想像一下，你是不是有過這樣的經驗？早上鬧鐘響了，卻還是賴在床上起不來，整天昏昏沉沉；或是明明很想睡覺，躺在床上卻翻來覆去，直到深夜才勉強入睡。出國旅遊碰上時差，或是因為輪班工作，作息總是與太陽的升落脫節，這些都是許多人日常生活中常見的困擾。這背後的原因，其實都與我們身體內一個無形卻強大的「生理時鐘」息息相關。這個生理時鐘，又稱作晝夜節律，它默默地調控著我們體內的各種生理機能，包括睡眠、清醒、荷爾蒙分泌、體溫變化等等，影響著我們的健康和生活品質。當生理時鐘與外界環境不同步時，我們就會感到不適，甚至可能引發各種健康問題。
對於想改善這些困擾的人來說，了解自己生理時鐘的確切時間點就顯得格外重要。就好比調整手錶之前，你得先知道現在真正的時間一樣。在醫學和生物學研究中，判斷人體生理時鐘的「金標準」，被公認為是「暗光褪黑激素分泌起始時間」（Dim Light Melatonin Onset，簡稱DLMO）。褪黑激素是一種由大腦分泌的荷爾蒙，通常在傍晚光線變暗時開始分泌，扮演著引導我們進入睡眠狀態的重要角色。DLMO代表著身體開始準備入睡的「入夜訊號」，是我們生理時鐘上一個非常重要的標誌。
然而，要測量DLMO並非易事。它需要受試者在實驗室的暗光環境下，定時採集唾液或血液樣本，並持續數小時。這個過程不僅耗費時間、人力和資源，也相對不便，讓許多研究望而卻步，更不用說一般民眾難以接觸了。這就促使科學家們積極尋找更為簡便、侵入性較低，且能準確評估生理時鐘的方法。如果能透過一些日常工具，就能了解自己的生理時鐘，那將會是多麼大的進步！
近年來，隨著科技的發展，穿戴式裝置逐漸普及，其中「活動量記錄儀」（Actigraphy）便是最受矚目的一種。這類裝置通常佩戴在手腕上，能夠持續記錄使用者的活動量和睡眠模式。由於我們的活動量通常會遵循一定的晝夜節律，科學家們便開始嘗試利用活動量記錄儀的數據，來間接估計DLMO，希望藉此突破傳統測量的限制，讓生理時鐘的評估能夠走入日常。
許多早期的研究，確實也利用活動量記錄儀開發出一些演算法來估計DLMO。根據這些研究顯示，在受試者作息規律且睡眠時間受到嚴格控制的實驗情境下，這些演算法估計DLMO的平均誤差大約落在0.5到1小時之間，表現還算不錯。這意味著，對於作息固定的人，這些方法有一定的參考價值。然而，現實生活中的我們，作息往往不會那麼一板一眼，特別是大學生群體，他們常有熬夜、假日補眠、作息不定的情況，這讓生理時鐘的評估變得更加複雜。
生理時鐘亂了套？科技如何幫我們摸清身體的「入夜訊號」
這項發表在《松果體研究期刊》上的研究，便將焦點放在了這個問題上。研究團隊首先驗證了在作息較不規律的實際人群中，這些現有的演算法表現如何。他們將這些傳統演算法應用於一群生活作息較為不固定的台灣大學生身上，並發現這些演算法在估計DLMO時的平均誤差明顯增加，大約落在1.5到1.6小時之間。這樣的誤差，對於需要精準判斷生理時鐘的應用來說，顯然是較高的。這凸顯出一個重要的挑戰：如何在真實世界、作息多變的條件下，更準確地估計DLMO？
面對這個挑戰，研究團隊提出了一個創新的思維轉變。他們不再試圖讓演算法去精準「預測」DLMO的確切時間點，而是將這個問題重新定義為一個「分類問題」。這個概念就好比我們不是要猜測火車幾點幾分到站，而是判斷火車「已經過了」還是「還沒到」某個關鍵站牌。具體來說，研究團隊設計了一個神經網路模型，它的任務是判斷一個人在當前時間點，其體內的褪黑激素分泌是「在DLMO之前」還是「在DLMO之後」。這種分類方法，雖然看似間接，卻可能避開了精準預測的難點。
這個神經網路模型，綜合分析了來自活動量記錄儀的運動數據，以及來自光照記錄儀的環境光照數據。我們都知道，光線是影響生理時鐘最重要的因素之一，而活動量則能反映我們的作息習慣。透過整合這兩類數據，神經網路學習人體生理時鐘的複雜模式。在應用於大學生群體的數據後，研究結果令人振奮：這個分類模型的準確度高達約90%。這表示該模型有較高的能力，正確判斷褪黑激素分泌是處於DLMO的「前」或「後」階段。
