Ukážka kódu
library(readxl)
library (DT)
dat <- read_xlsx("C:/Users/julka/Desktop/Sleep_Efficiency.xlsx")
datatable(dat, options= list(pageLength=10), caption="Súbor údajov o účinnosti spánku")ANALÝZA KVALITY SPÁNKU
1 Úvod
Každý z nás vie, aké dôležité je mať kvalitný spánok. Je to obdobie, kedy sa naše telo a myseľ regenerujú, a pripravujú nás na ďalší deň plný výziev. Napriek tomu, že spánok je neodmysliteľnou súčasťou nášho života, mnohí z nás trpia problémami so spaním, čo má negatívny vplyv na našu celkovú kvalitu života.
V súčasnej dobe, kedy sme neustále vystavení stresu, rýchlemu tempu života a záplave informácií, je dôležitejšie ako kedykoľvek predtým skúmať a porozumieť faktorom, ktoré ovplyvňujú kvalitu nášho spánku. Je to výzva, ktorá nás motivuje k hlbšiemu pohľadu na túto problematiku.
V tejto súvislosti som sa rozhodla analyzovať dataset o kvalite spánku, aby som získala dôležité poznatky a porozumela faktorom, ktoré prispievajú k dobrému alebo zlému spánku. Táto analýza nám umožní lepšie pochopiť, aké sú najčastejšie problémy so spaním, aký vplyv majú naše životné návyky, životné prostredie a iné faktory na kvalitu spánku.
Cieľom tejto analýzy je poskytnúť relevantné informácie a zistenia, ktoré môžu byť nápomocné pre jednotlivcov, ktorí sa snažia zlepšiť svoj spánok a vytvoriť si zdravé spánkové návyky. Verím, že nám to poskytne cenné poznatky a otvoria sa pred nami nové možnosti na to, ako efektívne riešiť problémy so spaním. Je to výzva, ktorú nemožno podceňovať, pretože kvalitný spánok je základným pilierom nášho fyzického a duševného zdravia.
Takže poďme sa spoločne pustiť do tejto analýzy a objavovať tajomstvá spánku, s cieľom vytvoriť lepšie a zdravšie spánkové návyky pre seba a pre celú spoločnosť. Verím, že naše úsilie a záujem môžu mať vplyv na našu kvalitu života a priniesť pozitívne zmeny do nášho každodenného existovania.
Rozhodla som sa venovať spracovaniu datasetu týkajúceho sa účinnosti spánku. Tento súbor údajov je k dispozícii na platforme GitHub, konkrétne v repozitári Súbor údajov o účinnosti spánku. Tento dataset poskytuje cenné informácie o spánkových návykoch a ich vplyve na celkovú kvalitu života.
Sledovaný súbor obsahuje informácie o 452 respondentoch, čo je relatívne veľký súbor dát. Tento fakt nám umožňuje vyvodiť pomerne objektívne a všeobecné závery z výsledkov skúmania. Každá sledovaná osoba je identifikovaná jedinečným ID a zaznamenáva sa aj jej vek a pohlavie.
Súbor údajov je štruktúrovaný do niekoľkých stĺpcov, ktoré poskytujú podrobnejšie informácie. Okrem základných informácií o každom respondentovi sa zaznamenávajú aj napríklad údaje týkajúce sa trvania spánku, doby zaspávania, času prebúdzania a ďalších súvisiacich faktorov. Tieto informácie nám umožňujú preskúmať rôzne aspekty spánkových návykov a ich súvislosti s účinnosťou spánku.
