TILES-2018 Sleep Benchmark — 139 名医院员工 10 周 Fitbit 纵向睡眠与自评量表基准

INFOBOX — TILES-2018 Sleep Benchmark 一屏速览

维度	内容
本质	母队列 TILES-2018 的睡眠派生发布 + 留出评测基准（非新采集队列）
团队	University of Southern California：SAIL + ISI；通讯 Tiantian Feng
论文	arXiv:2507.03520（v1，2025-07-04），IEEE 双栏体例，疑为 ICASSP 2026 稿
母数据集	TILES-2018（Sci Data 7:354, 2020；212 人 / 10 周 / 多模态）
规模	139 人 × 10 周 = 6,012 条唯一主睡眠；合并视图 349 人 / 约 15,000 条
设备	Fitbit Charge 2（PPG 心率 + 加速度计 → 设备端睡眠分期）
结构	fitbit 四子目录（metadata / data / heart-rate / participant-info）+ surveys 两子目录
量表	PSQI 基线一次；七维 + 0-21 总分，≥5 分提示睡眠质量差
班次对比	白班总睡眠 398±68 min vs 夜班 352±75 min（p<0.01）；PSQI 6.20 vs 7.77（p<0.05）
基准任务	睡眠分期（三分类 / 四分类）、PSQI 二值预测、年龄/性别/班次分类
最优结果	分期 macF1 0.574（LSTM 三分类）；PSQI Ensemble AUC 0.665；班次 AUC 0.767
获取	tiles-data.isi.edu 申请制，沿用 TILES-2018 协议；明文许可未在可抓页面列出
伦理	USC IRB HS-17-00876；书面知情同意
库内互链	mesa-sleep（302）、qol-stress（997）、wesad（67）、sleep-edf（73）、nch-sleep（1013）

TILES-2018 Sleep Benchmark 不是一次新的医院招募，而是把 2018 年那场"给医院员工全身挂满传感器"的 TILES 研究里最耐磨的一条数据线单独抽出来、洗一遍、再钉成一个评测靶：139 名医院员工连续十周把一只 Fitbit Charge 2 戴在手腕上，留下 6,012 条有始有终的主睡眠记录——入睡时间、醒来时间、总睡眠时长，以及 wake / light / deep / REM 四段分期和整夜的逐分钟心率；入组时再填一份匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index, PSQI），把"我觉得自己睡得怎么样"折算成 0 到 21 分。它的价值不在样本量，而在结构：训练分片来自同项目的母数据集 TILES-2018（210 人），评测分片是这里的 139 人，两者采集协议一脉相承、设备一致、量表一致，于是"换一批人还灵不灵"这件事第一次可以在可穿戴睡眠数据上被正经地问出来。

导语读法三则：

1. 只想判断能不能用：直奔 §6 获取与许可与附录 D 决策树——数据是申请制，而且明文许可条款在公开页面查不到，这一条足以决定项目能否启动。
2. 关心夜班与睡眠质量：直奔 §4 与 §5——PSQI 分班次表、总睡眠时长差、作息规律性的两个标准差数字都在那里，是全篇信息密度最高的部分。
3. 要做基准对标：直奔 §7——分期 macF1、PSQI 预测、人口学分类三张结果表都带模型名与分群结果，可直接抄进实验设置。

§0 导读：这个数据集解决什么问题

睡眠研究长期被一个矛盾卡住：最可靠的测量手段（多导睡眠图，polysomnography, PSG）必须把人绑在实验室的电极上睡一夜，代价高、侵入性强、最多连着测几晚；而人真正的睡眠习惯恰恰是在自己床上、连着几个星期、跨着工作日与休息日才显形的。腕式可穿戴设备用加速度计加光电容积脉搏波（photoplethysmography, PPG）把"睡眠"变成一个可以连续几十天不打扰地记录的信号，代价是精度——它推断出来的分期不是 PSG，而是一个厂商算法对运动的猜测。

于是可穿戴睡眠数据集的核心问题从来不是"有没有数据"，而是"这批数据能不能被当成评测靶"。绝大多数公开的腕式睡眠集是短期的：一两个晚上，几十到两百人，采集于实验室或受控方案（本论文表 I 里 ECSMP 与 DREAMT 都只有一夜，各 89 与 100 人）。这种数据可以训练分期模型，却没法回答三个更贴近应用的问题：同一个人十几周里的睡眠节律怎么变？跨人群、跨班次泛化时模型还剩多少本事？自评的睡眠质量能不能从设备信号里预测出来？

TILES-2018 Sleep Benchmark 的回答是"用医院员工做纵向靶场"。医院员工的特殊性在于班次：连续 12 小时班、白夜倒班、浮动岗（float pool）随叫随到——这批人的睡眠天然带着昼夜节律错位的压力，是研究轮班工作睡眠障碍（shift work sleep disorder, SWSD）的理想自然实验场。数据集给出的三个任务也正对应三类现实问题：把整夜信号切成阶段（睡眠分期）、从信号里读出主观感受（PSQI 预测）、从睡眠模式反推这个人是谁（人口学分类）。第三类看起来像是炫技，其实是隐私风险的正面演示——如果睡眠模式能识别班次甚至性别，那么"脱敏的可穿戴数据"这个说法就需要重新掂量。

§0 读法三则：

1. 这个条目描述的是"派生发布"而非"原始队列"：母数据集 TILES-2018（212 人）与本集（139 人）是同一次采集的两个出口，训练/测试分片就建立在这个裂口上。混淆两者是检索时最常见的错误（见 §10 坑 1）。
2. 全部统计数字来自论文 arXiv 版正文与表格；正文与表格冲突处（夜班占比、分期 F1、记录总数）已在 §10 逐条存照，本文以表格与正文显式数字为准。
3. 若你要找的是"带 PSG 金标准的睡眠分期基准"，本集不是答案——请转 sleep-edf（rid 73）或 nch-sleep（rid 1013）。

§1 数据集速览：十问十答

Q1：它和 TILES-2018 是什么关系？
是同一次采集的两个发布出口。TILES-2018（Scientific Data 2020，212 名医院员工，10 周，Fitbit + OMSignal 衣物 + 手机 + 环境传感器）是母数据集；本集把其中 139 人的 Fitbit 睡眠侧数据重整为独立发布，并明确定位为母数据集的留出测试分片。两者合并称 Combined TILES Sleep（349 人）。

Q2：为什么是 139 而不是 212？
论文没有逐条解释筛选规则，只说明本集与母集"遵循相同的研究流程"，并在分析时把两者合并为 349 人。可推断的口径是：这 139 人是母队列中 Fitbit 睡眠数据达到发布质量的那一批。论文未给出被排除者的画像，这是复现时的一个空白。

Q3：6,012 条是什么单位？
“唯一主睡眠记录”（unique main sleep）。一条记录 = 一次完整的夜间主睡眠，带 sleepId、起止时间、总睡眠时长与各阶段时长。同一晚的多次小睡（nap）另计，论文未对小睡做专门分析。

Q4：睡眠阶段是谁标的？
Fitbit 设备端算法。元数据里同时给出两套标签体系：classic 三态（awake / asleep / restless）与阶段四态（wake / light / deep / REM）。这意味着"标签"本身就是被测对象的一部分，而不是独立金标准。

Q5：心率是怎么来的？
Fitbit Charge 2 的 PPG 传感器，按 1 分钟区间取平均，缺失区间留空。文件名 sleep-heart-rate，每人一个文件，时间戳与睡眠时段对齐。

Q6：PSQI 打了多少次？
基线一次。原始逐项回答在 surveys/raw/baseline，七维分与总分在 surveys/scored/baseline。论文写明"未做每日 EMA"，因此没有逐夜的主观睡眠质量标签。

Q7：夜班真的睡得更差吗？
统计上是的。白班总睡眠 398±68 分钟，夜班 352±75 分钟（p<0.01）；PSQI 总分 6.20±3.52 对 7.77±3.89（p<0.05），差异主要落在主观睡眠质量维度。合并数据中夜班在睡眠效率与日间功能障碍上也显著更差。

Q8：三个基准任务的结果大概什么水平？
睡眠分期 macF1 约 0.50-0.57（三分类最高 0.574，四分类最高 0.529）；PSQI 二值预测最好 AUC 0.665（集成模型）；人口学分类中班次最好 AUC 0.767、准确率 72.2%（随机森林）。零样本大模型（BioMistral-7B）在 PSQI 预测上 F1 仅 0.284。

Q9：怎么拿到数据？
走 tiles-data.isi.edu，沿用 TILES-2018 的访问协议。注意：可抓页面没有列出明文许可条款与表单细节，正式使用前必须走站点申请并保留回执。

Q10：它算 AI-Ready 吗？
结构上很 AI-Ready（目录清晰、ID 哈希、时序规整、有官方基准脚本口径），但可获取性拖后腿（申请制 + 许可不明），元数据质量中等（口径漂移若干）。综合评级见附录 B 的 DAIMS 表。

