睡眠持续时间

典型传感器集线器中的电源管理

以下是可用于任何传感器集线器的状态的详细描述。

D0-这是正常操作状态。所有传感器硬件组件都已通电并正常工作。活动固件页面位于传感器集线器SRAM中，并且系统DRAM的按需分页处于活动状态。

D0u-传感器毂的未初始化状态是单个传感器毂SRAM组可以打开的状态，以启动固件加载过程。传感器集线器可以访问DRAM，但不存在可加载固件。D0和D0u之间的主要区别在于，系统电源状态更改事件需要由传感器集线器ROM处理，而不是由可加载固件处理。此状态下的传感器集线器功耗也低于D0，因为除一个之外的所有SRAM组都已断电。

D0i1-这是一种浅层节能状态，其中传感器集线器硬件可以在昏睡模式下使用SRAM进行时钟门控，以保持内容。返回到D0状态的转换由中断触发，例如定时器、来自传感器、主机的GPIO警报或可以通过定义的内部通信协议与传感器集线器通信的任何其他引擎。

D0i2-这是一种中等节能状态，其中传感器集线器硬件为时钟门控或电源门控（取决于特定的硬件块节能功能）。唤醒原因与D0i1类似。SRAM内容得到保留，而实际SRAM电源状态取决于传感器集线器硬件功能。切换回D0状态是由中断触发的，例如定时器、来自传感器、主机或任何其他引擎的GPIO警报，这些引擎可以通过定义的内部通信协议与传感器集线器通信。

D0i3-这是一种深度节能状态，其中传感器集线器硬件为时钟门控或电源门控。SRAM内容被抽空到DRAM。唤醒原因与D0i1类似。与D0i1和D0i2相比，传感器集线器硬件功耗在D0i3中较低，但由于需要用D0i3入口上疏散到系统DRAM的内容重新填充SRAM，恢复延迟较高。与D0i2相比，D0i3状态的节能取决于D0i4的停留时间。D0i3出口流量对系统功耗有重大影响，因为需要将SOC唤醒至S0，以启用传感器集线器到系统内存的路径，以便重新填充SRAM。

D3-这是一种断电状态，其中所有传感器集线器硬件都已关闭，SRAM中没有固件上下文。

正常情况下，传感器轮毂占空比在D0、D0i1、D0i 2和D0i 3之间反弹，因此在x个%占空比时间，并转到D0i1或D0i2（100−x个)%占空比时间。传感器集线器可以在任何系统电源状态下唤醒，具体取决于操作系统、软件和固件支持。传感器的电源状态取决于特定系统电源状态期间硬件资源的可用性。传感器集线器硬件无法在D0状态下从DRAM寻呼，因为系统位于S0i2，而在S0i2中系统DRAM不可用。如果有需要的用例，则传感器集线器可以退出休眠状态，并使系统从S0i2唤醒到可以访问系统DRAM的状态。

图5.15显示了传感器集线器中可能的电源状态转换。一些可能的关键PM设备状态包括D0、D0-uninitialized（D0u）、D0i1、D0i 2、D0ii 3和D3。

图5.15.可能的传感器轮毂电源状态转换。

D3至D0u：当传感器集线器硬件从D3状态通电时，发生从D3到D0u的转换。如前所述，在D0u状态下，只能保留SRAM组的某些组（通常为1），可以从中加载固件。

D0u至D0：当传感器集线器固件加载过程完成时，发生从D0u到D0状态的转换。

D0至D0u：当传感器集线器固件经历热重置时，会发生从D0到D0u状态的转换。如果软件明确要求重新加载固件，或者由于某些保护故障/违规或看门狗计时器过期而出现固件故障，则可能会发生热重置。

D0到D0i1并从D0il退出：当传感器集线器固件识别出潜在的空闲期并决定进入浅层节能状态时，会发生从D0到D0i1状态的转换。如果在空闲的时候检测到SRAM正在进行DMA活动，唯一可用的节能状态是D0i1。从D0i1恢复到D0由任何传感器集线器硬件中断触发。

D0到D0i2并从D0i1退出：当传感器集线器固件识别出潜在的非活动期，并且没有正在进行的DMA活动，SRAM要求SRAM可用时，就会发生从D0到D0i2的转换。在这种情况下，传感器集线器固件根据预测值决定是将节能状态设置为D0i2还是D0i3睡眠持续时间。如果预计的睡眠持续时间超过“D0i3的最小睡眠”阈值，并且D0i2恢复时间短于当前传感器集线器使用模型设置的延迟容差，则传感器集线管固件选择D0i三作为目标睡眠状态，否则将进入D0i2。

