitalizados, os oxímetros de pulso não identificaram níveis baixos de oxigênio no sangue com uma frequência cerca de três vezes maior em pacientes negros do que em pacientes brancos.
  • Gries & Brooks, 1996: Em pessoas saudáveis durante o sono, a saturação de oxigênio mediana foi de cerca de 96,5%, os valores mais baixos rondaram em média os 90% e as pessoas com mais de 60 anos tinham valores ligeiramente mais baixos.

Também citados: Jubran, 2015

Métodos e estatística

Os cálculos por trás de cada média, comparação, correlação e destaque do Daytlas.

Dias, noites e dados ausentes

Cada gráfico parte de uma linha por dia de calendário, construída a partir dos resumos diários e dos períodos de sono que o app do seu anel fornece.

Como aparece no Daytlas

  • Os períodos de sono pertencem ao dia ao qual o app do seu anel os atribui; o mais longo fornece as métricas de sono desse dia.
  • Uma leitura ausente continua ausente. O Daytlas nunca preenche uma lacuna com zero ou com um valor inventado, e as médias usam só os dias que têm leitura.
  • As linhas ficam interrompidas onde falta um dia; uma linha tracejada clara liga as lacunas dentro do gráfico, para que possa seguir a tendência sem confundir essa linha com dados.
  • Cada comparação precisa de um número mínimo de leituras, indicado nas seções abaixo. Abaixo desse mínimo, o Daytlas deixa a comparação de fora em vez de adivinhar.

Limites

Se as leituras tendem a faltar em certos dias, por exemplo nas noites em que tirou o anel, as médias descrevem só os dias registrados.

Estudos

  • Tackney et al., 2021: Propõe usar o tempo de uso para definir os dados ausentes dos wearables, já que um dispositivo que não registra nada pode significar ausência de uso ou ausência de movimento.
  • Cho et al., 2021: Cientistas e especialistas em qualidade de dados apontaram a completude, a precisão e a plausibilidade como os principais problemas de qualidade dos dados de wearables.
  • Sterne et al., 2009: Explica que analisar só os registros completos pode enviesar os resultados quando o motivo da falta de dados está relacionado com os próprios valores.

Médias e períodos

Como o Daytlas agrupa os dias em semanas, meses, trimestres e anos.

Como aparece no Daytlas

  • Trends mostra os valores diários ou calcula a média por semana, mês, trimestre ou ano. As semanas começam no dia definido nas preferências (segunda-feira, se não escolher outro). Cada período é a média simples dos dias com leitura; os horários usam uma média circular.
  • Cada gráfico de Trends desenha uma linha de média tracejada para os valores na tela.
  • O cabeçalho da seção de Trends divide as leituras da sua seleção numa metade mais antiga e numa mais recente e mostra a diferença entre as médias das duas. Não compara com um período anterior.
  • Your Year agrupa os dias em semanas de calendário, que começam no início de semana definido nas preferências e são cortadas no início e no fim do ano, e em meses.

Limites

A média suaviza o ruído, mas também pode esconder mudanças curtas, e faz duas métricas parecerem mais fortemente relacionadas do que estão nos valores diários.

Estudos

  • Cremers & Klugkist, 2018: Um tutorial que mostra que dados num círculo, como ângulos ou horas do relógio, precisam de métodos próprios, porque 0 e 360 graus são o mesmo ponto.
  • Berens, 2009: Explica a razão pela qual ângulos e horas do dia precisam de estatística circular, como a média circular, em vez de médias comuns.
  • Robinson, 1950: Mostrou que as correlações entre médias de grupos podem diferir muito das correlações entre os valores individuais subjacentes.

Linhas de base e faixas

Uma linha de base é a sua própria média recente, usada como referência numa comparação.

Como aparece no Daytlas

  • Day: cada leitura é comparada com a média dos 30 dias de calendário antes do dia selecionado, sem contar o próprio dia. A comparação aparece quando pelo menos 5 desses dias têm leitura; caso contrário, Day mostra “Histórico insuficiente”.
  • Trends, visualização diária: a linha tracejada é a média dos 60 dias de calendário anteriores dentro do intervalo selecionado, sem contar o próprio dia. A faixa sombreada é ±1 desvio-padrão em torno dela e precisa de pelo menos 2 leituras anteriores.
  • Os cartões de pontuação em Overview comparam a pontuação mais recente com a média de até 7 dias anteriores.