§2 数据构成与规格

2.1 三层结构：母队列、派生发布、合并视图

理解这个数据集的关键是先分清三个名字，它们指的是同一批人在不同切面上的三个口径：

名称	人数	时间跨度	设备	睡眠记录	在论文中的角色
TILES-2018（母数据集）	212	10 周	Fitbit Charge 2 + OMSignal + 手机 + 环境传感	未在本论文统计	训练分片
TILES-2018 Sleep Benchmark（本集）	139	10 周	Fitbit Charge 2	6,012 条主睡眠	测试分片 / 发布主体
Combined TILES Sleep（合并视图）	349	10 周	Fitbit Charge 2	约 15,000 条（高质量 12,805）	论文分析口径

合并视图不是第四个数据集，而是论文在做描述性分析时把母集与本集拼起来看的一个方便口径。它的 349 = 212 + 139 并不是简单相加——两者存在人员重叠的可能，论文表述为"结合两个数据集"，未逐人核对去重方式。使用合并视图数字时必须记住这一点：12,805 与 349 是分析口径，不是可下载资产的口径，下载得到的是 139 人的本集。

2.2 目录结构与文件规格

论文表 II 给出的目录树是理解数据形状最直接的地图：

顶层	子目录	粒度	内容
fitbit	sleep-metadata	每次睡眠一行	sleepId、起止时间、总睡眠时长、nap/main 标记、各阶段时长
fitbit	sleep-data	每个阶段一段一行	sleepId、阶段标签、该阶段时长（秒）
fitbit	sleep-heart-rate	每人一个文件	时间戳 + 1 分钟均值心率（bpm），缺失留空
fitbit	participant-info	单表	哈希 ID + 年龄组、性别、主要班次、岗位、主要工作单元
surveys	raw/baseline	每人一行	PSQI 逐项原始回答
surveys	scored/baseline	每人一行	PSQI 七维分与 0-21 总分

三处工程细节值得提前知道：

1. 两套阶段标签并存。classic 三态（awake / asleep / restless）与四态（wake / light / deep / REM）在元数据里同时存在。做四分类基准时用后者；若要做"粗粒度觉醒检测"（类似 CinC 2018 的觉醒任务），前者更接近设备原始输出。
2. 心率对齐靠时间戳，不靠索引。sleep-data 与 sleep-heart-rate 之间没有现成的 join 键，必须用 sleepId 查元数据拿到起止时间，再按时间窗口切片。这是所有二次开发的第一道工序。
3. 缺失是留空而不是插值。PPG 在腕带佩戴松动或电量不足时会断流，文件里对应区间为空。作者在局限性中明确说没有探索缺失填补与掩码时序建模，也就是说缺失本身是一个未被利用的信息源。

2.3 人口学构成的三个偏斜

维度	本集（N=139）	合并视图（N=349）
男性	41（29.5%）	106（30.4%）
女性	98（70.5%）	243（69.6%）
白班	108（77.7%）	252（72.2%）
夜班	31（22.3%）	97（27.8%）
<30 岁	18（12.9%）	51（14.6%）
30-49 岁	91（65.5%）	237（67.9%）
≥50 岁	30（21.6%）	61（17.5%）

岗位层面，注册护士（Registered Nurse, RN）占 40.3%，认证护理助理（Certified Nursing Assistant, CNA）占 10.8%，其余为监护技师／治疗师及未列明岗位。工作单元层面，本集的分布颇为反直觉：非 ICU 15.1%、ICU 12.9%、浮动岗 18.7%，而办公室（行政、医生、研究）合计超过 30%——也就是说，这批"医院员工"里，真正守在病床边的临床一线（ICU + 非 ICU + 康复）加起来不到三成，最大的一块其实是行政与研究岗。合并视图的结构完全不同（非 ICU 28.3%、ICU 19.4%、多数来自护理单元），这也解释了为什么许多"班次效应"在合并口径下反而更强。

三点读法：第一，性别比例约七三开，任何按性别训练的模型都要注意这个先验；第二，年龄高度集中在 30-49 岁，跨年龄泛化的证据薄弱；第三，本集以办公室人员为主这一事实，让"医院员工"这个标签容易造成误解——它更接近"一家医院里坐办公室的人加上一部分护士"，做临床职业健康外推时务必核对单元构成。

2.4 记录数与依从性画像

每人主睡眠条数	本集人数（占比）	合并视图人数（占比）
<10	23（16.5%）	57（16.3%）
10-29	25（18.0%）	49（14.0%）
30-49	15（10.8%）	60（17.2%）
≥50	76（54.7%）	183（52.4%）

十周约 70 个夜晚，超过一半的参与者留下 50 条以上主睡眠，说明 Fitbit 的佩戴依从性在这批人身上相当高。高质量记录（完整分期 + 心率覆盖 >90%）为 5,178 条，占 6,012 的 86.1%——这意味着即便不做任何清洗，八成半的记录可以直接进模型。

但依从性分布的长尾同样重要：16.5% 的人不足 10 条记录。论文在评测时设了门槛，只保留超过 10 条记录的参与者，评估集因此缩减为 n=116。这个门槛带来一个隐性偏差：睡眠最不规律、最可能戴不住设备的人，恰恰被排除在评测之外——对夜班研究来说，这不是可以忽略的细节。

§3 采集协议与队列背景

3.1 招募与入组

论文图 1 把流程画成两幕。招募：在 USC Keck Hospital 与 USC Norris 综合癌症中心两处，通过发传单、在科室会议上宣讲、线上发布与邮件定向邀请招人；有意者进入项目专用信息网站填写筛选问卷，判定资格——标准是全职雇员。合格的再预约线下入组会。入组会：参与者当场完成一整套问卷，覆盖人口学、健康与自评工作表现；随后研究协调员讲解 Fitbit 的使用方式，并给出佩戴建议——上班与下班都戴，洗澡时取下充电。

这条流程与母数据集 TILES-2018 完全一致，是"派生发布"得以成立的前提。它也决定了数据的一个特性：睡眠记录不分工作日与休息日、不分在岗与在家，全部混在一起，这正是自然场景监测的价值所在，也是分析时必须自己引入班次变量才能解释节律的原因。

3.2 母队列的多模态底色

本集只保留 Fitbit 睡眠侧，但母队列的原始设计要宽得多。TILES-2018 的官方数据说明页列出了五类传感器：

传感器	采集内容
Fitbit 腕带	心率、步数、睡眠时长与质量
OMSignal 衣物	心率、心率变异性、呼吸率、体动
Unihertz Jelly Pro 手机	匿名化语音、邻近关系（与 Owl-in-one 配合）
ReelyActive Owl-in-one	邻近关系、环境数据
Minew E6/E8/S1	光照、门磁、温湿度

问卷侧则覆盖人格、情绪、焦虑、压力、心理灵活性、工作投入、心理资本、挑战性与阻碍性压力源、人际支持、酒精与烟草使用、体力活动与睡眠活动，采样节奏从"入组前后各一次"到"半日一次"不等。这就是为什么本集的摘要会提到压力与焦虑：它们属于母队列完整问卷组的一部分，而在本集的睡眠侧发布里，实际落地并报告数值的只有 PSQI。

3.3 伦理与治理

伦理批准为 USC IRB 编号 HS-17-00876，全部参与者签署书面知情同意。数据访问沿用 TILES 项目的统一协议，参与者标识在发布前做哈希处理，participant-info 里只保留年龄组、性别、班次、岗位、单元这类粗粒度字段，不含姓名、工号、具体日期。资助来自 IARPA 的 MOSAIC 项目（合同号 2017-17042800005）与 DARPA（D16AP00115），这解释了项目为何以"压力、任务表现与行为"为核心命题——MOSAIC 的全称正是 Multimodal Objective Sensing to Assess Individuals with Context。

3.4 与 TILES-2019 的分工

同一项目在 2019 年还发布了 TILES-2019（Scientific Data 9:536, 2022），对象换成 LAC + USC 医疗中心的57 名 ICU 住院医师，关注的同样是压力与表现。两者常被混为一谈，区别很实在：TILES-2019 是高压力专科人群的短队列，TILES-2018 是覆盖护士、护理助理与行政人员的十周大队列；本集只从 2018 队列派生，与 2019 无关。

§4 睡眠质量与自评量表

4.1 PSQI 的构成与口径

PSQI 是睡眠医学里最常用的自评工具之一。本论文的描述是：29 个条目，评估七个维度——主观睡眠质量、入睡潜伏期、睡眠时长、习惯性睡眠效率、睡眠障碍、催眠药物使用、日间功能障碍；每项 0-3 分，分数越高越差；七维合成 0-21 的全局分，≥5 分提示整体睡眠质量差。

这里有一处需要存照的口径冲突：PSQI 的经典版本自评部分为 19 个条目（另有 5 个由同住者回答的他评条目，合计 24），项目文档与多数二次研究（包括使用母队列的 PMC10289192）都写作"19 项 PSQI"。本论文写 29 项，与经典计数不符，可能的解释是把某些子项或计分中间量一并计入。实际操作时以数据文件里的实际列数为准，不要按论文文字去硬编码 29 列。