Atmel SAM G55G/SAM G55中的电源管理示例[9]

通常，可以使用以下选项实现传感器集线器：

•

具有超小占地面积和超低功耗的专用微控制器（MCU）

•

基于应用处理器的集成传感器集线器

•

集成MCU的基于传感器的集线器

•

基于FPGA的解决方案。

下一节讨论使用Atmel的集成MCU实现的传感器集线器上的PM。

Atmel SAM G55G/SAM G55的主要成分

Atmel SMART SAM G55是一款使用32位ARM Cortex-M4 RISC处理器和浮点单元的闪存微控制器。它以120的最大速度运行 MHz，有512个 KB闪存，最高176 SRAM的KB。

它具有以下外围设备：

•

八个灵活的通信单元（USART、SPI和I²C总线接口），

•

两个三通道通用16位计时器，

•

两个I2S控制器，

•

单通道脉冲密度调制，

•

一个八通道12位ADC，

•

一个实时定时器（RTT）和一个RTC，均位于超低功耗备份区域。

支持的睡眠模式和唤醒机制

Atmel SMART SAM G55设备有三种软件选择的低功耗模式：睡眠、等待和备份。

•

休眠模式：在此模式下，处理器停止运行，而所有其他功能都可以继续运行。

•

等待模式：在此模式下，所有时钟和功能都会停止，但一些外围设备可以配置为根据事件唤醒系统，包括部分异步唤醒（SleepWalking）。

•

备份模式：在此模式下，RTT、RTC和唤醒逻辑正在运行。

为了优化功耗，灵活的时钟系统为一些外围设备提供了不同的时钟频率。此外，可以在不影响外围处理的情况下修改处理器和总线时钟频率。

Cortex-M4处理器休眠模式可降低功耗：

•

睡眠模式会停止处理器时钟。

•

深度睡眠模式会停止系统时钟并关闭锁相环和闪存。

系统控制寄存器（SCR）的SLEEPDEEP位选择使用的睡眠模式。

进入睡眠模式：软件可以用来将处理器置于睡眠模式的各种机制如下所述。系统可能会生成虚假唤醒事件，例如，调试操作会唤醒处理器。因此，软件必须能够在此类事件发生后将处理器恢复到睡眠模式。程序可能会有一个空闲循环，以使处理器返回睡眠模式。

1

等待中断（WFI）：等待中断指令导致立即进入睡眠模式。当处理器执行WFI指令时，它会停止执行指令并进入休眠模式。

2

等待事件（WFE）：等待事件指令使进入睡眠模式的条件是一位事件寄存器的值。处理器执行WFE指令时，会检查此寄存器：

•

如果寄存器为0，处理器将停止执行指令并进入睡眠模式。

•

如果寄存器为1，处理器将寄存器清除为0，并继续执行指令，而不进入休眠模式。

三。

睡眠-退出：如果在处理器完成异常处理程序的执行时，SCR的SLEEPONEXIT位设置为1，则它将返回到线程模式并立即进入睡眠模式。此机制用于仅在发生异常时需要处理器运行的应用程序。

下面介绍了可用于唤醒处理器的各种机制。

1

WFI唤醒或退出睡眠：通常，处理器只有在检测到具有足够优先级的异常并导致异常进入时才会唤醒。一些嵌入式系统可能必须在处理器唤醒后、执行中断处理程序之前执行系统恢复任务。为此，将PRIMASK位设置为1，将FAULTMASK位设为0。如果一个已启用且优先级高于当前异常优先级的中断到达，处理器会唤醒，但不会执行中断处理程序，直到处理器将PRIMASK设置为零。

2

WFE唤醒：处理器在以下情况下唤醒：

•

它检测到具有足够优先级的异常，从而导致异常条目。

•

它检测外部事件信号。处理器提供外部事件输入信号。外设可以驱动此信号，以将处理器从WFE唤醒，或将内部WFE事件寄存器设置为1，以指示处理器不得在以后的WFE指令上进入睡眠模式。

•

在多处理器系统中，系统中的另一个处理器执行SEV指令。

•

此外，如果SCR中的SEVONPEND位设置为1，则任何新的挂起中断都会触发事件并唤醒处理器，即使中断被禁用或没有足够的优先级导致异常条目。

Atmel SAM G55G/SAM G55电源管理控制器

电源管理控制器（PMC）控制各种外围设备和Cortex-M4处理器的时钟。PMC支持的功能之一是异步部分唤醒（也称为SleepWalking）。

当在通信线路上检测到活动时，异步部分唤醒（SleepWalking）以完全异步的方式唤醒外围设备。在某些用户可配置的条件下，异步部分唤醒还可以触发系统退出等待模式（完全系统唤醒）。

