Nghiên cứu các yếu tố góp phần tạo nên giấc ngủ chất lượng. từ phân tích thống kê và học máy
Hôm nay tất cả chúng ta đều có rất nhiều việc muốn làm. Theo cách mà chúng ta muốn có 48 giờ mỗi ngày Và điều quan trọng nhất mà nhiều khi chúng ta có xu hướng đánh mất tầm quan trọng hoặc trì hoãn nó là giấc ngủ.

bởi vì tất cả chúng ta Tất cả đều muốn làm cho công việc hoặc mục tiêu của chúng ta được hoàn thành và đạt kết quả tốt nhất, phải không? Đó là một ngày mệt mỏi Chúng tôi rất hiểu nhau> o <555+
Chúng ta càng có nhiều nhiệm vụ và trách nhiệm, thì Chúng ta phải ngủ. Không phải bạn phải ngủ nhiều, 9–10 tiếng. Có thể chỉ mất khoảng 6 giờ, có thể có được chất lượng giấc ngủ tốt hơn những người ngủ hơn 8 giờ một ngày
Vì vậy, trong bài viết này, mình xin mời mọi người cùng thử tìm câu trả lời nhé. rằng chúng ta nên cư xử để chúng ta có thể ngủ có chất lượng Những yếu tố nào có thể ảnh hưởng đến giấc ngủ của chúng ta? Chúng ta sẽ xem xét cả những yếu tố tích cực và tiêu cực.
Đầu tiên, hãy nhìn vào điều đó. Chúng ta nên biết những số liệu nào? Điều này dẫn đến giấc ngủ chất lượng của chúng tôi mỗi đêm. Hiện tại, chúng ta có thể theo dõi các giá trị này thông qua Smart Watch của nhiều thương hiệu.
- Ngủ sâu : là một giai đoạn của giấc ngủ sâu. Cơ thể ở trạng thái nghỉ ngơi nhiều nhất sẽ tiết ra Hormone tăng trưởng, giúp phục hồi cả thể chất và trí nhớ. từ việc học về trong ngày của chúng tôi Nếu chúng ta thức dậy và cảm thấy đặc biệt sảng khoái. Có thể là do chúng ta đã ngủ đủ giấc ở mức độ này.
- Rem Sleep : Đó là một giai đoạn của giấc mơ. Điều này thường xảy ra vào nửa đêm cho đến khi chúng ta gần thức dậy. Mức độ này của giấc ngủ giúp tăng cường trí nhớ. học tập vĩnh viễn và trí tưởng tượng khác nhau
- Ngủ nhẹ : Đây là một giấc ngủ nông sâu. Tuy cạn nhưng lại là một phần rất quan trọng. Bình thường chúng ta ngủ ở mức này khoảng 50% thời gian ngủ, đây là giai đoạn ảnh hưởng đến việc kích hoạt trí nhớ ngắn hạn. và tăng sự tập trung vào ngày hôm sau
- Tỉnh giấc: Đây là khi chúng ta vô tình thức giấc vào nửa đêm. có thể có cả ý thức và vô thức Chúng ta thường có một khoảng thời gian thức giấc ngắn từ 10–30 phút trong khi ngủ.
Vậy bạn làm gì? để chúng ta có thể ngủ đủ sâu. Trên thực tế, có nhiều yếu tố có thể giúp ích, chẳng hạn như
- bài tập (Đặc biệt vào buổi sáng)
- đón ánh nắng ban mai
- Thời gian để ăn bữa ăn cuối cùng trước khi đi ngủ
- Suy nghĩ lo lắng về mọi thứ
- giờ ngủ
Chúng tôi đã lấy mẫu một tập dữ liệu rất thú vị từ PMData , nơi tập dữ liệu được hình thành từ các bộ sưu tập có hệ thống. Trong đó 16 người tham gia dự án đã ghi lại dữ liệu thông qua đồng hồ thông minh Fitbit Versa 2, ứng dụng ghi nhật ký thể thao PMSys và biểu mẫu của Google hàng ngày. là tiêu chuẩn theo cùng một cách.
Để đẩy nhanh tiến độ, chúng tôi đang xây dựng tập dữ liệu Kaggle do Salah thực hiện , về cơ bản đã chuyển đổi và làm sạch dữ liệu PMData cho chúng tôi.
Hãy xem dữ liệu trông như thế nào. Dữ liệu chúng tôi sẽ sử dụng được chia thành hai phần chính, chia theo người tham gia và theo hàng ngày.
- Dữ liệu định lượng từ Fitbit
Dữ liệu này là của 16 người tham gia trong khoảng thời gian 5 tháng từ ngày 1 tháng 11 năm 2019 đến ngày 31 tháng 3 năm 2020, tương ứng với tổng cộng 2.416 ngày hoặc Điểm dữ liệu nếu tất cả những người tham gia đã ghi lại tất cả dữ liệu. Được coi là một lượng thông tin nhỏ. Nhưng nó không quá nhỏ để cho phép chúng tôi phân tích mô hình của dữ liệu. Yay!
Bây giờ, để tìm hiểu các yếu tố của chất lượng giấc ngủ mà chúng ta đang quan tâm.
Chúng tôi sẽ sử dụng một quy trình được gọi là Vòng đời của Khoa học Dữ liệu với các bước sau:

