วิทยาศาสตร์ของสมดุล

เราได้รวบรวมวิทยาศาสตร์ที่อยู่เบื้องหลัง Feelmo พร้อมแหล่งอ้างอิงไว้ที่นี่ รายละเอียดของอัลกอริทึมที่ประกอบขึ้นเป็นคะแนนของคุณนั้นไม่เปิดเผย แต่แนวคิดที่เป็นรากฐานนั้นตั้งอยู่บนงานวิจัยที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิและได้รับการเผยแพร่แล้ว

หน้านี้คือที่ที่เราพยายามจะบอกคุณอย่างซื่อตรงเท่าที่จะทำได้ว่า Feelmo วัดอะไร และทำไมจึงวัดแบบนั้น เนื้อหาอาจยาวสักหน่อย คุณจึงเลือกอ่านเฉพาะหัวข้อที่สนใจก็ได้นะ

หัวใจไม่ใช่เครื่องเคาะจังหวะ

หัวใจที่แข็งแรงไม่ได้เต้นด้วยจังหวะคงที่เหมือนนาฬิกา ช่วงเวลาระหว่างจังหวะหัวใจหนึ่งกับจังหวะถัดไป (R-R interval) ผันแปรอยู่ตลอดเวลาในแบบเล็ก ๆ ตามการหายใจ ท่าทาง ความเครียด และสภาวะการฟื้นตัวของคุณ ความผันแปรนี้คือสิ่งที่เราเรียกว่า HRV (ความแปรปรวนของอัตราการเต้นหัวใจ)

ตัวอย่างเช่น หัวใจของคุณจะเต้นเร็วขึ้นเล็กน้อยตอนหายใจเข้า และผ่อนลงตอนหายใจออก ความผันแปรที่เป็นจังหวะและสอดคล้องกับลมหายใจนี้ เป็นสัญญาณหนึ่งที่บอกว่าระบบประสาทพาราซิมพาเทติก (เวกัส) ซึ่งดูแลการพักผ่อนกำลังทำงานได้ดี ในทางกลับกัน เมื่อความตึงเครียดหรือความเครียดสะสมอยู่นาน ความผันแปรนี้มักจะเล็กลงและแบนราบลง

นับตั้งแต่คณะทำงานร่วมของ European Society of Cardiology และ North American Society of Pacing and Electrophysiology ได้กำหนดมาตรฐานวิธีวัดและการตีความทางสรีรวิทยาของ HRV ในปี 1996 (Task Force, 1996) HRV ก็ถูกใช้ในงานวิจัยนับพันชิ้นในฐานะหน้าต่างที่ช่วยให้มองเห็นการทำงานของระบบประสาทอัตโนมัติจากภายนอกร่างกาย (Shaffer & Ginsberg, 2017)

สิ่งที่ Feelmo เฝ้าดู

HRV มีมุมมองอยู่หลายแบบ Balance ของ Feelmo ไม่ได้นำตัวชี้วัดสาธารณะเพียงตัวใดตัวหนึ่งมาแสดงตรง ๆ

Feelmo นำ สัญญาณหลายอย่างที่ได้จาก HRV ที่ได้จาก Apple Watch มาอ่านร่วมกับความเสถียรของการวัดและเส้นฐานของตัวคุณเอง โดยไม่พึ่งดัชนีตัวใดตัวหนึ่งเพียงตัวเดียว สิ่งที่เรามองคือ "วันนี้คุณเคลื่อนไปทางไหน และมากแค่ไหน เมื่อเทียบกับตัวคุณตามปกติ" ส่วนองค์ประกอบ การถ่วงน้ำหนัก และวิธีแปลงค่าที่แม่นยำนั้น คือตรรกะการวิเคราะห์เฉพาะของ Feelmo และเราไม่เปิดเผย

ทำไมจึงเทียบกับ "เส้นฐานของตัวคุณเอง"

ค่าสัมบูรณ์ของ HRV แตกต่างกันมากตามอายุ เพศ และสภาพร่างกาย ข้อมูลขนาดใหญ่ที่ครอบคลุมชีวิตถึงเก้าทศวรรษได้แสดงให้เห็นว่า HRV ลดลงตามอายุ (Umetani et al., 1998) นั่นหมายความว่า ตัวเลขเดียวกันอาจมีความหมายต่างกันโดยสิ้นเชิงจากคนหนึ่งไปอีกคนหนึ่ง ในแง่ของ "ว่ามันสูงหรือต่ำสำหรับคนคนนั้น"