异步部分唤醒功能自动管理外围时钟。通过使用此功能，外围设备（FLEXCOM0-7，ADC）仅在需要时计时，因此它提高了系统的总体功耗。必须首先配置为异步部分唤醒选择的外围设备，以便通过设置适当的寄存器位来启用其时钟。

当系统处于等待模式时(图5.16)，系统的所有时钟（慢时钟（SLCK）除外）均停止。当来自外围设备的异步时钟请求发生时，PMC会部分唤醒系统，以便仅将时钟发送到此外围设备。系统的其余部分不使用时钟供电，从而优化了功耗。最后，根据用户配置的条件，如果满足这些条件，外围设备要么唤醒整个系统，要么停止外围时钟直到下一个时钟请求。如果发生唤醒请求，异步部分唤醒模式将自动禁用，直到用户通过在PMC SleepWalking启用寄存器（PMC_SLPWK_ER）中设置PIDx来指示PMC启用异步部分唤醒。

图5.16.等待模式下的SleepWalking。

当系统处于活动模式时(图5.17)，启用异步部分唤醒的外围设备会停止其各自的时钟，直到外围设备请求时钟。当外围设备请求时钟时，PMC提供时钟，无需CPU干预。外围时钟请求的触发取决于可为每个外围设备配置的条件。

图5.17.活动模式下的SleepWalking。

如果满足这些条件，外围设备向PMC发出请求。PMC禁用外围设备的异步部分唤醒模式，并向外围设备提供时钟，直到用户指示PMC重新启用外围设备的部分唤醒。这可以通过在PMC_SLPWK_ER中设置PIDx来完成。

如果不满足这些条件，外围设备将清除时钟请求，PMC将停止外围设备时钟，直到外围设备重新发出时钟请求。

X三元FXLC95000CL

FXLC95000CL[10]智能运动传感平台是一种集成了三轴MEMS加速计和32位ColdFire MCU的设备，能够实现用户可编程、自主、灵活、高精度的运动传感解决方案，并具有本地计算和传感器管理功能。该设备可以作为传感器集线器，配备32位ColdFire V1 CPU，以及充足的RAM和闪存、主SPI和I²C总线和外部差分模拟输入。

用户的固件和硬件设备可以做出应用程序所需的系统级决策，如手势识别、计步器和电子罗盘倾斜补偿和校准。

使用Master I²C或SPI模块，该平台还可以管理辅助传感器，如压力传感器、磁强计和陀螺仪。嵌入式微控制器允许将传感器集成、初始化、校准、数据补偿和计算功能添加到平台中，因此可以从主机处理器上卸载这些功能。由于应用程序处理器长时间断电，因此系统总功耗显著降低。

FXLC95000CL的电源管理模式

ColdFire MCU体系结构具有多种操作模式，如重置、运行、停止和停止（调试）。在设备级别，有三个主要阶段，即模拟阶段、数字阶段和空闲阶段，如所示表5.12.

表5.12.FXLC95000CL设备电源相位

阶段	标题	描述
ΦA类	模拟相位	所有模拟（C2V和ADC）处理均在此阶段进行。在此模式下，CPU和相关外围设备处于“静默”状态
ΦD类	数字相位	CPU和外围设备处于活动状态，模拟处于低功耗状态
Φ我	非活动或空闲阶段	大多数设备断电，以实现最低功耗

设备的MCU只有一个STOP操作，但在设备级别还有其他级别的区别，如所示表5.13.

表5.13.FXLC95000CL设备级停止阶段

停止阶段	标题	描述
停止常设费用	快速模式下的STOP-时钟	标称用于ΦA类
停止联合国安全理事会	低速模式下的STOP时钟	标称用于Φ我
停止数控	停止所有时钟已禁用	标称用于睡眠阶段

图5.18显示了各种电源状态转换以及设备相位到ColdFire MCU操作模式的映射。防尘套和Φ_D类（功能相同）映射到MCU运行模式，而Φ_A类, Φ_我、和睡眠阶段映射到此设备上的ColdFire STOP模式。