- Nhập : Nhập dữ liệu theo tệp mà chúng tôi có được ở định dạng .csv đã sẵn sàng để sử dụng ở một mức độ nhất định.
- Gọn gàng : Đúng như tên gọi, nó dọn dẹp và sắp xếp dữ liệu ở một định dạng sẵn sàng để khám phá và phân tích nó.
- Khám phá : lấy dữ liệu để phân tích bao gồm 3 bước phụ
3.1 Chuyển đổi dữ liệu để sẵn sàng sử dụng
3.2 Trực quan hóa dữ liệu để xem Insight
3.3 Lập mô hình thống kê để có kết quả. có thể đo lường khả năng giả thuyết chúng tôi đặt ra là với dữ liệu thống kê để hỗ trợ hoặc nếu không thể chứng minh Chúng ta có thể phải bắt đầu một vấn đề mới ^^ ' - Giao tiếp : Một khi chúng tôi nhận được một kết quả có thể chứng minh một giả thuyết ở mức mong muốn. có thể được giải thích trong một kết luận thống kê
Sẵn sàng, Thiết lập, Bắt đầu!
1. nhập khẩu
Chúng tôi sẽ sử dụng dữ liệu từ hai nguồn: Kaggle với các bản tóm tắt hàng ngày và trực tiếp từ pmdata trong dữ liệu định tính và kết quả chất lượng giấc ngủ.


1.1 Đã tải dữ liệu chính từ Kaggle, bao gồm 2194 điểm dữ liệu hàng ngày từ 15 người tham gia (dữ liệu thực tế cho thấy 1 trong số họ không có dữ liệu).
1.2 Chuẩn bị kết hợp dữ liệu chính với dữ liệu Định tính và dữ liệu chuyên sâu từ PMData.
Và bây giờ chúng ta đã tập hợp bản phác thảo dữ liệu cho đến khi nó trông giống như thế này (Khung dữ liệu trong R).

Lưu ý lượng dữ liệu đã bị mất, từ 2.194 điểm dữ liệu đến 1.446 điểm dữ liệu hoặc tổng số dữ liệu hàng ngày của Người tham gia sau khi hợp nhất giữa các tập dữ liệu, nhưng nó vẫn nằm trong giới hạn có thể chấp nhận được.
2. Ngăn nắp
Tiếp theo, chúng tôi sẽ dọn dẹp dữ liệu để ngăn nắp như tên cho thấy, để nó sẵn sàng cho quá trình Khám phá.
3. Khám phá
Đây được coi là bước tốn nhiều thời gian nhất trong phân tích dữ liệu. Nó bao gồm 3 bước phụ là Biến đổi, Hình ảnh hóa và Mô hình. Chúng tôi có thể cần lặp lại cả 3 bước cho đến khi chúng tôi nhận được một mô hình có thể cung cấp câu trả lời chấp nhận được cho giả thuyết thống kê.
3.1 Chuyển đổi Chúng tôi sẽ chuyển đổi dữ liệu sang một định dạng sẵn sàng và phù hợp hơn để trực quan hóa và dự đoán mô hình. Ví dụ:
a) Dữ liệu độ tuổi : Nếu chúng ta so sánh độ tuổi với các xu hướng về chất lượng giấc ngủ Các giải thích theo nhóm tuổi dễ hiểu và trực quan hơn
b) Dữ liệu không đổi: Có một số cột trong đó dữ liệu là điểm từ 1–5 hoặc 1–10 về mặt mô hình hóa và trực quan. Chúng ta nên chuyển đổi nó thành một giá trị mô tả, được thống kê là Dữ liệu phân loại
c) Dữ liệu không đầy đủ : Khi phân tích dữ liệu, chúng ta giả định rằng Garbage in Garbage out, tức là dữ liệu rỗng hoặc không. Chúng ta nên xóa thông tin này trước khi bắt đầu phân tích.
Chúng ta hãy thử xem lại dữ liệu sau Transform.