Limites

Uma linha de base descreve o seu próprio passado recente, não uma faixa saudável nem uma meta. Uma diferença menor do que a sua variação habitual de um dia para o outro é provavelmente uma variação comum.

Estudos

  • Buchheit, 2014: Recomenda interpretar uma mudança na frequência cardíaca em repouso ou na VFC à luz do seu erro habitual de um dia para o outro e da menor mudança relevante.
  • Plews et al., 2013: Defende que é melhor acompanhar a VFC com médias adequadas de vários dias do que com valores diários isolados.
  • Hopkins, 2000: Define o erro típico, a dispersão normal das medições repetidas de uma pessoa, como a referência para avaliar se uma mudança é real.

Também citados: Plews et al., 2013

Janelas de comparação

Comparações lado a lado de dois períodos do seu próprio histórico.

Como aparece no Daytlas

  • Últimos 30 dias (Overview): a média dos últimos 30 dias de calendário, incluindo hoje, comparada com os 30 dias anteriores e com os mesmos 30 dias um ano antes. Cada comparação precisa de pelo menos 15 leituras nas duas janelas. O dia com o valor mais alto registrado é o maior valor individual da janela atual.
  • Este mês comparado com o anterior: os últimos 30 dias comparados com os 30 dias anteriores, como variação percentual, para as métricas com pelo menos 15 leituras em cada janela, ordenadas pelo tamanho da mudança.
  • A sua semana: os últimos 7 dias de calendário comparados com os 60 dias anteriores; no histórico importado, os 7 dias que terminam no seu registro mais recente. Uma métrica entra quando tem pelo menos 4 leituras nesta semana e 30 na linha de base; aparecem as três métricas mais afastadas da sua linha de base, medidas em desvios-padrão.
  • As cores mostram só a direção, para cima ou para baixo, nunca melhor ou pior.

Limites

Duas janelas podem diferir só porque uma delas teve dias fora do comum, altos ou baixos; a janela seguinte muitas vezes fica de novo mais perto da sua média.

Estudos

  • Hopkins, 2000: Define o erro típico, a dispersão normal das medições repetidas de uma pessoa, como a referência para avaliar se uma mudança é real.
  • Swinton et al., 2018: Explica como o erro de medição, o erro típico e a menor mudança relevante ajudam a decidir se a mudança de uma pessoa é real.
  • Hopkins et al., 2009: Recomenda avaliar os efeitos pelo seu tamanho e precisão, e mostrar desvios-padrão, em vez de depender só de testes de significância.

Também citados: Barnett et al., 2005

Medianas, percentis e distribuições

Formas de ver o seu intervalo habitual em vez de uma única média.

Como aparece no Daytlas

  • O seu valor habitual, no seu perfil: a mediana e a metade central (do percentil 25 ao 75) dos últimos 90 dias de calendário, a partir de pelo menos 14 dias registrados. A faixa por trás vai do percentil 5 ao 95, para que um único dia raro não a achate.
  • Padrões por dia da semana, em Overview: a mediana e a metade central de cada dia da semana em todo o seu histórico, a partir do início de semana definido nas preferências, com o número de dias por trás de cada um.
  • “Onde ficam os seus últimos 30 dias?”, em Overview: cada dia registrado distribuído por 12 intervalos de largura igual, com a proporção dos dias anteriores e dos últimos 30 dias em cada um. Precisa de pelo menos 10 dias registrados.
  • Os percentis usam interpolação linear entre valores vizinhos, uma definição comum em programas de estatística.

Limites

Com poucos dias, as medianas e os quartis mudam de forma visível à medida que chegam dias novos. As diferenças entre dias da semana podem refletir a sua rotina e não o dia em si.

Estudos

  • Weissgerber et al., 2015: Muitas distribuições diferentes podem produzir o mesmo gráfico de barras ou de linhas, por isso mostrar a distribuição completa ajuda os leitores a avaliar os dados.
  • Wittmann et al., 2006: Descreve o jet lag social: muitas pessoas dormem em horários diferentes nos dias de trabalho e nos dias livres, sobretudo os cronotipos tardios.
  • Krzywinski & Altman, 2014: Explica como os diagramas de caixa mostram a mediana, a metade central dos valores e a sua dispersão, o que facilita comparar distribuições.