图5.18.FXLC95000CL传感器集线器中可能的状态转换。

3.18.4 推断行为信息

科学家们探索了使用纵向上下文数据来挖掘和揭示用户在自然环境中的日常身体和认知行为。大多数物理行为方面，例如人类的移动性，都可以通过移动传感器直接推断出来。科学家们已经证明了使用数据挖掘技术从移动传感器数据中提取用户身体健康的统计信息。BeWell等健身跟踪应用程序(Lane等人。，2011)和UbiFit(Consolvo等人。，2008)已经显示了移动传感在被动跟踪用户健康不同方面的潜力，包括身体活动，睡眠持续时间以及社会隔离。这些应用程序依赖于内置在手机中的传感器，如加速计、麦克风和GPS，并且不需要任何用户输入。这表明了移动设备的潜力，可以让用户能够自行监控和控制某些身体健康问题。

此外，研究表明，认知语境和健康相关信息可以被推断为物理语境模式的函数。各种机器学习技术可用于分析原始传感器数据，以建模用户的认知行为。与建模物理行为不同，认知上下文建模需要收集认知状态的标签（以用户反馈的形式，Mehrotra等人。，2015年b)然后将其映射到原始传感器数据，并作为输入提供给机器学习工具，以学习用户的行为。因此，在这些情况下，被动感知不足以捕获用户上下文的复杂性。

情绪感知(Rachuri等人。，2010)是一个应用程序，通过使用手机上本地运行的语音分类器自动识别用户的情绪状态。同样Lu等人。(2012)提出了一种通过分析手机捕捉到的人的声音来不引人注目地识别压力发生的机制。在LiKamWa等人。(2013)作者开发了一个基于手机使用模式推断用户情绪的应用程序；他们认为，对通信日志和应用程序使用模式的分析可以从统计上高精度地推断出用户的日常情绪平均值。

研究还探索了移动传感监测心理健康状况的潜力(米勒，2012年；Bardram等人。，2013; Lathia等人。，2013)。例如Lacour等人。(2009)调查患者应用程序使用行为的变化与双相发作发作的关系。他们表明，应用程序的使用模式可以与用户情绪、睡眠和易怒的不同方面相关联。另一项研究的作者(Schleusing等人。，2011)显示了体力活动和双相情感障碍之间的强烈相关性，可用于早期干预。在Canzian和Musolesi（2015）作者表示，用户的抑郁状态可以纯粹从手机收集的移动数据中推断出来。作者认为，用户的流动性特征与他们的抑郁情绪显著相关。他们表明，机器学习模型可以通过使用位置数据成功地预测用户抑郁状态的变化。值得注意的是，现有的论文侧重于相关性，但研究界目前正在积极研究因果关系问题(Tsapeli和Musolesi，2015年)。这些类型的数据源的可用性将使研究人员能够开发出不仅能够捕捉行为特征，而且能够捕捉认知特征的模型。

此外，研究人员还证明了将被动收集的移动感知数据输入机器学习算法以构建预期应用程序的潜力(Pejovic和Musolesi，2015年)。预期应用程序是指可以根据过去、现在和预测的未来上下文自主操作，并修改未来设置以满足用户需求的应用程序。研究表明，移动传感与预测建模技术相结合，可以预测移动用户网络连接等上下文方面的潜力(Manweiler等人。，2013)，通信模式(Pielot，2014年)、和应用程序使用(Yan等人。，2012; Shin等人。，2012; Srinivasan等人。，2014)。近年来，研究人员提出使用感知的上下文信息来构建智能信息传递机制，以学习用户在不同情况下接收信息的偏好(Mehrotra等人。，2015年a、2016年a、b).图2说明了作为此类系统基础的高级反馈回路。

图2.基于人类行为分析和预测的系统通用架构模型。

例如，Mehrotra等人。（2016年a）提出了一种机制，可以学习用户在不同环境下接收手机上特定类型信息的偏好。实际上，系统的设计反映了图2：感知数据，挖掘个人偏好，根据个人偏好提供个性化信息。更具体地说，首先，系统通过被动移动传感持续捕获个人的上下文数据并将其存储在内存中。这些信息定期反馈给预测算法。在某些系统中，此步骤是实时执行的，但在其他系统中，它是定期执行的。在Mehrotra等人。（2016年a）考虑到与之相关的计算的能量成本，每天晚上都会进行数据分析。从该分析中可以导出用户偏好的模型，并可用于传递不同类型的目标信息，例如个性化广告或积极行为改变的消息。然后，通过设备中嵌入的传感器监测发送给用户的信息的效果。一个例子是对体重管理行为干预效果的监测。系统可以通过内置在手机中的加速计传感器监测用户的活动水平，从而检查所传递的信息是否有效。通常，在这种类型的系统中，用户也可以通过问卷调查（当被问及时）提供有关系统有效性的反馈。例如，这是Mehrotra等人。（2016年a）然后，这些信息用于调整系统本身的行为，例如，通过在此基础上改进学习算法。