Kết quả của mã chuyển đổi này là chúng ta nhận được một cột dữ liệu phân loại mới từ việc nhóm dữ liệu như sau:
sleep_grade - แบ่งเกรดคุณภาพการนอนจาก overall_score ตามหลักการคำนวณของ Fitbit
age_group - แบ่งกลุ่มอายุ น้อยกว่า 23 ปี, 24-34 ปี, 35-44 ปี, 45 ปีขึ้นไป
sleep_h_group - แบ่งกลุ่มตามชั่วโมงนอนต่อวัน น้อยกว่า 5 ชม., 5-6 ชม., 6-7 ชม. และ 8 ชม. ขึ้นไป
sitting_h_group - แบ่งกลุ่มตามชั่วโมงที่ inactive เช่น นั่งหรืออยู่เฉยๆ ต่อวัน น้อยกว่า 4 ชม., 4-6 ชม., 6-8 ชม., 8-10 ชม., 10-12 ชม., 12 ชม. ขึ้นไป
3.2 Visualize ตอนนี้เราได้ข้อมูลที่พร้อมสำหรับการวิเคราะห์มากขึ้นแล้ว เรามาลองสร้างตารางข้อมูลและ Charts เพื่อหา Insight ด้านปัจจัยคุณภาพการนอนดูกันค่ะ
a) ตารางข้อมูลแสดงจำนวนข้อมูลรายวันต่อ Participant ที่เหลืออยู่จริง
พบว่ามี Participants หลายคนที่บันทึกข้อมูลไม่ครบถ้วน

b) ตารางข้อมูลและ Chart แสดงค่าเฉลี่ย Mean ของตัวชี้วัดคุณภาพการนอนต่อ Participant
ทุกคนส่วนใหญ่มีค่าเฉลี่ย overall score อยู่ที่ช่วง 70–79


c) Chart แสดงเปรียบเทียบคุณภาพการนอนแบ่งตามเกรดจากจำนวนข้อมูลทั้งหมด
เห็นได้ว่าคนส่วนใหญ่ได้คุณภาพการนอนอยู่ที่เกรด Fair หรือ 70–79
อ้างอิงเกรดจาก Fitbit

d) Chart แสดงเปรียบเทียบคุณภาพการนอนแบ่งตามช่วงอายุ และเกรดที่ได้
กลุ่มคนที่เกรดช่วง Good และ Fair มากที่สุดอยู่ในช่วงอายุ 24–34 และ 35–44 ตามสัดส่วนข้อมูล โดยหากดูแนวโน้มแล้วเมื่ออายุมากขึ้น คุณภาพการนอนดูจะลดลง*

e) Chart แสดงเปรียบเทียบจำนวนนาที Deep sleep ที่ได้แบ่งตามช่วงอายุ
น่าจะเป็นเหตุผลที่กลุ่มคนที่อายุมากขึ้นมีแนวโน้มได้ overall score ที่ลดลง เพราะ deep sleep ลดลงไปอย่างชัดเจนเมื่อเทียบกับกลุ่มอื่น

ต่อมาเพื่อให้เห็นภาพชัดเจนขึ้น เราจะทำการจัดกลุ่มข้อมูลเป็น 2 กลุ่ม คือ
- กลุ่มของวัน ที่ Participants ได้คะแนน 80 ขึ้นไป หรือเกรด Good ถึง Excellent
โดยต่อไปนี้เราจะเรียกกลุ่มนี้ว่ากลุ่ม Good หรือกลุ่มสีเขียว*
- กลุ่มของวัน ที่ Participants ได้คะแนนน้อยกว่า 80 หรือเกรด Fair ถึง Poor
โดยต่อไปนี้เราจะเรียกกลุ่มนี้ว่ากลุ่ม Bad หรือกลุ่มสีแดง*