V nasledujúcej tabuľke je zhrnuté, aké informácie sú dostupné v uvedenom datasete:
| Názov stĺpca | Popis |
|---|---|
| ID | jedinečný identifikátor pre každý testovaný subjekt |
| Age | vek testovanej osoby |
| Gender | pohlavie (muž alebo žena) |
| BedTime | čas, kedy testovaná osoba každú noc ide spať |
| Wakeup time | čas, kedy sa testovaná osoba každé ráno zobudí |
| Sleep duration | celkový čas, počas ktorého testovaný subjekt spal (v hodinách) |
| Sleep efficiency | miera podielu času stráveného v posteli ku času spánku |
| REM sleep percentage | percento celkového času spánku stráveného v REM fáze |
| Deep sleep percentage | percento celkového času spánku stráveného v hlbokom spánku |
| Light sleep percentage | percento celkového času spánku stráveného v ľahkom spánku |
| Awakenings | koľkokrát sa testovaná osoba prebudí počas noci |
| Caffeine consumption | množstvo kofeínu spotrebovaného za 24 hodín pred spaním (v mg) |
| Alcohol consumption | množstvo alkoholu skonzumovaného za 24 hodín pred spaním (v unciách) |
| Smoking status | či testovaná osoba fajčí alebo nie |
| Exercise frequency | koľkokrát testovaná osoba cvičí každý týždeň |
2 Zobrazenie údajov
2.1 Interaktívna tabuľka
Najprv dáta načítame do interaktívnej tabuľky, pomocou ktorej sa dokážeme s dátami jednoducho zoznámiť, a teda neskôr ľahšie analyzovať. Vďaka vlastnostiam danej tabuľky vieme filtrovať zobrazenie len tých informácií, ktoré sú pre nás či už podstatné alebo jednoducho zaujímavé.
2.2 Grafické znázornenia datasetu
2.2.1 Pohlavie a vekové rozloženie respondentov
Medzi základne informácie o respondentoch patria pohlavie a vek. V nasledujúcich grafoch sa pozrieme na pomer zastúpenia pohlaví a následne zobrazíme vekové rozloženie práve v závislosti od pohlavia.
Ukážka kódu
pocty_hodnot <- table(dat[[3]])
library(ggplot2)
library(gridExtra)
ggplot(data.frame(pocty_hodnot), aes(x = "", y = Freq, fill = names(pocty_hodnot))) +
geom_bar(stat = "identity", alpha=0.6) +
coord_polar(theta = "y") +
ggtitle("Pohlavie") +
labs(fill = "Hodnoty", xlab=FALSE, ylab=FALSE) +
scale_fill_manual(values=c("#f352af", "#5255f3"))
V grafe pohlavia Figure 1 môžeme vidieť, že výskumu sa zúčastnil takmer vyrovnaný počet žien a mužov. V nasledujúcej analýze údajov sa nebudeme zameriavať na to, či výsledky súvisia s pohlavím respondentov alebo nie. Naša analýza sa bude sústrediť na iné aspekty a faktory ovplyvňujúce účinnosť spánku.
Ukážka kódu
library(ggplot2)
library(gridExtra)
library(ggridges)
gg1<- ggplot(dat, aes(x=Age, fill=Gender)) +
geom_histogram( color="#e9ecef", alpha=0.6, position = 'identity') +
labs(title = "Histogram veku respondetov", x = "Vek", y = "Počet") +
scale_fill_manual(values=c("#eb5b5b", "#5271f3"), labels = c("Muži", "Ženy"), name = "Pohlavia")
gg2<- ggplot(dat, aes(x = Age, y = Gender, fill = Gender)) +
geom_density_ridges(alpha = 0.6, scale = 1, position = "identity") +
labs(title = "Rozsadenie veku respondentov podľa pohlavia", x = "Vek", y = "") +
scale_fill_manual(values = c("#eb5b5b", "#5271f3"), labels = c("Muži", "Ženy"), name = "Pohlavia")
grid.arrange(gg1, gg2, nrow=2)
Na základe uvedeného histogramu Figure 2 môžeme vidieť, že počet respondentov je najnižší v vekovej skupine od 0 do približne 18 rokov a vo vekovej skupine nad 60 rokov. Naopak, najväčší počet žien sa nachádza vo vekovej skupine 25-40 rokov, zatiaľ čo najviac mužov je v preddôchodkovom veku, teda vo vekovej skupine 50-60 rokov. Tieto pozorovania budeme overovať pomocou výpočtu priemeru Equation 1 a mediánu.
Vzorec na priemerný vek je: \[ x_p= \frac{1}{n} \cdot\ \sum_{i=1}^n x_i \tag{1}\] kde xp je výsledný priemer, n počet prvkov a xi jednotlivé prvky
Postup na výpočet mediánu závisí od toho, či máme párny alebo nepárny počet hodnôt:
- Nepárny počet hodnôt:
- Usporiadajte dáta od najmenšej po najväčšiu hodnotu.
- Medián je hodnota v strede usporiadaných dát.
- Párny počet hodnôt:
- Usporiadajte dáta od najmenšej po najväčšiu hodnotu.
- Mediánom sú dve hodnoty v strede usporiadaných dát, ktoré sa získajú priemerom dvoch stredných hodnôt.