4.2 分班次的 PSQI 全表

维度（0-3 分）	本集白班	本集夜班	p	合并白班	合并夜班	p
总分（0-21）	6.20±3.52	7.77±3.89	<0.05	6.10±3.09	7.55±3.64	<0.01
主观睡眠质量	1.07±0.73	1.45±0.71	<0.05	1.05±0.67	1.25±0.67	<0.05
入睡潜伏期	1.27±1.04	1.48±0.98	0.31	1.31±1.00	1.40±0.98	0.53
睡眠时长	1.01±0.86	1.16±0.99	0.37	0.91±0.88	1.05±0.95	0.14
睡眠效率	0.58±1.02	0.87±1.01	0.19	0.48±0.87	1.01±1.12	<0.01
睡眠障碍	1.14±0.58	1.26±0.62	0.28	1.20±0.57	1.29±0.56	0.08
催眠药物	0.33±0.77	0.61±1.04	0.14	0.41±0.89	0.59±1.02	0.16
日间功能障碍	0.80±0.84	0.94±1.11	0.55	0.75±0.77	0.95±0.93	<0.05

四个读法：

1. 总分差是稳定的。本集与合并视图都显示夜班总分显著更高，且合并视图的显著性更强（p<0.01 vs p<0.05），因为样本更大。
2. 差异主要落在"感受"而非"时长"。主观睡眠质量和入睡潜伏期是夜班唯一两个方向一致地变差的维度；而 PSQI 自评的"睡眠时长"维度在两口径下都不显著——夜班自认为睡得短的幅度，没有他们自认为睡得差的幅度那么确定。
3. 睡眠效率的显著性只在合并视图出现。本集 31 名夜班的样本量不足以把它推过阈值，这是典型的功效问题，不能读成"本集夜班效率不差"。
4. 催眠药物与睡眠障碍两维均不显著，且均值低（0.3-0.6 分区间），说明这批人整体不是临床失眠人群，用药比例低。

4.3 设备信号给出的分班次睡眠结构

指标	本集白班	本集夜班	p	合并白班	合并夜班	p
总睡眠（分钟）	398±68	352±75	<0.01	404±69	365±72	<0.01
非 REM（分钟）	299±38	291±39	0.25	306±39	292±46	<0.01
非 REM 占比（%）	72.0±3.1	72.9±3.2	0.14	72.0±3.1	73.4±3.7	<0.01
REM（分钟）	84±16	78±18	0.09	85±17	75±19	<0.01
REM 占比（%）	19.9±3.0	18.9±3.4	0.08	19.9±3.3	18.4±3.8	<0.01

（统计仅纳入记录数 >10 条者。）

最要紧的一行是第一行：夜班总睡眠比白班少 46 分钟（本集）与 39 分钟（合并），两口径都显著。这是整篇论文最硬、也最容易被引用的数字。第二要紧的是 REM：本集里 REM 分钟与占比的 p 值为 0.09 与 0.08，属于"边缘不显著"；但在合并视图里双双变为显著（p<0.01），方向是夜班 REM 更少。这种"本集不显著、合并显著"的格局要小心解读——它既可能是真实效应被小样本掩盖，也可能是合并引入了额外的组间异质性。第三是占比的细小差异：非 REM 占比两口径都在 72% 左右，REM 占比 19-20%，与一般成人夜间结构大致相符，说明 Fitbit 的分期在"大结构"上不至于离谱，问题更可能出在阶段边界与转换处（见 4.5）。

4.4 作息规律性：两个标准差

论文用"入睡时间与醒来时间的离散度"刻画作息规律。结果非常直观：

指标	白班	夜班	p
入睡时间标准差	2.0 小时	5.6 小时	<0.01
醒来时间标准差	2.1 小时	4.3 小时	<0.01

夜班的入睡时点在一个十周窗口里散布在整整 5.6 小时的范围上，比白班宽近三倍。这两个数字比任何均值比较都更能说明轮班的生理代价：均值相同的人，节律也可能完全不同；而对睡眠研究来说，离散度本身就是一个表型。

论文还报告了一个反直觉的次级发现：实验室岗位（论文将透析、血液等检验或实验区域归入 laboratories 一类）的人入睡更晚，且入睡与醒来时间的变异更大，程度甚至超过护理单元。这与 2.3 节"办公室与研究岗占三成"的构成相互呼应——本集的"非白班困扰"可能并不全由夜班贡献，岗位性质（是否需要早到、是否轮值）同样是自变量。

4.5 阶段转换：一个比占比更敏感的视角

如果把睡眠看成马尔可夫过程，阶段之间的转移概率比静态占比更能反映睡眠的"碎裂程度"。论文报告：

• 夜班从 REM 转入浅睡的转换显著更多（p<0.01）；
• 白班保持在 REM 的概率显著更高（p<0.01）；
• 清醒转浅睡的转换：白班 10.4% 对夜班 11.1%（p<0.05）。

作者的解释是昼夜节律错位与作息不规律破坏了恢复性（REM）睡眠的连续性。这个解释在方向上合理，但要记住它建立在 Fitbit 的分期之上——设备对 REM 的判断本身就偏宽松（作者承认倾向高估 REM 时长），因此"转换"这类细粒度统计对设备误差的敏感度高于"总时长"。

4.6 自评与设备的一致性：一个未被正面回答的问题

论文分别报告了 PSQI（自评）与 Fitbit（设备）的分班次差异，但没有系统地做两者之间的一致性分析——没有逐人相关性、没有 Bland-Altman、没有"自评差 vs 设备差"的交叉表。这是一个明显的研究空缺，也正是本集的可再挖掘处：数据里 PSQI 总分与每人的平均总睡眠时长都在，做一次简单的 Spearman 相关就能回答"这批人对自己睡眠的主观判断与设备判断有多贴合"。不过要预先设定预期：PSQI 是十周前的一次性回顾性自评，而设备信号是连续的，两者时间尺度不同，相关性天然偏低。

§5 基准任务设计与结果

5.1 三个任务、五个模型、一条分片线

论文的评测设计有一个干净的骨架：用母数据集 TILES-2018 做训练与验证，用本集做测试。这是"留出评测集"（holdout）的教科书式用法，也正是本集独立发布的根本理由——如果只在母集内做随机划分，同一批人的相似节律会泄漏到测试侧，指标会虚高。

任务有三：

任务	形式	标签来源	输出
A 睡眠分期	逐 30 秒（或设备分期单元）分类	Fitbit 四态（可并成三态）	wake / light / deep / REM 或 wake / non-REM / REM
B PSQI 预测	二分类	PSQI 总分 ≥7 为阳性	睡眠质量差与否
C 人口学分类	三组二分类	participant-info	年龄 ≤40/>40、性别、班次

模型五路：SleepNet（3 层 LSTM，隐层 128）、单层 TimesNet（隐层 64）、MLP 分类器、随机森林（基于知识驱动的睡眠特征）、零样本 BioMistral-7B，另加 SleepNet 与 TimesNet 的集成。评估集只取记录数 >10 条者，n=116。

为什么阈值取 7 而不是 PSQI 通行的 5：论文没有解释。通行临床界值是 5 分（≥5 提示睡眠质量差），而本集 PSQI 均值白班 6.20、夜班 7.77——若用 5 作阈值，绝大多数样本会被划为阳性，二分类会严重失衡；取 7 能把正负例拉得较为均衡。这是一个合理但未言明的工程折中，复现时必须注意，不要把它当成临床界值。

5.2 睡眠分期结果

模型	任务	全体 macF1	白班	夜班	p	≤40 岁	>40 岁	p
SleepNet 3 层 LSTM	三分类（Wake/Non-REM/REM）	0.574	0.574	0.572	0.14	0.577	0.566	0.14
单层 TimesNet	三分类	0.570	0.573	0.564	0.27	0.574	0.565	0.18
SleepNet 3 层 LSTM	四分类（Wake/Light/Deep/REM）	0.529	0.527	0.531	0.96	0.537	0.511	<0.01
单层 TimesNet	四分类	0.500	0.499	0.506	0.78	0.509	0.486	<0.01

三个观察：

1. 三分类与四分类差距明显（0.574 对 0.529），说明损失主要发生在 light 与 deep 的边界上——这正是设备分期最难的地方，也是 PSG 时代就存在的经典难题。
2. 班次之间没有显著差异（p 值 0.14-0.96）：模型对夜班并不"更不会"，这与"夜班睡眠更碎片化"的直觉相反，可能的解释是两组的绝对睡眠时长差异不足以改变分期难度。
3. 年轻组显著更好（四分类 p<0.01）：年龄 ≤40 的分期精度明显高于 >40 组，提示设备算法（可能基于固定的生理先验）在年龄轴上存在偏差。这一点对把该数据集当作"公平性评测"使用的人很重要。

5.3 PSQI 预测结果

模型 / 输入	F1	ROC-AUC	准确率（%）
SleepNet LSTM / 原始睡眠序列	0.604	0.655	63.6
SleepNet LSTM / 原始序列 + 人口学	0.471	0.475	56.1
单层 TimesNet / 原始睡眠序列	0.561	0.613	67.3
TimesNet / 原始序列 + 人口学	0.573	0.584	59.8
随机森林 / 睡眠模式特征	0.521	0.554	59.1
随机森林 / 睡眠模式 + 人口学	0.410	0.562	63.5
BioMistral-7B 零样本	0.284	—	39.7
BioMistral-7B-DARE 零样本	0.284	—	39.7
集成（SleepNet + TimesNet）	0.576	0.665	64.5