กลุ่ม Good จะมีจำนวนรวมอยู่ที่ 490 + 31 = 521 วัน
กลุ่ม Bad มีจำนวนรวมที่เหลืออยู่ที่ 887 + 38 = 925 วัน
f) Chart แสดงเปรียบเทียบกลุ่ม Good กับ Bad Sleep กับชั่วโมงการนอน
ดูเหมือนว่ายิ่งกลุ่มอายุมากขึ้นชั่วโมงนอนจะลดลง และมีแนวโน้มเป็น Bad Sleep มากกว่า Good Sleep !

g) Chart แสดงเปรียบเทียบคุณภาพการหายใจและอัตราการเต้นหัวใจขณะหลับ
แต่ละกลุ่มช่วงอายุมีค่าคะแนนที่ใกล้เคียง และดูจะไม่ได้ส่งผลต่อคุณภาพการนอนมากเพราะกลุ่มสีแดงและสีเขียวมีลักษณะที่ซ้อนทับกันเกือบทั้งหมด

เราพอเห็นแนวโน้มคุณภาพการนอนแบ่งตาม Participant และ ช่วงอายุแล้ว ทีนี้เรามาลองดูปัจจัยอื่นในด้านต่างๆ กันบ้างดีกว่า
h) Chart แสดงการเผาผลาญแคลอรี่ต่อวันเปรียบเทียบกับคุณภาพการนอน
อันนี้ค่อนข้างประหลาดใจ เพราะนึกว่ายิ่งเราเผาผลาญแคลอรี่ หรือออกกำลังกายมากจะยิ่งทำให้หลับดีขึ้น แต่จากข้อมูลนี้พบว่าไม่ได้มีผลแบบชัดเจน

i) Chart แสดงเปรียบเทียบจำนวนเวลานอนกับคุณภาพการนอน
เห็นได้ชัดว่าหากเราจัดเวลาในการนอนที่เพียงพอ เราจะได้คุณภาพการนอนที่ดีขึ้น

j) Chart แสดงเปรียบเทียบจำนวนก้าวที่เดินต่อวันกับคุณภาพการนอน
Đó là cách tiếp cận tương tự như Calo chỉ ra rằng số bước thực hiện mỗi ngày không ảnh hưởng rõ ràng đến chất lượng giấc ngủ. (Nhưng tôi nghĩ rằng đi bộ và chạy quan trọng hơn đối với việc duy trì xương và cơ bắp.)

k) Biểu đồ so sánh số phút ngủ sâu được chia theo giới tính.
Người ta thấy rằng trung bình, phụ nữ có giấc ngủ sâu hơn nam giới, không bao gồm các ngoại lệ.

l) Biểu đồ thể hiện số phút ngủ chia theo giới tính.
Điều này khá phù hợp với Giấc ngủ sâu trước đó, nhưng các điểm ngoại lệ đông đúc hơn.

m) Biểu đồ so sánh điểm tổng thể về chất lượng giấc ngủ chia theo giới tính.
Đáng ngạc nhiên là khi nhìn vào Điểm tổng thể trung bình, nam giới và phụ nữ đạt được điểm số tương đương nhau.

n) Biểu đồ so sánh trạng thái cảm xúc với chất lượng giấc ngủ.
Có vẻ như trạng thái cảm xúc ảnh hưởng đến chất lượng giấc ngủ hơi khác một chút. Nếu tâm trạng vui vẻ, họ có xu hướng đạt điểm cao hơn khi ngủ.