摘要

背景和目标：睡眠质量与身心健康有关，其评估可以帮助诊断多种疾病。睡眠分析通常基于自我评价指数，睡眠持续时间环境因素、生理和多导睡眠图衍生参数以及疾病的发生。然而，主观评估和客观测量睡眠质量之间的相关性很小。最近，一些自动化系统被用来测量睡眠质量，以应对这一挑战。通过检查睡眠周期（即快速眼动（REM）和非快速眼动，包括N1、N2和N3阶段），评估基于宏观结构的睡眠分析，可以评估睡眠质量。然而，宏观睡眠分析并没有考虑诸如$\mathrm{<trans\; data-src="K">K</trans>}$-在诊断各种睡眠障碍时不可或缺的复合物和短暂波动。CAP是睡眠微观结构的一部分，可以对睡眠进行更精确和相关的检查，可以被视为衡量睡眠质量和识别失眠和呼吸暂停等睡眠障碍的候选指标之一。CAP的特征是睡眠NREM阶段大脑脑电图（EEG）信号发生非常细微的变化。健康受试者和睡眠障碍受试者的这些模式之间的差异可用于识别睡眠障碍。对人类专家来说，研究CAP非常困难；因此，开发用于评估CAP的自动化系统的势头越来越大。开发新技术用于临床设备中安装的自动CAP检测至关重要。本文旨在分析文献中提出的CAP自动评估算法和方法，以及基于CAP的睡眠标记物的开发，这些标记物可以增强睡眠质量评估，帮助诊断睡眠障碍。

方法：本文献调查检查了CAP和相关参数的自动评估。我们回顾了34篇研究文章，包括14篇ML、9篇DL和10篇基于其他技术的研究文章。

结果：该综述包括各种算法、数据库、特征、分类器和分类性能，以及CAP评估自动化系统的比较、优势和局限性。

结论：对自动化CAP评估的最新研究成果和相关挑战进行了详细描述。此外，根据我们的回顾，已经确定了研究差距。此外，还提出了使用CAP进行睡眠质量评估的未来研究方向。

三 数字媒体的使用与青少年睡眠中断之间的恶性循环

数字媒体在青少年生活中的使用急剧增加，与此同时，青少年的睡眠困难也急剧增加。青春期不健康的睡眠是多方面的，包括定量的（短期的睡眠持续时间，不规则睡眠时间表)和定性方面（低睡眠效率即一个人在就寝时间内的睡眠时间，夜间醒来和入睡困难,睡眠满意度)。这些方面通常表现为白天睡意增加，这可能以多种方式阻碍青少年的日常功能(Cain&Gradisar，2010年)。此外，这些方面还导致睡眠障碍的发展，如失眠症状（即夜间难以启动和维持睡眠；Blake等人，2018年)。青少年不健康的睡眠模式会干扰他们的心理社会发展（例如。，欧文斯，2014)是身心健康的关键转诊因子(哈维，2016).

数字媒体的使用已被确定为可能影响青少年睡眠的潜在风险因素(阿克赛和阿克赛，2018年;Bartel等人，2015年)。到目前为止，大部分注意力都集中在如何使用智能手机等便携式设备上(Carter等人，2016年)，屏幕时间(Lemola等人，2015年)和智能手机上瘾(Randler等人，2020年)与青少年的睡眠健康有关。研究发现，电子设备的使用和智能手机成瘾与睡眠数量和质量不足以及青春期出现睡眠障碍的可能性较高有关。

关于数字媒体干扰睡眠的过程，已有多种解释。首先，数字设备发出的光可能通过影响褪黑激素的分泌而影响睡眠质量，褪黑激素在我们的身体应该放松到睡觉时激活身体系统(Chinoy等人，2018年)。其次，青少年通常在睡觉前使用媒体。这种行为会延迟人入睡的时间，从而减少睡眠时间(Custer&Van den Bulck，2012年)。最后，通过数字媒体访问的内容可以产生认知唤醒，使人难以入睡，从而影响睡眠质量(Harbard等人，2016年)。此外，高唤醒水平和低睡眠可能会形成自我强化的恶性循环，对青少年的幸福感产生负面影响(Garde等人，2012年).