这张表最值得看的不是最高的 F1，而是加人口学之后普遍变差这一现象：SleepNet 从 0.604 掉到 0.471，随机森林从 0.521 掉到 0.410。作者的解释是人口学引入了与 PSQI 无关的噪声，且样本量在拆分后不足。但换个角度看：这恰恰说明当前模型没能在序列特征与人口学特征之间学到有效的交互，简单拼接不是好设计。

零样本大模型那条线（BioMistral-7B 与 BioMistral-7B-DARE）成绩最低：F1 0.284、准确率 39.7%，低于即便全猜多数的基线。这不是说大模型无用，而是说明把整夜的时序数值直接塞进文本 LLM 的路子在这个任务上走不通——信号必须以特征或原型的形式先降维。

5.4 人口学分类结果

属性 / 模型	F1	ROC-AUC	准确率（%）
年龄（≤40 vs >40）随机森林	0.417	0.725	65.2
年龄 SleepNet	0.491	0.484	48.4
年龄 TimesNet	0.570	0.632	57.0
年龄 集成	0.587	0.638	58.9
性别随机森林	0.500	0.631	67.0
性别 SleepNet	0.541	0.671	57.0
性别 TimesNet	0.614	0.642	69.2
性别 集成	0.556	0.671	58.9
班次随机森林	0.631	0.754	72.2
班次 SleepNet	0.545	0.740	55.1
班次 TimesNet	0.592	0.752	60.7
班次 集成	0.559	0.767	57.0

班次是最容易被识别的属性（AUC 0.754-0.767，随机森林准确率 72.2%），这与 4.4 节"夜班入睡时点散布 5.6 小时"完全吻合——夜班的节律特征太醒目，模型几乎不需要深度学习就能抓住。性别也可识别（AUC 0.63-0.67），这一点最需要警惕：性别与睡眠结构的关联（如女性报告更多睡眠障碍）在文献中有据，但把它变成可预测属性，意味着可穿戴数据在去标识化后仍可能泄露敏感属性。

论文的特征重要性分析给出三个对应关系：深睡时长 → 年龄、总睡眠时长 → 性别、总睡眠时长标准差 → 班次。这三条朴素到几乎称不上"发现"，但恰好说明：树模型用几个人工特征打赢深度时序模型，是因为任务本身是低维的；深度模型的长处应当在分期任务上体现。

5.5 结果解读的四条守则

1. 所有指标都在 116 人的测试集上，任何 1-2 个百分点的差异都不稳定；论文给的 p 值只比较分组（白班/夜班、年龄两段），不是模型间显著性检验。
2. 分期任务用的是设备标签，不是 PSG；模型学到的是"复现 Fitbit 算法"，不是"识别真实睡眠阶段"。引用 0.574 作为 SOTA 对标时必须写明这一点。
3. PSQI 阈值 7 属自定，换阈值结果会变，跨论文比较前先对齐阈值。
4. 人口学分类的高分不等于模型"懂生理"，它更可能抓住了佩戴习惯、作息时点这类强标识特征。

§6 获取与许可：一道需要耐心的门

6.1 三个入口的实际形态

资产	入口	是否需要人工审核	可抓页面是否给出明文许可
本集（139 人睡眠侧）	tiles-data.isi.edu（沿用 TILES-2018 协议）	是（申请制）	否
母数据集 TILES-2018（212 人多模态）	同一站点 dataset2018_details	是	否
论文全文	arXiv:2507.03520（HTML 与 PDF）	否	arXiv perpetual non-exclusive license（论文本身）

要点是：论文开放，数据不开放。 arXiv 版可以随便读、随便引用，但论文里反复出现的 “make publicly available to the research community” 指的是"经申请向研究界公开"，不是"点开即下"。这处措辞在两三年前的可穿戴数据集论文里很常见，检索时容易被误读成无条件开放。

6.2 申请制下的实操建议

论文正文把获取方式压缩成一句"访问遵循与先前 TILES-2018 相同的协议"，没有给出步骤。站点 overview 页同样只说明"数据集公开可用，鼓励研究使用"，并列出了两篇引用要求（TILES-2018 与 TILES-2019 各一篇）。基于这两个来源，可以把准备动作列出如下：

1. 先读两篇引用论文：母集的 Scientific Data 论文（doi:10.1038/s41597-020-00655-3）描述了数据集的完整模态与问卷体系，站点明确要求使用者在成果中引用它。
2. 准备用途说明：申请材料需要说清研究目的、使用模态范围（本集只需 fitbit 与 surveys 两个目录）与团队机构；这是同类申请制数据集的通用要求。
3. 预留审核周期：论文与站点都没有承诺响应时间，项目排期时应把这一环当作外部依赖。
4. 保留回执与协议文本：由于公开页面没有许可条款，回执中附带的条款是唯一的法律依据，务必存档，后续成果的许可声明以此为准。

6.3 许可拼图与风险点

把能查到的许可信息拼起来，得到的是一张不完全的图：

层面	已知	未知
论文	arXiv perpetual non-exclusive license	正式发表后的版权归属（若被会议接收）
数据本体	申请制，引用两篇论文为使用条件	是否允许商用、是否允许再分发、衍生品如何授权
参与者	书面知情同意 + USC IRB HS-17-00876	知情同意书是否限定用途

风险点说清楚：如果你所在机构要求"许可必须为 CC 系或等价的开源许可"才能纳入训练语料，本集在取得申请回执前不应被列入合规清单。反过来，如果只用于学术研究且愿意逐篇引用，申请制不构成实质障碍，只是慢。

6.4 AI-Ready 视角下的可获取性光谱

把本集放进库内的可穿戴／睡眠家族比较，它的位置很特殊：

数据集	库内 rid	获取方式	许可明朗度
qol-stress	997	PhysioNet 直链	高（CC BY 4.0）
wesad	67	公开直链	高
mesa-sleep	302	NSRR 申请制	中（条款明文）
sleep-edf	73	PhysioNet 直链	中高
本集	待入库	项目站点申请制	低（条款未公开）
nch-sleep	1013	PhysioNet 直链	高

结论是：它的数据质量在家族中属上乘，可获取性却排在末位。这个组合在 AI-Ready 评估里通常意味着"学术价值高、工程可用性低"，最适合作为评测集而非训练语料——恰好与它自己的定位（留出测试分片）一致。

6.5 引用与署名

使用本集至少需要引用三篇：

1. Feng T, Booth BM, Mundnich K, Zhou E, Girault B, Lerman K, Narayanan S. TILES-2018 Sleep Benchmark Dataset: A Longitudinal Wearable Sleep Data Set of Hospital Workers for Modeling and Understanding Sleep Behaviors. arXiv:2507.03520, 2025.
2. Mundnich K, Booth BM, L’Hommedieu M, et al. TILES-2018, a longitudinal physiologic and behavioral data set of hospital workers. Scientific Data 2020;7:354. doi:10.1038/s41597-020-00655-3.
3. 若同时使用 2019 队列作对照，还需引用 Yau JC, et al. TILES-2019. Scientific Data 2022;9:536. doi:10.1038/s41597-022-01636-4.

致敬名单值得一读：站点列出了 212 名参与者的致谢语与全部研究者、医院合作伙伴、研究助理的姓名，以及两家资助方（IARPA MOSAIC 项目与 DARPA）。这种颗粒度的致谢在公开数据集站点里并不常见，也侧面说明项目的组织成本远高于"发个 CSV"。

§7 与邻域数据集的横向对照

7.1 论文表 I：睡眠数据集全景

论文用一张表把本集放进了六个参照物之间（原表数字照录）：

数据集	参与者	研究时长	是否用可穿戴	设备	睡眠症状量表
Sleep-EDF	100	2 夜	否	—	轻度入睡困难
PhysioNet/CinC 2018	1,985	1 夜	否	—	未知
MESA	2,040	1 周	是	Actigraph	睡眠呼吸障碍等
ECSMP	89	1 夜	是	Empatica E4	PSQI 类量表
DREAMT	100	1 夜	是	Empatica E4	打鼾、睡眠呼吸暂停等
TILES-2018（母集）	210	10 周	是	Fitbit Charge 2	PSQI 类量表
本集	139	10 周	是	Fitbit Charge 2	PSQI 类量表
Combined TILES Sleep	349	10 周	是	Fitbit Charge 2	PSQI 类量表

读这张表有两个正确姿势。其一，不要按人数排名：本集 139 人在表里倒数第三，但它的独特性在"10 周 + 可穿戴 + 同一设备 + 同量表"这个组合上——表里能同时满足四项的只有 TILES 系三条。其二，注意"1 夜 vs 10 周"是维度差异而非程度差异：一夜数据里没有"周内节律"这个变量，任何关于作息稳定性的结论都无从谈起。

7.2 与 MESA Sleep 的分工

库内的 mesa-sleep（rid 302）是这张表里最值得对比的一位。MESA 的规模是本集的十四倍（2,040 人），有 PSG 金标准与一周 Actigraph，设计目标是流行病学——回答"睡眠呼吸障碍在人群中的分布与心血管风险"。本集规模小、无 PSG，但跨度长十倍、场景是医院职场、并且自带班次这一强自变量。一句话分工：要金标准与人群代表性找 MESA，要长期节律与轮班效应找本集。