Também citados: Hyndman & Fan, 1996

Correlações

Uma correlação descreve até que ponto duas métricas sobem e descem juntas nos seus próprios dados.

Como aparece no Daytlas

  • O Daytlas usa o coeficiente de correlação de Pearson, r, de −1 a +1, em pares de valores do mesmo dia, ou da mesma semana, mês, trimestre ou ano quando escolhe médias.
  • Só contam os períodos em que as duas métricas têm valor; as lacunas nunca são preenchidas. São necessários pelo menos 5 pares, e nenhum r é mostrado quando uma das métricas não varia.
  • Os horários (hora de dormir, hora de acordar e ponto médio) ficam de fora, porque dão a volta à meia-noite.
  • A descrição segue o tamanho de r, sem contar o sinal: abaixo de 0,2, “Sem padrão linear claro”; abaixo de 0,4, fraca; abaixo de 0,7, moderada; e 0,7 ou mais, forte. O número de pares aparece com o resultado.

Limites

Uma correlação não é causa e efeito, e o Daytlas não faz testes de significância. Com algumas dezenas de pares, r pode oscilar muito, e uma matriz com muitos pares mostra por acaso alguns valores que parecem fortes. Os valores de cada dia dependem dos dias anteriores, o que pode fazer duas métricas parecerem mais relacionadas do que estão, e o mesmo acontece com médias e pontuações construídas a partir dos mesmos dados.

Estudos

  • Schober et al., 2018: Um tutorial sobre quando usar o r de Pearson, o que significa a sua escala de −1 a +1 e como interpretar a sua força.
  • Dean & Dunsmuir, 2016: Mostra que correlacionar duas séries temporais cujos valores dependem do seu próprio passado pode sugerir relações que não existem.
  • Schönbrodt & Perugini, 2013: Simulações mostraram que as correlações de amostras pequenas oscilam muito; em casos típicos, estimativas estáveis precisam de cerca de 250 observações.

Também citados: Benjamini & Hochberg, 1995

Mudanças na sua linha de base

Datas em torno das quais o nível de uma métrica parece ter mudado e ficado assim durante algum tempo.

Como aparece no Daytlas

  • Para a frequência cardíaca média em repouso, a VFC, o Sleep Score e o sono total, o Daytlas percorre o seu histórico em passos de pelo menos 7 dias e compara a média dos 30 dias antes de uma data com a dos 30 dias a partir dela.
  • Uma mudança é listada quando as duas médias diferem mais de um desvio-padrão de todo o histórico da métrica, as duas janelas têm pelo menos 24 leituras e a métrica tem pelo menos 60 leituras no total.
  • As mudanças de uma mesma métrica ficam a pelo menos 30 dias umas das outras; o cartão mostra as quatro mais recentes.

Limites

São candidatas descritivas, não pontos de mudança testados estatisticamente, e não dizem nada sobre o motivo de uma mudança.

Estudos

  • Truong et al., 2020: Analisa métodos para encontrar os pontos em que uma série temporal muda, cada um construído a partir de uma função de custo, um método de pesquisa e um limite para o número de mudanças.
  • Aminikhanghahi & Cook, 2017: Faz um panorama e uma comparação dos métodos para identificar mudanças bruscas em séries temporais, de algoritmos supervisionados a não supervisionados.
  • Barnett et al., 2005: Explica a razão pela qual valores fora do comum, altos ou baixos, tendem a ser seguidos de valores mais próximos da média, o que pode parecer uma mudança real.

Comparações no Tag Lab

Como as suas métricas registradas diferem nos dias seguintes a um hábito que marcou com uma tag no app do seu anel.

Como aparece no Daytlas

  • Uma tag abrange todos os dias da data de início à data de fim, e as tags com o mesmo nome são agrupadas.
  • Para cada métrica, o Daytlas compara a média nos dias que se seguem a um dia com tag com a média de todos os outros dias registrados.
  • Cada grupo precisa de pelo menos 5 dias com leitura, e o número de dias de cada grupo é mostrado.
  • As métricas comparadas são a VFC média, a frequência cardíaca média em repouso, o Sleep Score, o Readiness Score, o sono total, o sono profundo e a frequência respiratória, ordenadas pelo tamanho da diferença em relação à média de comparação.