最近的系统综述概述了在不同年龄段对媒体使用的各个方面与睡眠健康之间关系的日益增多的研究(Mac Cárthaigh等人，2020;Zhang等人，2022年)。明确地，Mac Cárthaigh等人（2020年）在大多数参与者年龄在15至24岁之间的研究中，研究了数字媒体使用的特定方面（即智能手机使用问题）与睡眠健康之间的关系。他们的系统回顾包括九项横断面研究，发现问题智能手机的使用和睡眠之间存在弱到中度的相关性。Zhang等人（2022）通过进行荟萃分析，研究了不同年龄组（在校学生、大学生和成年人）的手机成瘾与不健康睡眠的特定方面（即睡眠障碍）之间的关系。他们包括29项研究（主要是横断面研究，两项纵向研究除外），发现移动成瘾与睡眠障碍也存在弱到中度的相关性。

综合现有系统综述(Mac Cárthaigh等人，2020年)和荟萃分析(Zhang等人，2022年)强调数字媒体使用与睡眠之间的联系。然而，它们只包括(Mac Cárthaigh等人，2020年)或者主要是(Zhang等人，2022年)横断面研究。因此，他们无法理清影响的主要方向。数字媒体的使用会影响睡眠质量吗？还是睡眠困难的青少年会将数字媒体作为一种补偿行为？虽然数字媒体的负面影响已经引起了人们的极大关注(Cain&Gradisar，2010年)，这两种机制都是合理的。例如，有睡眠困难的青少年可能会求助于数字媒体，并使用电视或电脑游戏作为睡眠辅助工具(Eggermont&Van den Bulck，2006年;Tavernier&Willoughby，2014年)。此外，由于数字媒体在青少年生活中起着重要作用(Gunnel等人，2016年)，使用媒体也可以是一种打发空闲时间的方式(Hisler等人，2020年)。有睡眠问题（与媒体使用无关）的年轻人可能需要用不同的活动来填满他们额外的清醒时间，他们经常为此目的求助于媒体。可以假设，不睡觉的时间将被其他活动占用，例如花费更多时间使用数字设备。因此，数字媒体可以代表青少年的补偿行为(Magis-Weinberg等人，2021年;Puukko等人，2020年).

因此，现有研究指出，数字媒体的使用是不同年龄组（包括青少年）睡眠健康的潜在风险因素。然而，它有一个主要的局限性，因为大多数可用的研究都采用了横断面设计。因此，仍然需要确定睡眠健康和数字媒体使用之间的关系是如何随着时间的推移而展开的，这是影响的主要方向。为了解决这一差距，目前的研究系统地回顾了纵向研究，以全面了解青少年的睡眠和他们使用数字媒体之间的交易。

2.3 学生睡眠健康与学习成绩

具有最佳持续时间的优质夜间睡眠有助于促进学生在学习和记忆保持过程中的记忆处理和认知健康[33].睡眠质量和数量与学生的学习能力和学习成绩密切相关[34]虽然有许多研究调查睡眠与学生学习成绩之间的关系，但他们大多依赖自我报告调查来衡量压力水平，缺乏客观的量化指标睡眠持续时间和学生的素质[35]很少有实证研究分析睡眠模式和睡眠习惯对大学生学习成绩的影响[36]对医学生进行了许多研究，以了解睡眠质量和睡眠时间对学生学习成绩的影响。对巴基斯坦医学生进行的一项研究表明，大多数平均分（GPA）较低的学生主观睡眠质量很差，睡眠潜伏期为16-30分钟，睡眠时间为5-7小时，睡眠效率为75%-84%，几乎每天都会出现日间功能障碍[33]Gomes、Ana Allen等人。，进行了一项研究，该研究检查了睡眠模式与多种学业成绩衡量指标的相关性，发现睡眠阶段、睡眠剥夺、睡眠质量和睡眠不规律与学业成绩衡量标准显著相关[37]睡眠质量差的学生考试成绩较差，压力更大[38].

虽然医学文献中有很多关于睡眠健康与学习成绩之间关系的研究，但对非医学生的类似研究似乎并不多见。影响学生睡眠习惯的因素作为学生整体健康的指标，尚未进行详细研究。就像考试压力、考试难度一样，许多研究都没有考虑到这些可能会影响学业成绩的因素。用于读取心脏和呼吸运动的Fitbit设备可能不是有效的睡眠质量评估工具[35]。使用的问卷是主观的，结果可能有偏差[36]因此，有必要对睡眠质量差与压力水平升高之间的关系进行详细研究。