7.3 与 qol-stress 的分工

qol-stress（rid 997）与本集共享"Fitbit + 自评量表"的形式，但两个极端：qol-stress 是 66 人、单次三十分钟的实验室应激诱导，量的是瞬时反应；本集是 139 人、十周的自然场景记录，量的是习惯与节律。前者适合训练应激检测算法，后者适合研究睡眠行为的长期结构。二者在"心理量表与生理信号配对"这一点上可以拼成一条完整的验证链：先在实验室用 qol-stress 校准信号—心理的对应关系，再拿到本集上检验长期稳定性。

7.4 与 wesad、wearable-exam-stress 的分工

wesad（rid 67）与 wearable-exam-stress（rid 807）都属于"可穿戴 + 情绪/压力"路线，样本在十几到几十人量级，多通道（EDA、ECG、体温、呼吸），目标是把压力状态从生理信号里分离出来。本集只有 PPG 心率与睡眠分期两路信号，通道少、跨度长，适合"低通道、长时序"的场景，例如只用一只消费级腕表做长期睡眠健康监测的产品验证。

7.5 与 PSG 分期族的位置

sleep-edf（73）、isruc-sleep（262）、cinc-2018-sleep（493）、hmc-sleep-staging（654）、capsleep（1072）、nch-sleep（1013）共同构成库内的 PSG 分期基准族：标签由专业人员按 AASM 规则判读，精度是金标准。本集与它们的关系不是竞争而是上下游：用 PSG 族训练的分期模型，拿到本集上会遇到"标签分布不同、设备不同、人群不同"的三重域偏移，这恰好是一个尚未被充分研究的迁移问题。反过来说，若要给本集的 Fitbit 标签做质量审计，PSG 族提供的判读框架就是对照尺。

7.6 与 bidsleep-dataset、big-ideas 的分工

bidsleep-dataset（rid 1004，Apple Watch + Dreem 头带）与本集最像：都是消费级设备 + 长时间 + 有更可靠的参照（Dreem 的 EEG）。区别在人群——bidsleep 是通用人群，本集是医院员工。big-ideas-glycemic-wearable（rid 1016）把可穿戴用在血糖波动上，与本集无交集，仅在"消费级设备的连续监测"这一方法论上同类。

§8 方法学启示

8.1 留出评测集是纵向穿戴数据的必需品

本集最大的方法论贡献不是模型结果，而是把"训练/测试分片"写进了发布结构：训练用 210 人，测试用 139 人，两者协议相同、设备相同、量表相同。这解决了长期数据里最隐蔽的泄漏——同一个人在不同周次的高度自相关。凡是做纵向可穿戴研究的人，都可以把这条"同一协议下的两批人"作为分片模板复制。

8.2 设备标签的"自证"陷阱

三个基准任务里，分期任务的标签来自设备本身。这意味着模型的成功标准是"复现厂商算法"，而非"识别生理真相"。论文在局限性里诚实地承认了这一点，也承认 Fitbit 倾向高估 REM。这个坦白值得所有用消费级设备做监督学习的团队抄一遍：当标签与特征同源时，指标的天花板由设备的系统偏差决定，而不由模型能力决定。

8.3 简单特征常常打败深度模型

人口学分类里，随机森林用几个手工特征（深睡时长、总睡眠时长、总睡眠时长的标准差）拿到了年龄 AUC 0.725、班次 AUC 0.754，与深度时序模型互有胜负。这个结果提示一个实用原则：在样本量百人级、标签粗糙的场景下，先做特征工程再上深度模型，收益往往高于换更复杂的架构。

8.4 零样本大模型在原始时序上不可用

BioMistral-7B 与它的 DARE 版本在 PSQI 预测上 F1 均 0.284、准确率 39.7%，低于多数基线。这不是个例，而是当前多模态大模型处理连续生理信号的通病：文本接口吃不下高频时序，除非先把信号压缩成统计量或离散 token。本集的实验相当于给"直接把腕表数据喂给 LLM"这条路线做了一次否决投票。

8.5 缺失值本身是信号

作者在局限性里说未探索缺失填补与掩码时序学习。但在长期穿戴数据里，"哪些夜晚没有心率"往往与佩戴依从性、夜间醒来次数、设备放置位置相关，本身就携带信息。掩码建模（masked modeling）在这个数据上有明显的空白可填。

8.6 变量离散度与均值同等重要

4.4 节的"入睡时间标准差 2.0 vs 5.6 小时"是全篇最有说服力的一个比较。它提醒研究者：在纵向数据里，同一组人的均值可能相同，但节律的稳定程度完全不同；只报均值会系统性地掩盖轮班的代价。任何使用本集的工作，都建议同时报告均值与离散度。

§9 使用指南：三个角色的最短路径

9.1 如果你要做睡眠分期

1. 拉取 fitbit/sleep-data 与 sleep-metadata，先按 sleepId 建索引，把阶段序列还原成等长片段（设备原始分段长度不一，多数方案会重采样到 30 秒）。
2. 拉取 sleep-heart-rate，按元数据起止时间切片并对齐到同一时间轴；缺失区间显式置掩码，不要插值。
3. 只用记录数 >10 条者构建评估集（论文口径 n=116），以保证与已发表指标可比。
4. 基线先跑 SleepNet（3 层 LSTM、隐层 128）与单层 TimesNet，预期 macF1 落在 0.50-0.58 区间；超出太多要怀疑泄漏。

9.2 如果你要做 PSQI 预测

1. 从 surveys/scored/baseline 取七维分与总分，二值化阈值先用 7（论文口径），并在论文中注明这不是临床界值 5。
2. 输入只用睡眠序列时基线约 F1 0.60；加了人口学常会下降，若要融合，建议用门控或分群建模而非简单拼接。
3. 不要指望零样本大模型：先做特征抽取再考虑 LLM。
4. 报告 AUC 比报告准确率更稳——正负例比例在 116 人上波动很大。

9.3 如果你做职业健康或轮班研究

1. 用 participant-info 的班次字段切分，先复现 §4 的 PSQI 与总睡眠时长差异，确认自己拿到的是同一口径。
2. 计算每个人的入睡／醒来时间标准差（复现 2.0 / 5.6 与 2.1 / 4.3 这组数字），这是最便宜也最有力的节律指标。
3. 关注单元构成：本集办公室与研究岗超三成，“医院员工"结论不能直接等同于"临床一线”。
4. 若需要收缩压、体动、语音等模态，回母数据集申请全量。

9.4 如果你做隐私与公平性

1. 班次识别的 AUC 0.767 可以作为"重识别攻击"的下限基线；性别 0.671 是另一个敏感轴。
2. 年龄分组的性能差异（年轻组四分类 macF1 0.537 对年长组 0.511，p<0.01）是现成的算法公平性案例。
3. 用哈希 ID 并不等于匿名：本集已做哈希与粗化，但行为指纹的可识别性依然存在，这一点在数据共享政策讨论中值得引用。

9.5 如果你在写综述

本集适合被放在"自然场景可穿戴睡眠"这一类，与 MESA、bidsleep 并列；引用时务必区分母集（212 人）与本集（139 人），并注明分期标签为设备端而非 PSG。若综述需要"可获取性"一列，本集应标"申请制、条款未公开"。

§10 避坑清单：十个已踩过的坑

坑 1：把本集当成 TILES-2018 本体。
两者常被搜索混同。TILES-2018 是 212 人的多模态母集（Fitbit + OMSignal 衣物 + 手机 + 环境传感），数据形态完全不同；本集只取 Fitbit 睡眠侧，且只有 139 人。若你在文献里看到"TILES-2018 有两百多人"，那是母集；看到"139 人、6,012 条"，那才是本集。检索时用 TILES-2018 Sleep Benchmark 全名，不要只搜 TILES-2018。

坑 2：以为 “publicly available” 等于"点开即下"。
论文摘要写"make publicly available to the research community"，站点写"publicly available"，但两处都没有直链。真实路径是申请制。把它列入"开放直链数据集"清单会在合规审查时被打回。

坑 3：记录数口径漂移。
摘要写 “over 6,000”，正文写 6,012，结论段写 “over 5,000”。三处并存于同一篇论文。引用时用 6,012 并注明出处，或写"逾 6,000 条"，不要写 5,000。

坑 4：夜班占比 22.3% 还是 23.3%。
表 III 写 31/139 = 22.3%，正文某一处写 23.3%（n=31）。31/139 的算术结果就是 22.3%，正文那处是笔误。引用取 22.3%。

坑 5：分期 F1 正文与表格不一致。
正文叙述称 LSTM 达到 0.585（三分类）与 0.543（四分类），而表 6(a) 给的是 0.574 与 0.529。两组数字都出自同一篇论文。稳妥写法是给区间"约 0.57 / 0.53"并注明表值。

坑 6：PSQI 条目数 29 与 19。
本论文写 29 项，经典 PSQI 自评部分为 19 项（含他评共 24 项），使用母队列的二次研究也写 19 项。以数据文件实际列数为准，不要按论文文字硬编码。