Limites

São médias sem ajuste. Um dia sem tag não prova que o hábito esteve ausente, outros hábitos e rotinas podem explicar uma diferença, e alguns dias fora do comum podem mexer num grupo pequeno. Com sete métricas comparadas ao mesmo tempo, uma delas pode diferir por acaso. Leia uma diferença como uma pergunta, não como um resultado.

Estudos

  • Shaffer et al., 2018: Analisou 54 ensaios publicados com um único participante, verificou que muitos não tinham o detalhe necessário para avaliar os resultados e pediu mais rigor.
  • Daza, 2018: Define quando uma associação nos dados de automonitoramento de uma pessoa pode ser lida como um efeito, considerando tendências, efeitos residuais e autocorrelação.
  • Barnett et al., 2005: Explica a razão pela qual valores fora do comum, altos ou baixos, tendem a ser seguidos de valores mais próximos da média, o que pode parecer uma mudança real.

Também citados: Bender & Lange, 2001

Marcos, sequências e recordes

Sequências de pontuações altas e os seus valores mais altos e mais baixos registrados.

Como aparece no Daytlas

  • Uma sequência conta dias de calendário consecutivos com um Sleep Score ou um Readiness Score de 85 ou mais. Um dia sem dados interrompe a sequência, e a sequência atual só conta se a pontuação mais recente for de hoje ou de ontem.
  • A sequência mais longa é a maior dessas sequências no seu histórico; a VFC mais alta registrada é a sua média noturna individual mais alta.
  • Your Year indica o dia mais alto e o mais baixo e, entre os meses com pelo menos 7 dias registrados, o mês mais alto e o mais baixo.

Limites

Os recordes são extremos por definição, e os valores depois de um recorde costumam ficar de novo mais perto da sua média. Mais alto e mais baixo descrevem valores, não a saúde.

Estudos

  • Gilovich et al., 1985: Os registros de lançamentos não confirmaram a crença de jogadores e fãs em sequências de acertos (a “mão quente”), o que sugere que as pessoas veem sequências em séries em grande parte aleatórias.
  • Barnett et al., 2005: Explica a razão pela qual valores fora do comum, altos ou baixos, tendem a ser seguidos de valores mais próximos da média, o que pode parecer uma mudança real.
  • Morton & Torgerson, 2003: Mostra como a regressão à média pode fazer uma mudança parecer o efeito de uma ação quando em parte se deve ao acaso.

Your Year e os seus meses

Visualizações do ano inteiro que mostram estações e variabilidade em vez de dias isolados.

Como aparece no Daytlas

  • Os três anéis do gráfico mostram médias semanais (as semanas começam no início de semana definido nas preferências e são cortadas nos limites do ano) do Sleep Score, do Readiness Score e do Activity Score. Mais escuro significa mais alto dentro de cada métrica nesse ano; cinza significa sem leitura.
  • O calendário colore cada dia numa escala de 7 níveis, do valor mais baixo ao mais alto do ano na métrica escolhida.
  • Os seus meses mostram os 12 meses que terminam no seu registro mais recente: a média do sono principal por mês, o desvio-padrão e quantos dias faltam. O mês de sono mais longo e o mais estável saem dos meses com pelo menos 7 noites, assim que pelo menos dois meses cumprem esse critério.

Limites

As escalas de cor são relativas ao seu próprio ano, por isso a mesma cor pode significar valores diferentes em anos ou métricas diferentes.

Estudos

  • Bei et al., 2016: Defende que a variabilidade de uma noite para a outra é uma dimensão do sono por si só, além da média, e analisa 53 estudos sobre aquilo com que se relaciona.
  • Lemola et al., 2013: Em 441 adultos acompanhados durante uma semana, a variabilidade da duração do sono de uma noite para a outra, mais do que a média, esteve associada a pior qualidade do sono e menor bem-estar.
  • Crameri et al., 2020: Mostra como mapas de cores irregulares ou vermelho-verde distorcem os dados e recomenda escalas perceptualmente uniformes que também funcionam com deficiência na visão de cores.