- Nepárny počet hodnôt:
Ukážka kódu
data_muzi<- dat[-which(dat$Gender == "Female"), ]
data_zeny<- dat[-which(dat$Gender == "Male"), ]
# Výpočet hodnôt a uloženie do premennej
vysledky_priemer <- round(c( mean(data_zeny$Age), mean(data_muzi$Age)),0)
vysledky_median <- c( median(data_zeny$Age), median(data_muzi$Age))
nazvy <- c("Ženy", "Muži")
# Generovanie tabuľky pomocou kable()
tabulka <- data.frame(Pohlavie = nazvy, Priemer = vysledky_priemer, Medián = vysledky_median)
# Výpis tabuľky v kóde R
knitr::kable(tabulka)| Pohlavie | Priemer | Medián |
|---|---|---|
| Ženy | 37 | 36 |
| Muži | 43 | 47 |
Po overení pozorovaní výpočtom (Figure 3) sme naozaj zistili, že tohto výskumu sa zúčastnilo najviac žien v strednom veku a mužov v preddôchodkom veku.
2.2.2 Čas zaspania a vstávania
Ukážka kódu
library(lubridate)
library(ggplot2)
# konvertovanie dátumu a času
dat[[4]] <- ymd_hms(dat[[4]])
# vytvorenie grafu pomocou ggplot2
ggplot(dat, aes(x = format(dat[[4]], "%H:%M"))) +
labs(title = "Čas, kedy idú respondenti spať", x = "Čas", y = "Počet") +
geom_bar(fill="#52f3c5", color="#e9ecef", alpha=0.7)
V predchádzajúcom grafe Figure 4 môžeme vidieť, že pri zaspávaní značne prevláda čas 00:00. Po polnoci je rozloženie už veľmi podobné a nevidíme tam žiadne výrazné výchylky.
Ukážka kódu
library(lubridate)
library(ggplot2)
# konvertovanie dátumu a času
dat[[5]] <- ymd_hms(dat[[5]])
# vytvorenie grafu pomocou ggplot2
ggplot(dat, aes(x = format(dat[[5]], "%H:%M"))) +
labs(title = "Čas, kedy respondenti vstávaju", x = "Čas", y = "Počet") +
geom_bar(fill="#bb52f3", color="#e9ecef", alpha=0.7)
Respondenti najčastejšie stávajú o 5:00, 7:00 alebo o 9:00 hodine (Figure 5).
Tieto zistené informácie ideme bližšie analyzovať. Zaujíma nás o aké vekové kategórie sa jedná. Myslíme si, že neskoro večer idú spať predovšetkým študenti, teda veková kategória 20-25 rokov. Skoro ráno budú vstávať ľudia do práce, teda respondenti v produktívnom veku. V najbližších výpočtoch ideme zisťovať, či sú naše predikcie správne alebo nie.
Ukážka kódu
library(stringr)
# vytvorenie vektoru obsahujúceho indexy riadkov, kde sa nachádza čas 00:00:00 UTC
indexy <- str_detect(dat$Bedtime, "00:00:00")
# filtrovanie dát podľa indexov
data_filtrovanie <- dat[indexy, ]
# Výpočet hodnôt a uloženie do premennej
vysledky_priemer <- median(data_filtrovanie$Age)
vysledky_median <- round(mean(data_filtrovanie$Age),0)
# Generovanie tabuľky pomocou kable()
tabulka <- data.frame(Priemer = vysledky_priemer, Medián = vysledky_median)
# Výpis tabuľky v kóde R
knitr::kable(tabulka)| Priemer | Medián |
|---|---|
| 30 | 37 |
- Vidíme (Figure 6), že medzi priemerom a mediánom je rozdiel až 6 rokov, a teda z toho vyplýva, že sa v súbore nachádza len málo respondentov s vyšším vekom, ktorý idú spať o 00:00. Očakávali sme, že výsledný vek bude nižší, no výpočty ukázali inak.