坑 7：PSQI 二值化阈值取 7 而非 5。
临床界值是 5（≥5 提示睡眠质量差），本论文基准用 7。直接沿用 7 而不说明，会被审稿人质疑；改用 5 则与本文指标不可比。二者必选其一并显式声明。

坑 8：以为有压力与焦虑的数值。
摘要提到自评包含睡眠质量、压力与焦虑，但正文只报告 PSQI，没有任何压力／焦虑量表的名称或数值。要这两项得回母队列申请全量问卷，或使用 TILES-2018 的 EMA 日评数据（1-5 分 Likert 的即时焦虑与压力）。

坑 9：把设备分期当成 PSG 判读。
light / deep / REM 是 Fitbit 算法输出。作者承认其倾向高估 REM。任何"模型识别 REM 达 0.574"的表述都必须加上"以设备标签为参照"的限定，否则是在夸大结论。

坑 10：把 349 人合并视图当作可下载规模。
Combined TILES Sleep（349 人、约 15,000 条、高质量 12,805）是分析口径，下载得到的是 139 人本集。写数据规模时若引用 349 而不作说明，会让读者误以为一次性拿到 349 人的数据。

坑 11：心率与睡眠段对不齐。
sleep-heart-rate 与 sleep-data 没有现成 join 键，必须经 sleep-metadata 的起止时间做窗口切片。直接按行号对齐会产生大量错位，且错位后指标反而"看起来还行"，极难发现。

坑 12：忽略 16.5% 的低记录者。
不足 10 条记录的人被排除出评估集。这些人往往正是依从性最差、最可能轮班或睡眠最碎的人。只在 n=116 上报告指标，会系统性低估困难样本的难度。

§11 评估与可信度

11.1 论文本身的可信度

三个加分项：其一，作者团队是母数据集的原始团队，对数据生成过程有第一手掌握；其二，局限性段落写得具体（设备精度、缺逐夜标签、噪声与缺失），没有敷衍；其三，做了留出评测设计，避免自相关泄漏。

两个减分项：其一，多处数值正文与表格不一致（坑 3、4、5、6），说明校对不严；其二，PSQI 阈值 7 与"29 项"这两处未加说明的偏离，让复现者需要额外判断。

11.2 外部佐证

母数据集 TILES-2018 已被 Scientific Data 发表并广泛使用，第三方研究（如 PMC10289192 的个性化幸福感建模）确认了队列的基本参数（212 人、21-65 岁、10 周、Fitbit Charge 2 测睡眠与活动）。这些外部描述与本论文对母集的表述一致，是本集可信度的间接支撑。但本集自身尚无第三方复现，所有基准数字目前只有单一来源。

11.3 使用时的置信度分级

结论	置信度	理由
139 人 / 10 周 / 6,012 条	高	论文多处一致，与站点描述吻合
夜班总睡眠少 46 分钟	高	两口径均显著，方向一致
夜班 PSQI 更高	高	两口径均显著
夜班 REM 更少	中	本集边缘显著，合并视图显著
分期 macF1 0.574	中	表值可靠但正文另给 0.585
年龄分组性能差异	中	单一数据集、单一模型族
压力与焦虑数值	低	正文未报告

§12 建议互链点

以下条目与本集构成可解释的邻域关系，正文中已在 §6.4 与 §7 逐一说明理由；frontmatter 只保留站点 URL 占位，不做文字性关联，避免脏键风险。

库内条目	rid	关系类型	一句话理由
mesa-sleep	302	同类替代	居家可穿戴 + PSG 金标准的大型睡眠队列，规模互补
qol-stress	997	方法互补	Fitbit + 心理量表，实验室瞬时反应对照本集长期习惯
wesad	67	邻域	可穿戴压力与情感识别，多通道短时序
wearable-exam-stress	807	邻域	真实场景可穿戴 + 认知表现
sleep-edf	73	上游	PSG 分期基准，可作为标签质量审计的参照尺
isruc-sleep	262	上游	PSG 分期基准
cinc-2018-sleep	493	上游	觉醒检测任务，与本集的 classic 三态标签可类比
hmc-sleep-staging	654	上游	PSG 分期基准
capsleep	1072	上游	PSG 周期交替模式
nch-sleep	1013	上游	儿科 PSG 与纵向 EHR
bidsleep-dataset	1004	同类	Apple Watch + Dreem 头带，消费级设备长时间监测
big-ideas-glycemic-wearable	1016	方法论同类	消费级可穿戴的连续生理监测

§13 局限、风险与合规提示

13.1 数据层面

• 单一中心：全部来自 USC Keck Hospital 与 USC Norris 综合癌症中心，机构文化与排班制度高度特定。
• 性别偏斜：女性 70.5%，与护理职业的性别构成有关，跨职业外推要谨慎。
• 单元构成反直觉：办公室与研究岗超三成，临床一线不到三成，“医院员工"不等于"临床医护”。
• 年龄集中：30-49 岁占 65.5%，两端稀少，年龄轴上的泛化证据薄弱。
• 设备单一：只用 Fitbit Charge 2，无法评估跨设备一致性；换设备后的性能下降幅度未知。

13.2 方法层面

• 标签同源：分期标签来自设备，模型上限受设备算法约束。
• 无逐夜主观标签：PSQI 基线一次，无法做"逐夜自评 vs 逐夜信号"的细粒度对齐。
• 缺小睡分析：nap 标记存在但论文未分析，昼寝在轮班人群里是重要行为，属可挖掘空间。
• 缺社会时差指标：论文未计算工作日与休息日的入睡时点差（social jetlag），而这个指标在轮班研究里几乎是标配。
• 评估集偏小：n=116，分组比较（如夜班子集）后每格样本进一步缩小。

13.3 合规提示

• 申请回执是唯一许可依据，不要以论文的"publicly available"作为合规证明。
• 参与者信息虽经哈希与粗化，仍属人体研究数据，二次分发须回到协议框架内。
• 若用于模型训练并对外发布模型，建议在模型卡中声明训练数据的来源与许可不确定性。
• 论文引用三篇是使用条件而非建议（见 §6.5）。

§14 术语表

术语	释义
TILES	Tracking Individual Performance with Sensors，USC 的医院员工纵向传感研究项目
TILES-2018	母数据集，212 人、10 周、多模态（Sci Data 2020;7:354）
TILES-2018 Sleep Benchmark	本集，139 人、10 周、Fitbit 睡眠侧（arXiv:2507.03520）
Combined TILES Sleep	349 人的合并分析视图，非独立可下载资产
PSG	多导睡眠图（polysomnography），睡眠测量的金标准
PPG	光电容积脉搏波（photoplethysmography），腕表测心率的光学原理
PSQI	匹兹堡睡眠质量指数，七维、0-21 分，≥5 提示睡眠质量差
主睡眠（main sleep）	一天中最长的一次睡眠，区别于小睡（nap）
睡眠效率	实际睡眠时间占卧床时间的比例
REM	快速眼动睡眠，恢复性睡眠的主要阶段之一
NREM	非快速眼动睡眠，含浅睡与深睡
macF1	宏平均 F1，各类 F1 的算术平均，对少数类更敏感
ROC-AUC	受试者工作特征曲线下面积，衡量排序能力
留出评测（holdout）	用独立人群做测试，避免同人自相关泄漏
SWSD	轮班工作睡眠障碍（shift work sleep disorder）
社会时差	工作日与休息日作息时点之差（social jetlag），本集未计算
掩码 ID	对参与者标识做哈希后的伪名，本集 participant-info 采用
依从性	参与者按方案佩戴设备的天数比例，本集以主睡眠条数近似
EMA	生态瞬时评估（ecological momentary assessment），逐日多次自评
域偏移	训练与测试数据分布不同导致的性能下降（domain shift）