Referências

Como escolhemos as fontes

  • Só trabalhos revisados por pares. Primeiro vêm as declarações de consenso, as meta-análises e as revisões sistemáticas recentes, porque ponderam muitos estudos ao mesmo tempo.
  • Para a precisão, estudos de validação de wearables de consumo comparados com referências de laboratório, de preferência de laboratórios independentes ou que testem vários dispositivos. Nunca o marketing de um fabricante.
  • Para os cálculos, artigos de métodos sobre o que o Daytlas realmente faz: linhas de base e erro típico, médias, estatística circular para horas do relógio, correlação com amostras pequenas e muitas comparações, e variabilidade de uma noite para a outra.
  • Cada DOI é conferido com o registro da editora: o link funciona e o título, o primeiro autor e o ano coincidem. O que não conseguimos verificar fica de fora.
  • Os resumos de uma linha são nossos, em linguagem simples. Os estudos descrevem grupos de pessoas, não o seu caso; leia os artigos para ter o quadro completo.

99 fontes, verificadas pela última vez em 8 de outubro de 2026. Cada seção acima mostra até 3; aqui estão todas, organizadas por tema.

Sono

  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

    Declaração de consenso · Aparece em Sono 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

    Declaração de consenso · Aparece em Sono 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

    Estudo de validação · Aparece em Sono total, Sono profundo, leve, REM e tempo acordado

  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

    Declaração de consenso · Aparece em Tempo na cama e eficiência do sono, Tempo para adormecer

  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

    Artigo de métodos · Aparece em Tempo na cama e eficiência do sono

  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-análise · Aparece em Tempo para adormecer

  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

    Estudo de validação · Aparece em Sono profundo, leve, REM e tempo acordado

  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

    Revisão · Aparece em 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

    Declaração de posição · Aparece em 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

    Declaração de consenso · Aparece em Hora de dormir, hora de acordar e ponto médio

  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

    Estudo observacional · Aparece em Hora de dormir, hora de acordar e ponto médio

  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

    Estudo observacional · Aparece em Regularidade do sono

  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

    Artigo de métodos · Aparece em Regularidade do sono

  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

    Estudo de coorte · Aparece em Regularidade do sono

  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

    Revisão sistemática · Aparece em Your Year e os seus meses

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

    Estudo observacional · Aparece em Medianas, percentis e distribuições

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

    Revisão · Aparece em 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

    Revisão · Aparece em 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

    Revisão · Aparece em Sono 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

    Revisão · Aparece em Tempo na cama e eficiência do sono

  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

    Estudo de validação · Aparece em Tempo na cama e eficiência do sono, Sono profundo, leve, REM e tempo acordado

  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-análise · Aparece em Tempo para adormecer, Sono profundo, leve, REM e tempo acordado

  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

    Estudo observacional · Aparece em Hora de dormir, hora de acordar e ponto médio

  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

    Revisão sistemática · Aparece em Regularidade do sono

  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

    Estudo observacional · Aparece em Your Year e os seus meses

Readiness e recuperação

  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

    Revisão · Aparece em Readiness Score, Linhas de base e faixas

  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-análise · Aparece em 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

    Declaração de consenso · Aparece em 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-análise · Aparece em Readiness Score

Variabilidade da frequência cardíaca (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

    Relatório de normas · Aparece em VFC média

  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

    Revisão · Aparece em VFC média

  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

    Estudo de validação · Aparece em VFC média

  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

    Revisão · Aparece em Ler a VFC ao longo do 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

    Estudo observacional · Aparece em Ler a VFC ao longo do 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

    Estudo observacional · Aparece em Ler a VFC ao longo do 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-análise · Aparece em VFC média

  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

    Estudo observacional · Aparece em Ler a VFC ao longo do tempo

Coração

  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

    Estudo de coorte · Aparece em Frequência cardíaca em repouso

  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

    Estudo de validação · Aparece em Frequência cardíaca em repouso

  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-análise · Aparece em Frequência cardíaca em repouso

  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

    Estudo de validação · Aparece em Frequência cardíaca durante o dia

  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

    Revisão · Aparece em Idade cardiovascular

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

    Estudo observacional · Aparece em Idade cardiovascular

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

    Estudo observacional · Aparece em Frequência cardíaca em repouso

  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-análise · Aparece em Frequência cardíaca durante o dia