Ukážka kódu
library(stringr)
# vytvorenie vektoru obsahujúceho indexy riadkov, kde sa nachádza čas 05:00:00 UTC
indexy <- str_detect(dat$`Wakeup time`, "05:00:00")
# filtrovanie dát podľa indexov
data_filtrovanie <- dat[indexy, ]
# Výpočet hodnôt a uloženie do premennej
vysledky_priemer <- median(data_filtrovanie$Age)
vysledky_median <- round(mean(data_filtrovanie$Age),0)
# Generovanie tabuľky pomocou kable()
tabulka <- data.frame(Priemer = vysledky_priemer, Medián = vysledky_median)
# Výpis tabuľky v kóde R
knitr::kable(tabulka)| Priemer | Medián |
|---|---|
| 43 | 41 |
- V tomto prípade (Figure 7) sa priemer od mediánu líši o niečo menej. To znamená, že v súbore sú dáta približne rovnomerne rozložené. Výsledok výpočtov naozaj ukázal, že v tejto situácii sa jedná o ľudí v produktívnom veku.
2.3 Dĺžka spánku
Ukážka kódu
library(ggplot2)
ggplot(dat, aes(x=`Sleep duration` )) +
geom_bar( color="#e9ecef", alpha=0.6, fill="#f35277") +
labs(title = "Histogram času spánku", x = "Čas (v hodinách)", y ="Počet") 
Z histogramu Figure 8 môžeme vidieť, že najviac ľudí spí 7 hodín, no tento čas sa už ráta ako hraničné minumum. Dostatok spánku, čo je viac ako 8 hodín, má percentuálne menej respondentov.
My sa budeme zaujímať respodentami, ktorí spia menej ako 7 hodín a pomocou nám dostupným dát, hľadať možné príčiny tejto čiastočnej spánkovej deprivácie.
3 Analýza čiastočnej spánkovej deprivácie
3.1 Súvislosti s typom životného štýlu
Vďaka pestrým informáciam, ktoré sa nachádzajú v nami sledovanom súbore dát, vieme hľadať možné príčiny či súvislosti s nedostatočnou dĺžkou spánku. Do nasledujúcich grafov si teda zobrazíme dáta, ktoré by mohli súvisieť s nedostatkom spánku.
Ukážka kódu
library(ggplot2)
riadky<- dat[[6]]<7
data_filtrovanie <- dat[riadky, ]
pocty_hodnot <- table(data_filtrovanie[[14]])
# graf 1
gg1 <- ggplot(data.frame(pocty_hodnot), aes(x = "", y = Freq, fill = names(pocty_hodnot))) +
geom_bar(stat = "identity", alpha=0.6) +
coord_polar(theta = "y") +
ggtitle("Respondenti s nedostatkom spánku") +
labs(fill = "Hodnoty") +
scale_fill_manual(values=c("#f35952", "#52f359"))
riadky1<- dat[[6]]>7
data_filtrovanie1 <- dat[riadky1, ]
pocty_hodnot1 <- table(data_filtrovanie1[[14]])
# graf 2
gg2 <- ggplot(data.frame(pocty_hodnot1), aes(x = "", y = Freq, fill = names(pocty_hodnot1))) +
geom_bar(stat = "identity", alpha=0.6) +
coord_polar(theta = "y") +
ggtitle("Respondenti s dostatkom spánku") +
labs(fill = "Hodnoty") +
scale_fill_manual(values=c("#f37952", "#7ef352"))
# usporiadanie grafov do 2 stlpcov
grid.arrange(gg1, gg2,ncol=2, top = "Skupina grafov: Status fajčiara")
Ukážka kódu
library(gridExtra)
library(ggplot2)
riadky<- dat[[6]]<7
data_filtrovanie <- dat[riadky, ]
pocty_hodnot <- table(data_filtrovanie[[14]])
# graf 3
gg3 <- ggplot(data_filtrovanie, aes(x=data_filtrovanie[[12]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#f3af52") +
labs(title = "Respondenti s nedostatkom spánku", x = "Množstvo (v mg)", y ="Počet")
riadky1<- dat[[6]]>7
data_filtrovanie1 <- dat[riadky1, ]
pocty_hodnot1 <- table(data_filtrovanie1[[14]])
# graf 4
gg4 <- ggplot(data_filtrovanie1, aes(x=data_filtrovanie1[[12]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#5952f3") +
labs(title = "Respondenti s dostatkom spánku", x = "Množstvo (v mg)", y ="Počet")
# usporiadanie grafov do 2 stlpcov
grid.arrange(gg3, gg4,ncol=2, top = "Skupina grafov: Histogram množstva kofeínu")
Ukážka kódu
library(gridExtra)
library(ggplot2)
riadky<- dat[[6]]<7
data_filtrovanie <- dat[riadky, ]
pocty_hodnot <- table(data_filtrovanie[[14]])
# graf 5
gg5 <- ggplot(data_filtrovanie, aes(x=data_filtrovanie[[13]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#f352db") +