§15 FAQ：二十个高频问题

Q1：这个数据集能直接下载吗？
不能。需通过 tiles-data.isi.edu 申请，沿用 TILES-2018 的协议。论文与站点均未给出直链。

Q2：它有多少人、多少条记录？
139 人、十周、6,012 条唯一主睡眠；合并视图 349 人、约 15,000 条（高质量 12,805）。

Q3：和 TILES-2018 是同一个数据集吗？
同一次采集的两个发布会。本集是 139 人的睡眠侧派生，并作为母集的留出测试分片。

Q4：标签是 PSG 判读的吗？
不是。是 Fitbit 设备端算法的分期结果，作者明确说其精度不及 PSG 且倾向高估 REM。

Q5：有压力与焦虑数据吗？
摘要提到，正文未报告具体量表与数值。需要的话得回母队列申请全量问卷。

Q6：PSQI 是每天填的吗？
不是。基线一次，全部十周共用一份主观睡眠质量标签。

Q7：为什么 PSQI 阈值用 7？
论文未解释，推测为使二分类正负例更均衡。临床通行界值是 5。

Q8：能用来训练睡眠分期模型吗？
可以，但要知道标签是设备输出的复现目标而非生理真相。更适合作为域适应与评测集。

Q9：最适合做什么研究？
轮班与睡眠节律、自评与设备信号的一致性、可穿戴数据的隐私与公平性、纵向模型的域偏移。

Q10：不适合做什么研究？
临床睡眠障碍诊断、需要逐夜主观标签的研究、需要多设备对比的研究、需要金标准分期精度的研究。

Q11：心率数据的采样率是多少？
PPG 的 1 分钟均值，不是原始波形。缺失区间留空。

Q12：有原始加速度计数据吗？
本集的目录树里没有；母数据集有 Fitbit 的步数与活动数据，需另行申请。

Q13：为什么评估集只有 116 人？
论文只保留主睡眠记录 >10 条者，139 - 23 = 116。被排除的正是记录最少的那批。

Q14：分期任务最高分多少？
三分类 macF1 0.574（SleepNet 3 层 LSTM），四分类 0.529。

Q15：PSQI 预测最好多少？
集成模型 AUC 0.665；单模型最高 F1 0.604（SleepNet 用原始序列）。

Q16：人口学分类最好的是哪个属性？
班次，随机森林 AUC 0.754 / 准确率 72.2%；集成模型 AUC 0.767。

Q17：大模型表现如何？
BioMistral-7B 零样本 F1 0.284、准确率 39.7%，低于多数基线。不如先做特征工程。

Q18：数据里有日期吗？
有睡眠的起止时间戳，但参与者标识已哈希，绝对日历日期在发布环节被处理。做跨人时间对齐时需用相对天数。

Q19：能商用吗？
不明。可抓页面没有许可条款。商用前必须取得站点书面确认，不要自行推断。

Q20：引用哪几篇？
至少三篇：本集论文 arXiv:2507.03520、母集 Sci Data 2020;7:354、必要时 TILES-2019 Sci Data 2022;9:536。

附录

附录 A：条目信息速查卡

项	值
条目名	TILES-2018 Sleep Benchmark
url_name	tiles-2018-sleep
类型	纵向可穿戴睡眠数据集 + 留出评测基准
论文	arXiv:2507.03520（v1，2025-07-04）
团队	USC SAIL + ISI；通讯 Tiantian Feng
母数据集	TILES-2018（Sci Data 7:354, 2020）
规模	139 人 / 10 周 / 6,012 条主睡眠
设备	Fitbit Charge 2
量表	PSQI（基线一次）
获取	tiles-data.isi.edu 申请制
伦理	USC IRB HS-17-00876
抓取时点	2026-10-17
库内互链	mesa-sleep(302) / qol-stress(997) / wesad(67) / sleep-edf(73) / nch-sleep(1013) 等

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	arXiv 全文开放、站点有专门说明页；但"TILES-2018"与"本集"同名易混，检索门槛高
A 可获取性	4	申请制 + 公开页面无明文许可，是最大失分项
I 可互操作	7	目录结构清晰、CSV/文本通用、ID 哈希一致；但无 BIDS 等标准封装，无官方加载脚本
M 元数据质量	7	论文表 II 与表 III 完整、局限性坦诚；正文与表格多处数值漂移（坑 3-6）拉低
S 可持续性	6	USC ISI 站点稳定运营六年以上（TILES-2018 起），非个人托管；但无版本化发布与 DOI
综合评级	6.2/10（中上）	数据质量与设计优于均值，被获取方式与元数据校对拖低

附录 C：逐项证据链

关键数字	来源	位置
139 人 / 10 周	论文摘要与表 I	arXiv 全文
6,012 条主睡眠	论文贡献段	arXiv 全文
5,178 / 86.1% 高质量	论文数据集统计节	arXiv 全文
性别 41/98、班次 108/31、年龄 18/91/30	表 III	arXiv 全文
单元 15.1% / 12.9% / 18.7% / >30%	正文 V-A 与图 2	arXiv 全文
主睡眠条数分布 23/25/15/76	图 3(a)	arXiv 全文
PSQI 全表	表 IV	arXiv 全文
总睡眠 398/352 分钟	表 V	arXiv 全文
入睡时间标准差 2.0/5.6 小时	正文 VI-B	arXiv 全文
分期 macF1 0.574/0.529	表 6(a)	arXiv 全文
PSQI 预测 AUC 0.665	表 VI	arXiv 全文
人口学 AUC 0.725/0.671/0.767	表 VII	arXiv 全文
目录树六类	表 II	arXiv 全文
子目录名 sleep-metadata 等	正文 4.3 节	arXiv 全文
IRB HS-17-00876	论文伦理声明	arXiv 全文
212 人母集 / 引用要求	站点 overview 与 dataset2018_details	tiles-data.isi.edu
资助 IARPA 2017-17042800005 / DARPA D16AP00115	论文致谢与站点致谢	两处

附录 D：数据获取决策树

是否只需睡眠侧数据？
├─ 是 → 是否接受申请制？
│   ├─ 是 → 走 tiles-data.isi.edu，说明用途，附机构信息，保留回执
│   └─ 否 → 改用公开直链替代：qol-stress(997) / sleep-edf(73) / nch-sleep(1013)
└─ 否 → 需要多模态（语音/体动/环境/问卷全量）
    ├─ 是 → 申请母集 TILES-2018（212 人），本集可作留出测试
    └─ 否 → 需要 PSG 金标准
        ├─ 是 → mesa-sleep(302) / sleep-edf(73) / isruc-sleep(262)
        └─ 否 → 需要 Apple Watch 或头带参照 → bidsleep-dataset(1004)

附录 E：目录与字段映射规范

文件	关键列	用途	注意事项
sleep-metadata	sleepId, start, end, minutesAsleep, isMainSleep, 各阶段分钟	主表，所有关联的起点	isMainSleep 用于区分主睡眠与小睡
sleep-data	sleepId, stage, seconds, timestamp	阶段序列	与 metadata 的阶段时长应能对上，先做一致性校验
sleep-heart-rate	timestamp, bpm	整夜心率	缺失留空，禁止插值后再做覆盖率统计
participant-info	hashed_id, age_group, sex, shift, job, unit	分群	年龄为分组而非精确值，不要反推
surveys/raw/baseline	PSQI 逐项	复算七维分	列数按实际文件为准（见坑 6）
surveys/scored/baseline	PSQI 七维 + 总分	直接建模	与 raw 复算结果核对一次

附录 F：最小复现骨架（伪代码）

# 1) 载入与索引
meta = load_csv("fitbit/sleep-metadata")            # 每次睡眠一行
meta = meta[meta.isMainSleep == 1]                  # 只取主睡眠
stage = load_csv("fitbit/sleep-data")               # 阶段序列
per_person = meta.groupby("participant_id").size()  # 每人主睡眠条数

# 2) 评估集：只留 >10 条者（论文口径 n=116）
eval_ids = per_person[per_person > 10].index

# 3) 心率窗口切片（按时间戳，不按行号）
for sid, row in meta[meta.participant_id.isin(eval_ids)].iterrows():
    hr = load_person_hr(row.participant_id)
    seg = hr[(hr.timestamp >= row.start) & (hr.timestamp <= row.end)]
    coverage = seg.bpm.notna().mean()               # 质量门槛 >0.90

# 4) PSQI 二值化（阈值 7，论文口径）
psqi = load_csv("surveys/scored/baseline")
label = (psqi.global_score >= 7).astype(int)

# 5) 分群统计：均值 + 标准差，二者都报
report_mean_std(meta, group_by="shift")

附录 G：PSQI 七维评分公式表

维度	计分来源	取值
主观睡眠质量	自评等级	0-3
入睡潜伏期	潜伏分钟数映射 + 入睡困难频率	0-3
睡眠时长	实际睡眠小时数映射	0-3
习惯性睡眠效率	睡眠时间 / 卧床时间	0-3
睡眠障碍	各类干扰频率合计映射	0-3
催眠药物使用	用药频率	0-3
日间功能障碍	日间困倦与精力不足合计	0-3
全局分	七维求和	0-21

（映射细则以数据附带的问卷说明为准；本表只给出结构，不替代官方计分文档。）

附录 H：坑点与章节对照

坑	关联章节
坑 1 母集与本集混淆	§2.1、§7.1
坑 2 公开不等于直链	§6.1、§6.3
坑 3 记录数漂移	§2.1、§11.3
坑 4 夜班占比	§2.3
坑 5 分期 F1	§5.2
坑 6 PSQI 条目数	§4.1
坑 7 阈值 7	§5.1
坑 8 压力焦虑缺失	§3.2、§4
坑 9 设备分期非 PSG	§5.2、§8.2
坑 10 349 人合并口径	§2.1
坑 11 心率对齐	§2.2、附录 F
坑 12 低记录者	§2.4、§9.1

附录 I：与母集 TILES-2018 的关系声明

本条目描述的对象是 TILES-2018 Sleep Benchmark，不是 TILES-2018。二者的关系可概括为：

1. 同源：同一次十周采集（USC Keck Hospital 与 USC Norris 综合癌症中心），同一批全职医院员工，同一 IRB（HS-17-00876）。
2. 不同出口：母集发布 212 人的多模态全量（Fitbit、OMSignal 衣物、手机语音、环境传感、完整问卷）；本集只发布 139 人的 Fitbit 睡眠侧加基线 PSQI。
3. 不同角色：母集是训练分片，本集是测试分片。
4. 不重叠声明：本库目前没有 TILES-2018 母集的独立条目，因此本条目是库内 TILES 系列的唯一入口。若日后补充母集条目，应把本文 §2.1 的表作为血缘对照，并把两者的互链放在正文而非 frontmatter。