3.3 Mô hình Ở giai đoạn cuối của Khám phá, chúng ta sẽ cố gắng đi đến một giả thuyết Vấn đề là chúng ta sẽ xem liệu các hành vi Định lượng và Định tính của Người tham gia có thể giúp chúng ta dự đoán chất lượng giấc ngủ hàng ngày của Người tham gia là bao nhiêu.
Bước này rất quan trọng. Vì đó là bước cho phép chúng ta chứng minh giả thuyết của chính mình. với phương pháp khoa học
để xem nếu chúng ta có thể Chứng minh điều đó? dựa trên phân tích thống kê và kết luận hỗ trợ dữ liệu trước khi chúng tôi tiếp tục giao tiếp với những người khác
Đối với vấn đề này, chúng ta sẽ thực hiện 2 loại Mô hình học máy:
1) Mô hình hồi quy để dự đoán điểm tổng thể, chất lượng giấc ngủ từ dữ liệu hành vi trong ngày,
2) Mô hình phân loại để cho phép chúng tôi đo lường kết quả rõ ràng hơn. Chúng tôi sẽ chia dữ liệu thành hai nhóm, Good Sleep và Bad Sleep, như chúng tôi đã làm trong phần trước trực quan hóa dữ liệu, sau đó sử dụng mô hình để dự đoán xem nó sẽ Tốt hay xấu.
Mô hình hồi quy
Giải thích cách hoạt động của Khối mã này.
- Chúng tôi đã xóa các cột dữ liệu mà chúng tôi không muốn sử dụng trong mô hình, chẳng hạn như Ngày, Mã người tham gia và dữ liệu điểm ngoại trừ tổng_điểm. bởi vì chúng tôi sẽ sử dụng điều này làm mô hình đào tạo và dự đoán tập dữ liệu thử nghiệm
- Sau đó chia dữ liệu thành 2 phần được gọi là train, test split 75:25 Nó giống như dạy học sinh 75 câu hỏi có đáp án. và đưa ra 25 câu hỏi khác với các vấn đề khác nhau để xem liệu Liệu sinh viên có làm được không? Tại sao tôi không thể học lại lớp: D
- Chuẩn bị mô hình để thực hiện Lấy mẫu lại dữ liệu hoặc mô phỏng thêm dữ liệu để đào tạo thêm vì chúng tôi có dữ liệu hạn chế. (Thông thường một bộ phân tích dữ liệu luôn gặp sự cố này.) Trước tiên, chúng ta cũng cần chia một số trong số chúng thành dữ liệu thử nghiệm.
- Tạo Mô hình hồi quy, một mô hình được sử dụng để đưa ra các dự đoán số. với biến phụ thuộc và biến ban đầu mà chúng tôi đưa vào so sánh ví dụ Nếu chúng ta muốn dự đoán giá taxi từ nhà đến cơ quan sẽ là bao nhiêu Chúng ta có thể tự mình thực hiện các phép tính cơ bản từ công thức này:
y = b0 + b1 * x1 + b2 * x2 .
ค่า Taxi = ค่าเริ่มต้น 35 บาท
+ ( ค่าโดยสารต่อ กม. x ระยะทาง กม. )
+ ( ค่าโดยสารขณะจอดอยู่กับที่ x ระยะเวลา)



Mô hình phân loại
Bạn có thể giải thích cách hoạt động của Khối mã này không?
- Thêm một cột được gọi là sleep_result để phân tách hành vi trong ngày. Kết quả của chất lượng giấc ngủ là Tốt hay Xấu bằng cách cắt giảm điểm số. tổng_điểm 80 như trước
- Sau đó, chia dữ liệu thành hai phần, được gọi là train, test split 75:25, giống như cách chúng ta đã làm trong Mô hình hồi quy.
- Tạo Mô hình phân loại, là Mô hình dự đoán phân loại như Câu hỏi Có / Không, Loại nhóm dữ liệu,… Chúng tôi sẽ thử 3 loại để so sánh kết quả và chọn ra mô hình có kết quả tốt nhất ( theo Khái niệm không có bữa trưa miễn phí, không có Mô hình nào là tốt nhất có thể giải đáp mọi vấn đề ) tức là
a) RPart (Phân vùng đệ quy)
b) Knn (K-Hàng xóm gần nhất)
c) RF (Rừng mưa). - Khi tạo mô hình, chúng tôi sử dụng lại mẫu lấy mẫu lại giống như khi thực hiện mô hình hồi quy.
- Cuối cùng, như mọi khi, Mô hình đánh giá được thực hiện để xem liệu nó có tạo ra kết quả thống kê tốt hay không.

Chúng tôi so sánh kết quả dự đoán tích cực / tiêu cực với kết quả Ngủ ngon / Không tốt thực tế (Thực tế Tích cực / Tiêu cực) Sau đó, chúng tôi có thể đưa ra kết luận bằng cách sử dụng các chỉ số được sử dụng bởi các nhà thống kê 4 này.
Độ chính xác : Độ chính xác được tính bằng bao nhiêu% mà ta đoán đúng Công thức là (tp + tn) / n Độ chính
xác : Độ chính xác của công thức là tp / (fp + tp)
Nhắc lại : Độ nhạy của công thức là tp / (fn + tp)
F1 Điểm : Giá trị nhận được từ độ chính xác và thu hồi. Công thức là
2 * ((độ chính xác * thu hồi) / (độ chính xác + thu hồi)).
4 chỉ số này chúng ta phải tùy theo tình hình mà lựa chọn cái nào là phù hợp nhất. Trong bài toán này, chúng ta sẽ chọn Accuracy cho dễ hiểu trước.