labs(title = "Respondenti s nedostatkom spánku", x = "Množstvo (v oz)", y ="Počet")
riadky1<- dat[[6]]>7
data_filtrovanie1 <- dat[riadky1, ]
pocty_hodnot1 <- table(data_filtrovanie1[[14]])
# graf 6
gg6 <- ggplot(data_filtrovanie1, aes(x=data_filtrovanie1[[13]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#52dbf3") +
labs(title = "Respondenti s dostatkom spánku", x = "Množstvo (v oz)", y ="Počet")
# usporiadanie grafov do 2 stlpcov
grid.arrange(gg5, gg6,ncol=2, top = "Skupina grafov: Histogram množstva alkoholu")
Ukážka kódu
library(gridExtra)
library(ggplot2)
riadky<- dat[[6]]<7
data_filtrovanie <- dat[riadky, ]
pocty_hodnot <- table(data_filtrovanie[[14]])
# graf 7
gg7 <- ggplot(data_filtrovanie, aes(x=data_filtrovanie[[11]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#52acf3") +
labs(title = "Respondenti s nedostatkom spánku",x = "Počet zobudení", y ="Počet")
# graf 8
gg8 <- ggplot(data_filtrovanie1, aes(x=data_filtrovanie1[[11]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#f3e752") +
labs(title = "Respondenti s dostatkom spánku", x = "Počet zobudení", y ="Počet")
# usporiadanie grafov do 2 stlpcov
grid.arrange(gg7, gg8, ncol=2, top = "Skupina grafov: Histogram počtu zobudení")
Teraz vieme jednoducho porovnať, či dané dáta korelujú s dĺžkou spánku. Dokážeme spozorovať nasledujúce informácie:
Takmer polovica respondentov s nedostatkom spánku označila hodnotu “Som fajčiar”. V druhej skupine grafov je takýchto ľudí percentuálne o dosť menej. Vo viacerých štúdiach a vedeckých článkoch bolo dokázané, že nikotín negatívne ovplyvňuje kvalitu spánku. Presnejšie vplýva na celkovú dĺžku spánku a taktiež skracuje dĺžku trvania hlbokej fázy.
Množstvo kofeínu je v oboch prípadoch približne rovnako zastúpene. Avšak vieme si všimnúť, že ľudí s nulovou konzumáciou kofeínu je percentuálne viacej v skupine respondentov s dostatkom spánku.
V prvej skupine grafov nie je veľké zastúpenie kategórie ľudí, ktorí sa cez noc ani raz nezobudili. V druhej skupine grafov je toto zastúpenie vyššie.
Užite alkoholu v danej situácii výrazne nekoreluje.
3.2 Analýza dĺžky fázy hlbokého spánku
Podľa doteraz už vykonaných výskumov a štúdií vieme, že nikotín skracuje dĺžku trvania hlbokej fázy spánku. V tejto kapitole ideme analyzovať, či platia tieto informácie aj v našom súbore dát.
Ukážka kódu
library(ggplot2)
library(gridExtra)
riadky<- dat[[14]]=="Yes"
data_filtrovanie <- dat[riadky, ]
graf1<-ggplot(data_filtrovanie, aes(x=data_filtrovanie[[9]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#b152f3") +
labs(title = "Fajčiari", x = "Počet percent", y = "Počet")
riadky1<- dat[[14]]=="No"
data_filtrovanie1 <- dat[riadky1, ]
graf2<-ggplot(data_filtrovanie1, aes(x=data_filtrovanie1[[9]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#89f352") +
labs(title = "Nefajčiari", x = "Počet percent", y = "Počet")
grid.arrange(graf1, graf2, ncol=2)
Na prvý pohľad vidíme istú koreláciu dĺžky hlbokého spánku od užívania nikotínu, no pozorovanie ideme overiť výpočtom priemeru tejto hodnoty pre oba prípady.
Ukážka kódu
# Výpočet hodnôt a uloženie do premennej
fajciari <- round(mean(data_filtrovanie[[9]]),2)
nefajciari <- round(mean(data_filtrovanie1[[9]]),2)
# Generovanie tabuľky pomocou kable()
tabulka <- data.frame(Fajčiari = fajciari, Nefajčiari = nefajciari)
# Výpis tabuľky v kóde R
knitr::kable(tabulka, caption="Vplyv užívania nikotínu na priemerné zastúpenie hlbokého spánku")| Fajčiari | Nefajčiari |
|---|---|
| 47.89 | 55.37 |
Naozaj vidíme, že fajčenie negatívne oplyvňuje dĺžku hlbokého spánku, a teda môžeme potvrdiť pravdivosť doterajších výskumov.