ด้วยเหตุนี้ Feelmo จึงไม่ได้มองว่าคุณเทียบกับคนอื่นเป็นอย่างไร แต่มอง ว่าคุณเปลี่ยนแปลงไปอย่างไรเมื่อเทียบกับเส้นฐานของตัวคุณเอง การที่คุณสูงหรือต่ำกว่าคนข้าง ๆ ไม่ใช่ประเด็น แต่คุณเป็นอย่างไรเมื่อเทียบกับ "ตัวคุณตามปกติ" — นั่นคือคำถามที่มีความหมาย

ที่เกจสมดุลบนหน้าจอหลักมี "ออร่า" ซึ่งแสดงการเบี่ยงเบนของคุณจากเส้นฐานของตัวเองกำกับอยู่ ก็เพราะเหตุนี้ มากกว่าตัวเลขคะแนนเอง เราใส่ใจกับการบอกอย่างนุ่มนวลว่า "ตอนนี้คุณกำลังเอนไปทางไหน เมื่อเทียบกับตัวคุณตามปกติ"

แปลตัวเลขให้เป็นสีหน้า

คะแนนสมดุลเป็นตัวเลข 0–100 แต่ Feelmo ไม่ได้ดันตัวเลขนั้นออกมาข้างหน้า แทนที่จะเป็นเช่นนั้น Feelmo แปลคะแนนให้กลายเป็นสีหน้าของ เพื่อนทั้ง 6 (สดใส สงบ ปกติ กังวล ล้นเกิน และเหนื่อยล้า) แล้ววางไว้เคียงข้างคะแนนอย่างเงียบ ๆ

นี่คือวิธีของเราที่จะไม่ตัดสินการขึ้นหรือลงของตัวเลขว่า "ดี" หรือ "ร้าย" ในวันที่สั่นไหว "กังวล" หรือ "เหนื่อยล้า" อาจปรากฏขึ้น ส่วนในวันที่สมดุลดี "สงบ" หรือ "สดใส" จะช่วยแปลสภาวะในตอนนี้ของคุณให้เป็นถ้อยคำของการสังเกตที่อ่อนโยน มันคือการสังเกตเท่านั้น ไม่ใช่การประเมินหรือการวินิจฉัย

วัดเมื่อไร — ทำไมเราจึงให้ความสำคัญกับการพักและการนอน

เซนเซอร์แสงที่ข้อมือนั้นสะดวก แต่มันมีจุดอ่อนคือ ไวต่อการเคลื่อนไหวของร่างกาย ค่าที่วัดได้ขณะที่คุณกำลังเดินหรือแกว่งแขนจะมีสัญญาณรบกวนมากจนพึ่งพาไม่ได้ Feelmo จึงให้น้ำหนักกับเงื่อนไขที่อ่านความผันแปรได้อย่างเสถียร — การวัดแบบ on-demand ขณะนั่งนิ่ง (วัดตรงนั้นเมื่อต้องการ) และข้อมูลที่เก็บระหว่างการนอน

มีหลายเหตุผลที่เราดูช่วงการนอนอย่างใกล้ชิด

• ระหว่างการนอน ปัจจัยภายนอกที่รบกวน HRV — เช่น การออกกำลังกาย อาหาร ท่าทาง คาเฟอีน และอื่น ๆ — มีอยู่น้อยที่สุด ทำให้เป็นช่วงเวลาที่ เปรียบเทียบได้ภายใต้เงื่อนไขที่ใกล้เคียงกันในแต่ละวัน
• ในช่วงนอนหลับลึกแบบนอน-REM มีการแสดงให้เห็นว่าระบบประสาทพาราซิมพาเทติกมีบทบาทเด่น (Trinder et al., 2001) จึงเป็นช่วงเวลาที่สัญญาณของการฟื้นตัวมักจะปรากฏให้เห็น
• ความสัมพันธ์ระหว่างการนอนกับ HRV ก็ได้รับการรวบรวมไว้ในการทบทวนวรรณกรรมอย่างเป็นระบบเช่นกัน (Stein & Pu, 2012)

ความเครียดกับสมดุล

ความเชื่อมโยงระหว่างความเครียดทางจิตใจกับ HRV ที่ลดลงถูกรายงานซ้ำแล้วซ้ำเล่าในการวิเคราะห์อภิมาน (Kim et al., 2018) นอกจากนี้ การวิเคราะห์อภิมานของงานวิจัยภาพสมองยังเสนอแบบจำลองที่ว่า เส้นทางเวกัสซึ่งเชื่อมระหว่างคอร์เทกซ์ส่วนหน้า (สมองที่ใช้คิด) กับหัวใจ คือสิ่งที่ทำให้ HRV เป็นตัวบ่งชี้ความเครียดและสุขภาพ (Thayer et al., 2012) ―― เรื่องความเชื่อมโยงระหว่างสมองกับหัวใจนี้ เราอธิบายเพิ่มเติมไว้ที่ ความเชื่อมโยงระหว่างสมองกับหัวใจ