Nếu so sánh cả 3 mô hình tàu thì Rain Forest có vẻ thắng, độ chính xác ở mức 0,81 tức khoảng 81%, nếu so với Baseline thì được coi là ổn.

Bây giờ chúng ta hãy xem xét mô hình đánh giá và kết quả dữ liệu thử nghiệm.

Kết luận, Mô hình phân loại chiến thắng trong bài toán này là Rain Forest
, có giá trị Độ chính xác khi chạy với dữ liệu thử nghiệm là 81% (không biết có bị overfited hay không, nên cố gắng tìm thêm dữ liệu để kiểm tra).
4. Giao tiếp
Cuối cùng, khi chúng tôi đã có được dữ liệu Insight và Model, chúng tôi sẽ rút ra kết luận từ giả thuyết.
- trong phần dự đoán điểm chất lượng giấc ngủ hoặc Điểm tổng
thể nên được cải thiện: chúng tôi vẫn cần tìm thêm dữ liệu ở các khu vực khác (Cột hoặc Tính năng) vì lỗi dự đoán. và mối tương quan của dữ liệu hành vi với điểm số là trung bình đến tốt. Điều này làm cho không rõ yếu tố nào góp phần vào điểm chất lượng giấc ngủ cao. - Đối với dự đoán của nhóm về giấc ngủ chất lượng tốt hay chất lượng kém, điểm
Pass : The Accuracy là 81% khi so sánh với khi nó được thực hiện. Hình dung Hầu hết dữ liệu hàng ngày của những người tham gia có điểm số tổng thể trong khoảng 70–79, mà chúng tôi cắt giảm xuống còn 80. - trong việc mô tả xu hướng từ Hình dung
a) Độ tuổi có xu hướng ảnh hưởng đến
b) Tập thể dục không ảnh hưởng đến giấc ngủ. rõ ràng về chất lượng giấc ngủ c
) Hầu hết mọi người có điểm ngủ là Khá đầu tiên và Tốt thứ hai, nhưng tỷ lệ Tốt cũng giảm khi họ già đi.
Kế hoạch tiếp theo là gì?
- Tạo một tập dữ liệu mới. Bằng cách xây dựng dựa trên mô hình và tìm cách thu thập thêm dữ liệu. Sử dụng PMData, chúng ta có thể thấy các mẫu dữ liệu ảnh hưởng đến chất lượng giấc ngủ. Nhưng chúng tôi vẫn phải tìm cách phát triển một mô hình để có thể giải thích các yếu tố quan trọng đối với giấc ngủ một cách rõ ràng hơn. Thông tin bổ sung có thể hữu ích bao gồm lượng nước bạn uống, thời gian bạn tắm trước khi đi ngủ, thời gian bạn ăn bữa ăn cuối cùng trong ngày, thời gian bạn tập thể dục, v.v.
- Hãy tìm cách Chứng minh giả thuyết của vòng này. Làm thế nào điều này có thể thay đổi khi thông tin mới được thêm vào?
- Tìm hiểu thêm về khoa học của giấc ngủ. Chúng tôi tin rằng nhiều người sẽ đồng ý rằng giấc ngủ chất lượng là rất quan trọng. Nhưng với tình hình hiện nay cả về mặt cá nhân và xã hội Điều đó có thể khiến mọi người gặp nhiều vấn đề về giấc ngủ hơn nếu chúng ta có thể hiểu và sử dụng thông tin. Nó sẽ giúp nhìn thấy giải pháp rõ ràng hơn.

Cảm ơn bạn về nguồn tài liệu và kiến thức tham khảo.
https://datasets.simula.no/pmdata/
https://www.kaggle.com/code/salihobaid/pmdata-fitbit-versa-activity-data/notebook
https://help.fitbit.com/articles/en_US/Help_article/2439.htm#:~:text=How%20is%20my%20sleep%20score,score%20between%2072%20and%2083.
https://www.zdnet.com/article/fitbits-sleep-score-beta/
https://www.verywellfit.com/why-active-minutes-mean-more-than-steps-4155747#:~:text=The%20active%20minutes%20measurement%20tells,to%20indicate%20moderate%2Dintensity%20exercise.
https://datarockie.com/data-science-bootcamp/* Kỹ năng nghiên cứu và phân tích dữ liệu chúng ta học ở đây: D