3.3 Vplyv fyzickej aktivity
Cvičenie prispieva k pokojnému a zdravému spánku. Fyzická aktivita predlžuje čas strávený v hlbokom spánku a ten je kľúčový pre regeneráciu tela. Hlboký spánok pomáha posilňovať imunitu, podporuje zdravie srdca a reguluje stres a úzkosť (Mathhew Walker, Phd. 2017).
Ideme skúmať, či respodenti s krátkou hlbokou fázou spánku naozaj vykonávajú menej fyzickej aktivity, ako tí, čo majú spánok kvalitný. Vo všeobecnosti by mal hlboký spánok tvoriť aspoň 30 % celkového času spánku, práve preto rozdelíme respodentov do dvoch skupín: tí čo majú hlboký spánok percentuálne kratší a tí, čo ho majú dlhší.
Ukážka kódu
library(ggplot2)
library(gridExtra)
riadky<- dat[[9]]<30
data_filtrovanie <- dat[riadky, ]
graf3<-ggplot(data_filtrovanie, aes(x=data_filtrovanie[[15]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#f3527e") +
labs(title = "Hlboký spánok pod 30%", x = "Počet cvičení do týždňa", y = "Počet")
riadky1<- dat[[9]]>30
data_filtrovanie1 <- dat[riadky1, ]
graf4<-ggplot(data_filtrovanie1, aes(x=data_filtrovanie1[[15]])) +
geom_bar(color="#e9ecef", alpha=0.6, fill="#52dbf3") +
labs(title = "Hlboký spánok nad 30%", x = "Počet cvičení do týždňa", y = "Počet")
grid.arrange(graf3, graf4, ncol=2)
Vidíme, že fyzická aktivita naozaj vplýva na kvalitu spánku. Po porovnaní grafov vieme jednoducho usúdiť, že ľudia, ktorí cvičia častejšie majú hlboký spánok dlhší, ako tí, čo cvičia menej alebo necvičia vôbec.
4 Záver
Po dôkladnej analýze datasetu týkajúceho sa kvality spánku sme dospeli k zaujímavým záverom a poznatkom o vzťahu medzi spánkovými návykmi a životným štýlom respondentov.
Naša analýza ukázala, že existuje silná korelácia medzi čiastočnou spánkovou depriváciou a niektorými životnými faktormi. Respondenti, ktorí nefajčili, mali tendenciu mať lepšiu kvalitu spánku. Fajčenie totiž môže ovplyvniť spánkový cyklus a prispievať k nepravidelnému spánku a problémom so zaspávaním.
Ďalším faktorom, ktorý sme identifikovali, je konzumácia kofeínu. Respondenti, ktorí obmedzili príjem kofeínu, mali lepšiu spánkovú efektivitu a menej problémov so zaspávaním. Kofeín je známy stimulant, ktorý môže ovplyvniť spánkovú kvalitu a spôsobiť nespavosť, ak sa konzumuje v nadmernom množstve.
Okrem toho sme zistili, že pravidelná fyzická aktivita má pozitívny vplyv na spánok. Respondenti, ktorí sa pravidelne venujú cvičeniu, mali dlhší a kvalitnejší spánok. Fyzická aktivita môže pomôcť uvoľniť telo a myseľ a prispievať k lepšiemu spánku.
Celkovo môžeme povedať, že naša analýza datasetu o kvalite spánku nám poskytla dôležité informácie o tom, ako životný štýl môže ovplyvňovať spánok. Identifikovali sme faktory, ako fajčenie, konzumácia kofeínu a pravidelná fyzická aktivita, ktoré majú významný vplyv na spánkové návyky respondentov.
Týmto sme úspešne splnili náš pôvodný cieľ a získali nové poznatky o vzťahu medzi životným štýlom a kvalitou spánku. Naše výsledky môžu byť cenné pre ďalšie štúdie a pomôžu nám lepšie porozumieť tomu, ako sa staráme o svoj spánok a dosahujeme optimálnu kvalitu spánku.
References
Mathhew Walker, Phd. 2017. Why We Sleep. Scribner.