  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

    Estudo de validação · Aparece em Frequência cardíaca durante o dia, Energia ativa e total

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

    Declaração de consenso · Aparece em Idade cardiovascular

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

    Revisão · Aparece em Idade cardiovascular

Atividade

  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

    Revisão sistemática · Aparece em Frequência cardíaca durante o dia, Passos e distância equivalente de caminhada, Energia ativa e total

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

    Diretriz · Aparece em Activity Score, Intensidade da atividade 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-análise · Aparece em Passos e distância equivalente de caminhada

  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

    Revisão · Aparece em Passos e distância equivalente de caminhada

  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-análise · Aparece em Energia ativa e total

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

    Revisão sistemática · Aparece em Intensidade da atividade 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

    Declaração de consenso · Aparece em Tempo inativo, de descanso e sem o anel

  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-análise · Aparece em 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-análise · Aparece em Passos e distância equivalente de caminhada

  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

    Estudo observacional · Aparece em Intensidade da atividade 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

    Revisão sistemática · Aparece em Intensidade da atividade 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-análise · Aparece em Tempo inativo, de descanso e sem o anel

  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

    Estudo de validação · Aparece em Tempo inativo, de descanso e sem o anel

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

    Revisão · Aparece em Desvio de temperatura e tendência

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

    Revisão · Aparece em Desvio de temperatura e tendência

  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

    Revisão · Aparece em Desvio de temperatura e tendência

  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

    Estudo de validação · Aparece em Desvio de temperatura e tendência

Respiração e oxigênio no 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

    Revisão · Aparece em Frequência respiratória

  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

    Revisão · Aparece em Frequência respiratória

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

    Revisão · Aparece em Oxigênio no 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

    Estudo observacional · Aparece em Oxigênio no 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

    Estudo observacional · Aparece em Frequência respiratória

  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

    Estudo de validação · Aparece em Oxigênio no 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

    Estudo observacional · Aparece em Oxigênio no sangue (SpO2)

Métodos e estatística

  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

    Artigo de métodos · Aparece em Hora de dormir, hora de acordar e ponto médio, Médias e períodos

  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

    Artigo de métodos · Aparece em Dias, noites e dados ausentes

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

    Artigo de métodos · Aparece em Médias e períodos

  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

    Revisão · Aparece em Linhas de base e faixas

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

    Revisão · Aparece em Linhas de base e faixas, Janelas de comparação

  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

    Artigo de métodos · Aparece em Janelas de comparação, Mudanças na sua linha de base, Comparações no Tag Lab, Marcos, sequências e recordes

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

    Artigo de métodos · Aparece em Medianas, percentis e distribuições

  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

    Revisão · Aparece em Correlações

  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

    Artigo de métodos · Aparece em Correlações

  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

    Revisão · Aparece em Mudanças na sua linha de base

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

    Artigo de métodos · Aparece em Comparações no 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

    Artigo de métodos · Aparece em Dias, noites e dados ausentes

  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

    Artigo de métodos · Aparece em Dias, noites e dados ausentes

  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

    Artigo de métodos · Aparece em Médias e períodos

  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

    Artigo de métodos · Aparece em Linhas de base e faixas

  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

    Artigo de métodos · Aparece em Janelas de comparação

  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

    Artigo de métodos · Aparece em Janelas de comparação

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

    Artigo de métodos · Aparece em Medianas, percentis e distribuições

  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

    Revisão sistemática · Aparece em Medianas, percentis e distribuições

  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

    Artigo de métodos · Aparece em Correlações

  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

    Artigo de métodos · Aparece em Correlações

  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

    Revisão · Aparece em Mudanças na sua linha de base

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

    Artigo de métodos · Aparece em Comparações no 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

    Revisão sistemática · Aparece em Comparações no 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

    Artigo de métodos · Aparece em Marcos, sequências e recordes

  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

    Estudo observacional · Aparece em Marcos, sequências e recordes

  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

    Artigo de métodos · Aparece em Your Year e os seus meses

Encontrou um erro ou uma fonte melhor? Escreva para hadjkb@gmail.com.