藉由識別這個「分類轉換點」，也就是模型判斷從「在DLMO之前」轉變為「在DLMO之後」的那個時間點，就能夠間接地估計DLMO的發生時間。根據這項研究，這種新的方法將估計DLMO的平均誤差降低到約1.3小時。相較於先前在作息不規律的大學生群體中，傳統演算法的1.5至1.6小時誤差，這項新的分類方法展現出較為理想的準確度，為更便捷的生理時鐘評估開闢了新的道路。這意味著，未來我們或許能夠透過穿戴裝置，以較高的可靠度掌握自己的身體「入夜訊號」。
創新思維：從「精準預測」到「智慧判斷」
然而，研究團隊並未就此滿足，他們進一步提出了更深層的問題：這個新的分類方法，在我們的日常活動和生理時鐘「脫鉤」時，還會一樣有效嗎？在某些特殊情況下，例如太空旅行、北極科考，或是刻意調整作息的實驗，人們的睡眠和活動時間可能會與體內生理時鐘的自然節律完全不同步。為了測試這種極端情況，研究人員將同樣的神經網路應用於「強制失同步研究」（Forced Desynchrony Studies）的數據。
強制失同步研究是一種嚴格的住院實驗，參與者會被安排在不同於他們習慣的作息時間睡覺和起床，例如每20小時或28小時一個循環，而非自然的24小時。在這種實驗條件下，研究人員可以觀察並測量生理時鐘（透過DLMO）與日常活動（睡眠-清醒週期）完全錯開時，身體的反應。這提供了檢驗演算法在生理時鐘和活動節律「解耦」狀態下效能的機會。
結果顯示，當應用於這些強制失同步的數據時，該分類演算法的整體準確度顯著下降，大約落在55%至65%之間。而且，在單一受試者身上，每天的準確度範圍更是廣泛，從20%到80%不等。這表明，當我們的活動模式與內在生理時鐘的節律產生較大的偏差時，僅僅依靠活動量和光照數據來判斷DLMO，其可靠性會明顯降低。
更有趣的是，研究進一步分析發現，在強制失同步情境下，演算法的準確度高低，與DLMO和「入睡時間」之間的「相位角」（Phase Angle，也就是兩者之間的時間差）息息相關。當入睡時間較接近我們通常認為的「夜晚」（也就是DLMO發生後較短的時間內）時，演算法的準確度會較高。這項發現非常關鍵，它強調了「活動的晝夜節律模式」對於基於活動量記錄儀來估計生理時鐘的重要性。這意味著，我們的身體活動節律，並非只是獨立的行為，它與生理時鐘有著複雜的互動關係。當兩者較為同步時，活動量數據對生理時鐘的反映就較為準確；反之，當它們嚴重脫鉤，活動量數據的解讀就需要更謹慎。
這項創新研究為我們提供了一種較為便捷且較不具侵入性的方法，來估計重要的生理時鐘標誌，也就是褪黑激素的分泌起始時間。對於那些作息規律性較低的族群，例如需要輪班的醫護人員、空服員，或是飽受時差困擾的商務人士，這項技術可能在未來提供一個簡單的工具，幫助他們更好地了解並調整自己的生理時鐘，進而改善睡眠品質和生活效率。
當然，研究結果也提醒我們，現有的演算法仍有其局限性。特別是在極端作息不規律，甚至身體節律與外部活動完全脫鉤的情況下，演算法的準確度會較低。這也正是未來研究需要持續努力的方向：如何開發出即使在生理時鐘和活動節律嚴重不一致的情況下，仍能保持較高準確度的估計方法？研究團隊也樂觀地指出，他們提出的這種創新的分類演算法，或許不只適用於估計褪黑激素的起始時間，未來也有潛力推廣應用到其他荷爾蒙的分泌模式估計上，為人體內分泌系統的監測與理解，開啟新的可能性。
總體而言，這項研究成功地將評估生理時鐘的問題，從對確切時間點的精準預測，轉化為判斷「在DLMO之前或之後」的分類任務。它巧妙地結合了日常可得的活動量和光照數據，並利用神經網路的強大學習能力，為繁忙且作息不規律的現代人，提供了一扇了解自身生理時鐘的窗。儘管這項研究為我們帶來了突破性的進展，我們也應客觀地理解，這是一個正在發展中的領域，研究結果是相對比較下的發現，而非絕對的定論。未來，隨著更多研究的深入和技術的演進，我們將能更精準、更全面地掌握自己的身體節奏，活出更健康、更有活力的生活。
參考文獻：
A classification approach to estimating human circadian phase under circadian alignment from actigraphy and photometry data. Journal of pineal research. 2021 Jun 20; 71(1):e12745-e12745. doi: 10.1111/jpi.12745