การแสดงระดับความเครียดและสภาวะบนหน้าจอหลักตั้งอยู่บนพื้นเพของงานวิจัยเหล่านี้ อย่างไรก็ตาม สิ่งเหล่านี้เป็น "ความเชื่อมโยง" ในระดับกลุ่มประชากร

ทำไมการหายใจช้า ๆ จึงได้ผล

เหตุผลที่เซสชันหายใจของ Feelmo (แท็บ การหายใจ) นำทางคุณไปสู่การหายใจช้า ๆ (ประมาณ 6 ครั้งต่อนาที) ก็เพราะการหายใจที่ความเร็วนี้เป็นที่รู้กันว่า สั่นพ้องกับ baroreflex (รีเฟล็กซ์ควบคุมความดันโลหิต) และช่วยยกระดับ HRV ขึ้นอย่างมากในชั่วขณะ (Lehrer & Gevirtz, 2014)

ที่ประมาณ 6 ครั้งต่อนาที การเปลี่ยนแปลงของอัตราการเต้นหัวใจขณะที่คุณหายใจเข้าและหายใจออกจะทาบกันพอดีกับจังหวะของรีเฟล็กซ์ที่ควบคุมความดันโลหิต เมื่อ "การสั่นพ้อง" นี้เกิดขึ้น ความผันแปรจะถูกขยายขึ้นอย่างมาก ผลทางจิตสรีรวิทยาของการหายใจช้า ๆ ก็ได้รับการรายงานในการทบทวนวรรณกรรมอย่างเป็นระบบเช่นกัน โดยพบว่าสัมพันธ์กับกิจกรรมของระบบประสาทพาราซิมพาเทติกที่เพิ่มขึ้นและความรู้สึกผ่อนคลายที่มากขึ้น (Zaccaro et al., 2018; Russo et al., 2017)

ทั้งเซสชัน "ทำให้สงบ" และเซสชัน "ยกระดับ" ต่างก็เป็นจุดเริ่มต้นอ่อนโยนที่สร้างขึ้นบนสรีรวิทยาของการหายใจนี้

เรื่องของแสงและการเคลื่อนไหว

การที่บันทึกนิสัยในแท็บ สุขภาวะ ดูแลเรื่องแสงแดดและปริมาณกิจกรรมด้วยนั้น ก็มีพื้นเพอยู่เช่นกัน

• แสงเป็นหนึ่งในปัจจัยสิ่งแวดล้อมที่ทรงพลังที่สุดที่ส่งผลต่อจังหวะรอบวัน (นาฬิกาชีวิต) การนอน และความรู้สึกของมนุษย์ (Blume et al., 2019) การบันทึกการอาบแดดยามเช้าเป็นเบาะแสเล็ก ๆ สู่การสร้างนาฬิกาชีวิตที่สมดุลดี
• การออกกำลังกายเป็นประจำได้รับการรายงานในการวิเคราะห์อภิมานว่าสัมพันธ์กับ HRV ที่เพิ่มขึ้น (Sandercock et al., 2005) จำนวนก้าวที่สะสมขึ้นเรื่อย ๆ ก็กลายเป็นรากฐานที่หนุนสมดุลของคุณในระยะยาวเช่นกัน

สิ่งเหล่านี้ไม่ใช่โควตาว่าคุณ "ควร" ทำอะไร แต่เป็นเบาะแสนุ่ม ๆ ที่ช่วยให้คุณสังเกตเห็นความเชื่อมโยงระหว่างสมดุลกับชีวิตประจำวันของคุณ

สิ่งที่เราพูดได้เกี่ยวกับ Lumo Core

Balance นำดัชนี HRV ที่ได้รับการยอมรับซึ่งกล่าวไว้ข้างต้น (โดยหลักคือ สัญญาณหลายอย่างที่ได้จาก HRV) มาผสานเข้ากับอัลกอริทึมของรากฐานร่วม Lumo Core แล้วแปลให้เป็นคะแนนเดียว 0–100

• โครงสร้างและการถ่วงน้ำหนักที่เฉพาะเจาะจงของการผสานนี้ไม่ได้เปิดเผย เพราะเป็นความลับทางการค้า
• คะแนนถูกสร้างขึ้นหลังจากที่ได้พิจารณา "ว่าในคืนนั้นหรือเซสชันนั้น เราวัดได้แน่นอนเพียงใด (คุณภาพของการวัด)" ด้วยแล้ว
• ความสมเหตุสมผลของการวิเคราะห์ได้รับการตรวจสอบอย่างต่อเนื่องภายในโครงการวิจัยร่วมกับมหาวิทยาลัยเคโอ

หลักการของ Feelmo คือ ไม่เดาความรู้สึก แต่เฝ้าดูสมดุล แทนที่จะตัดสินอารมณ์เอง เรามุ่งหวังที่จะเฝ้าดูอย่างอ่อนโยนว่าระบบประสาทอัตโนมัติของคุณปรับสมดุลได้ดีเพียงใด ด้วยไม้บรรทัดของตัวคุณเอง

การวัดที่ข้อมือหมายความว่าอย่างไร

Apple Watch อ่านคลื่นชีพจรของคุณด้วยเซนเซอร์แสง และประมาณค่า R-R interval ภายใต้เงื่อนไขขณะพัก HRV ที่ได้จาก Apple Watch ได้รับการตรวจสอบว่าสอดคล้องกันดีกับการวัดที่อิงคลื่นไฟฟ้าหัวใจ (Hernando et al., 2018)

Feelmo อ่าน HRV (สัญญาณที่ได้จาก HRV) อัตราการเต้นหัวใจ การนอน และอื่น ๆ จาก Apple Watch / HealthKit บนเครื่อง เนื่องจากความแม่นยำลดลงระหว่างการเคลื่อนไหวร่างกายที่รุนแรง การที่เราให้น้ำหนักกับข้อมูลที่เก็บระหว่างการพักและการนอนจึงสมเหตุสมผลด้วยเหตุผลนี้เช่นกัน

ลองพิสูจน์ด้วยตัวคุณเอง — แนวคิด N-of-1

แม้จะมีคำกล่าวว่าสิ่งหนึ่ง "ได้ผล" โดยเฉลี่ยทั้งกลุ่ม นั่นก็ไม่ได้แปลว่ามันใช้ได้กับคุณเสมอไป Feelmo จึงนำแนวคิด n-of-1 (การมองทีละคน) มาใช้ใน การวิเคราะห์นิสัยที่ได้ผล (Feelmo Premium ภายในรายงานใจ) ซึ่งจะเทียบจากบันทึกของคุณเองว่า การกระทำอย่างเช่นการหายใจขยับสมดุลของตัวคุณเองได้จริงหรือไม่

ไม่ใช่การยืนยันว่า "มันได้ผลกับทุกคน" แต่เป็น "มันได้ผลกับคุณ" โดยใช้ข้อมูลของคุณเอง — เป็นมุมมองที่ยกให้แต่ละบุคคลเป็นตัวเอก

สาขาวิชาที่อยู่เบื้องหลัง Feelmo

Feelmo ออกแบบขึ้นโดยผสานหลายสาขาวิชา ไม่ใช่ทฤษฎีเดียว ตรงนี้เราจะให้ภาพรวมว่า "มันสร้างขึ้นบนศาสตร์ใดบ้าง" ทั้งนี้ อัลกอริทึม วิธีคำนวณ และพารามิเตอร์ที่เฉพาะเจาะจงเป็นเทคโนโลยีเฉพาะของ Feelmo และไม่เปิดเผยในหน้านี้ (เราแนะนำเพียงชื่อสาขาและแนวคิดเท่านั้น)

• ประสาทวิทยาศาสตร์ของระบบประสาทอัตโนมัติและความแปรปรวนของอัตราการเต้นหัวใจ — อ่านแนวโน้มของสมดุลระหว่างการพักและความตึงเครียดจากความสั่นไหวของจังหวะหัวใจ (ดูรายละเอียดได้ที่ครึ่งแรกของหน้านี้)
• วิทยาศาสตร์อารมณ์และจิตสรีรวิทยา — จากกรอบคิดทางจิตวิทยาที่จับสภาวะตามหลายแกน เราแสดงสภาวะในตอนนี้ของคุณด้วยหมวดหมู่อ่อนโยนไม่กี่หมวด (สีหน้าทั้ง 6)
• การประมวลผลสัญญาณและการวิเคราะห์อนุกรมเวลา — แยกแยะสัญญาณรบกวนออกจากความเปลี่ยนแปลงที่มีความหมายในข้อมูลหัวใจที่เก็บระหว่างการนอนและการพักอย่างประณีต เราพิจารณา "ว่าในตอนนั้นเราวัดได้แน่นอนเพียงใด" ด้วย
• สถิติศาสตร์และการเรียนรู้ของเครื่อง — ยืนอยู่บนจุดยืนที่ว่าคะแนนควรถูกมองเป็น "ช่วง" ไม่ใช่จุดเดียว และจัดการกับระยะห่างจาก "เกณฑ์ของตัวคุณเอง" ในเชิงสถิติ
• วิทยาศาสตร์การตัดสินใจ — ค่อย ๆ เรียนรู้ "วิธีปรับสมดุลที่เหมาะกับคนคนนี้ ในสถานการณ์นี้" จากข้อมูลของคุณ
• การอนุมานเชิงสาเหตุ — นำวิธีคิดที่แยกแยะ "เพียงสหสัมพันธ์" ออกจาก "สิ่งที่ดูเหมือนเกี่ยวข้องกันจริง ๆ" อย่างระมัดระวังมาใช้
• ระเบียบวิธีการเฉพาะตัว (แนวคิด N-of-1) — มองว่า "อะไรเหมาะกับคุณ" โดยให้แต่ละบุคคลเป็นตัวเอก แทนที่จะเป็นค่าเฉลี่ยของกลุ่ม
• ชีววิทยาเชิงเวลา — ตัวเลขเดียวกันอาจมีความหมายต่างกันขึ้นกับช่วงเวลาของวันหรือวันในสัปดาห์ เราคำนึงถึงจังหวะภายในวันและภายในสัปดาห์
• วิทยาศาสตร์พฤติกรรม — เราไม่เร่งให้คุณทำต่อ แทนที่จะเป็นโควตาหรือการแข่งขัน เราค่อย ๆ ถ่ายทอดการสะสมเล็ก ๆ ออกมาเป็นถ้อยคำ
• กฎระเบียบและจริยธรรม — ถ้อยคำของเราหลีกเลี่ยงการวินิจฉัยและการตัดสินชี้ขาด คงไว้ในกรอบของแนวโน้มและการดูแลตัวเอง การเรียนรู้และการวิเคราะห์เสร็จสิ้นบนเครื่อง และความเป็นเจ้าของข้อมูลเป็นของคุณ

เอกสารอ้างอิง

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.
2. Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. 2017;5:258.
3. 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.
4. Trinder J, Kleiman J, Carrington M, et al. Autonomic activity during human sleep as a function of time and sleep stage. Journal of Sleep Research. 2001;10(4):253–264.
5. Stein PK, Pu Y. Heart rate variability, sleep and sleep disorders. Sleep Medicine Reviews. 2012;16(1):47–66.
6. Kim HG, Cheon EJ, Bai DS, Lee YH, Koo BH. Stress and Heart Rate Variability: A Meta-Analysis and Review of the Literature. Psychiatry Investigation. 2018;15(3):235–245.
7. Thayer JF, Åhs F, Fredrikson M, Sollers JJ, Wager TD. A meta-analysis of heart rate variability and neuroimaging studies: implications for heart rate variability as a marker of stress and health. Neuroscience & Biobehavioral Reviews. 2012;36(2):747–756.
8. Lehrer PM, Gevirtz R. Heart rate variability biofeedback: how and why does it work? Frontiers in Psychology. 2014;5:756.
9. Zaccaro A, Piarulli A, Laurino M, et al. How Breath-Control Can Change Your Life: A Systematic Review on Psycho-Physiological Correlates of Slow Breathing. Frontiers in Human Neuroscience. 2018;12:353.
10. Russo MA, Santarelli DM, O'Rourke D. The physiological effects of slow breathing in the healthy human. Breathe (Sheffield). 2017;13(4):298–309.
11. Umetani K, Singer DH, McCraty R, Atkinson M. 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.
12. Hernando D, Roca S, Sancho J, Alesanco Á, Bailón R. Validation of the Apple Watch for Heart Rate Variability Measurements during Relax and Mental Stress in Healthy Subjects. Sensors (Basel). 2018;18(8):2619.
13. Blume C, Garbazza C, Spitschan M. Effects of light on human circadian rhythms, sleep and mood. Somnologie. 2019;23(3):147–156.
14. Sandercock GR, Bromley PD, Brodie DA. Effects of exercise on heart rate variability: inferences from meta-analysis. Medicine & Science in Sports & Exercise. 2005;37(3):433–439.