附录 J：与库内睡眠类条目的消歧速查

易混对象	判别特征	关键差异
mesa-sleep（302）	有 PSG 与一周 Actigraph	人群代表性 vs 长期节律
sleep-edf（73）	只有 2 夜、无穿戴设备	金标准分期 vs 消费级设备
nch-sleep（1013）	儿科、PSG + EHR	人群完全不同
qol-stress（997）	66 人、单次 30 分钟	实验室瞬时应激 vs 自然场景十周
wesad（67）	多通道、十几人	情绪识别 vs 睡眠行为
bidsleep-dataset（1004）	Apple Watch + Dreem 头带	设备不同、人群通用

附录 K：三条可直接引用的结论句式

1. 「在 139 名医院员工的十周 Fitbit 记录中，夜班工作者的主睡眠时长平均比白班短 46 分钟（398±68 对 352±75 分钟，p<0.01），其 PSQI 总分亦更高（6.20±3.52 对 7.77±3.89，p<0.05）。」
2. 「以原 TILES-2018 队列为训练集、本集为测试集，3 层 LSTM 在四分类睡眠分期任务上的宏平均 F1 为 0.529，三分类为 0.574；测试标签来自 Fitbit 设备端算法而非 PSG。」
3. 「基于睡眠序列的 PSQI 二值预测中，LSTM 与 TimesNet 的集成模型取得最高 ROC-AUC 0.665；零样本 BioMistral-7B 的 F1 仅 0.284，提示原始时序信号不宜直接输入文本大模型。」

附录 L：写作与核验说明

• 全部统计数字取自 arXiv:2507.03520 v1 全文（HTML 版）与 tiles-data.isi.edu 站点说明页；两处交叉核对。
• 论文正文与表格冲突处（记录总数、夜班占比、分期 F1、PSQI 条目数）在 §10 与 §11.3 逐条存照，本文取表值与可算术验证值。
• 数据集许可条款在可抓页面未公开，本文按"不明"处理，不作任何宽松推断。
• 母数据集参数的第三方佐证来自使用 TILES-2018 子集的已发表研究（212 人、21-65 岁、10 周、Fitbit Charge 2 测睡眠与活动），与该论文对母集的表述一致。
• 本条目不含任何未公开来源的个人信息；参与者信息在原文中已哈希与粗化，本文亦只引用聚合统计。

§16 逐节深读：把论文的每个结论拆到可复算

这一节的作用是把正文里出现的每一个可复算的数字，还原成"从原始文件的哪一列、经哪一步运算、得到什么量"。目的是让复现者不必反复回读论文表格。

16.1 人口学表的自洽性检验

把表 III 的数字逐项加起来：性别 41 + 98 = 139，吻合；班次 108 + 31 = 139，吻合；年龄 18 + 91 + 30 = 139，吻合。三组都满员，说明表 III 是完整分组而非抽取。

百分比复算：

项	分子/分母	复算值	表值	结论
男性	41/139	29.50%	29.5%	一致
女性	98/139	70.50%	70.5%	一致
白班	108/139	77.70%	77.7%	一致
夜班	31/139	22.30%	22.3%	一致（正文 23.3% 为笔误）
<30 岁	18/139	12.95%	12.9%	一致
30-49 岁	91/139	65.47%	65.5%	一致
≥50 岁	30/139	21.58%	21.6%	一致

七项复算全部落在四舍五入范围内。这说明表 III 内部的算术是干净的，坑 4 的 23.3% 确实只是正文叙述层面的笔误，而不是表格错误。

再核合并视图：41+98=139 对 106+243=349，吻合；108+31=139 对 252+97=349，吻合；18+91+30=139 对 51+237+61=349，吻合。合并视图的三组同样满员。这说明 349 这个数字在各维度上都是一致的总人数，不存在某一维度缺值导致总数不等的情况，也就间接支持了"349 = 212 + 139 的并集"这一读法（若两者有重叠且未被去重，各维度仍会一致，只是总人数偏大——这一点论文未澄清，见 §2.1）。

16.2 记录数分布与依从性

主睡眠条数分布复算：

档位	本集人数	占比复算	表值	合并人数	占比复算	表值
<10	23	16.55%	16.5%	57	16.33%	16.3%
10-29	25	17.99%	18.0%	49	14.04%	14.0%
30-49	15	10.79%	10.8%	60	17.19%	17.2%
≥50	76	54.68%	54.7%	183	52.44%	52.4%
合计	139	100%	—	349	100%	—

四档合计 23+25+15+76 = 139，与总人数吻合。这说明"139 人全部至少有一条主睡眠记录"，没有零记录者。

由此可以推一条重要的下界：达到 ≥10 条门槛的人数为 25+15+76 = 116，正好等于论文评估集的 n=116。这是一次极干净的交叉验证——评估集门槛的算术是自洽的，不是随手取的一个数。反过来说，被排除的正是 <10 档的 23 人（16.5%），这批人的睡眠数据量少，任何以他们为对象的分析都只能做描述性统计。

16.3 高质量记录率的边界

论文给出的高质量定义是"完整分期 + 心率覆盖 >90%"，符合者为 5,178 条，占 6,012 的 86.1%。复算：5,178 / 6,012 = 86.13%，与 86.1% 一致。

由此得到两个可用于工程预算的数字：

1. 若只用高质量记录训练分期模型，可用样本 5,178 条，平均每人 37.3 条（5,178 / 139）。
2. 若只用高质量记录且只用评估集 116 人，则人均约 44.6 条——但这两个筛选条件是否叠加，论文未说明。稳妥做法是分层报告：先报全量 6,012 的结果，再报高质量子集的结果，两者不可混用。

16.4 PSQI 总分与维度的关系

PSQI 全局分是七个维度之和（每维 0-3，故 0-21）。用表 IV 的均值做一次可加性检验：

白班：1.07 + 1.27 + 1.01 + 0.58 + 1.14 + 0.33 + 0.80 = 6.20。与表列总分 6.20 完全一致。

夜班：1.45 + 1.48 + 1.16 + 0.87 + 1.26 + 0.61 + 0.94 = 7.77。与表列总分 7.77 完全一致。

合并白班：1.05 + 1.31 + 0.91 + 0.48 + 1.20 + 0.41 + 0.75 = 6.11，表列 6.10（四舍五入差 0.01，可接受）。

合并夜班：1.25 + 1.40 + 1.05 + 1.01 + 1.29 + 0.59 + 0.95 = 7.54，表列 7.55（差 0.01，可接受）。

这是一次很强的内部一致性验证：七维均值之和精确等于总分均值，说明表 IV 不是拼凑出来的，而是同一批数据算出来的。它也从反面印证了 4.1 节的口径问题——如果 PSQI 真有 29 个条目且全部进入七维，那么维度均值之和与总分的关系会完全不同；现在的完美可加性支持"七个维度各取 0-3 分、总分为简单求和"这一标准结构。

16.5 睡眠结构表的内部一致性

表 V 的内部检验同样可做。以本集白班为例：非 REM 299 分钟 + REM 84 分钟 = 383 分钟，而总睡眠列为 398 分钟，差 15 分钟。这个差额应理解为清醒（wake）时间或未归类的边缘时段——设备分期里 wake 段通常占总卧床时间的 3-5%，15/398 ≈ 3.8%，落在这个范围内，合理。

夜班：291 + 78 = 369，总睡眠 352，反而超出 17 分钟。这在算术上不成立（非 REM + REM 不可能超过总睡眠）。可能的解释有三种：其一，总睡眠时长与阶段时长来自不同的聚合口径（前者来自 sleep-metadata 的 minutesAsleep，后者来自 sleep-data 的段时长求和）；其二，表 V 的各列分别在"有该字段的样本"上求均值，样本集不同；其三，排版或转录误差。

存照：本集夜班的 non-REM 291 分钟 + REM 78 分钟 = 369 分钟 > 总睡眠 352 分钟，存在 17 分钟的算术矛盾。合并视图夜班 292 + 75 = 367 < 365，也超出 2 分钟。两处都指向同一类问题。使用者在自行聚合时应以 sleep-data 的段时长求和为准，并与 metadata 的 minutesAsleep 做逐条差值检查，差值显著为负的记录应剔除。

这类矛盾在公开数据集论文里并不罕见，根源往往是表格的列来自不同的预处理脚本。它不影响"夜班睡得更短"这一结论的方向（总睡眠与阶段时长两套口径都显示夜班更低），但会影响任何基于"阶段占比之和应为 100%"的硬性校验。

用占比列反推也值得做一次：本集白班非 REM 占比 72.0%，REM 占比 19.9%，两者相加 91.9%，剩余 8.1% 为清醒。夜班 72.9% + 18.9% = 91.8%，剩余 8.2%。两组的清醒比例几乎相同（8.1% vs 8.2%），这说明夜班的睡眠缩短不是通过"躺得更久但睡不着"实现的，而是整体卧床时间更短——这是一个有实质含义的推论，且比总时长差本身更接近机制。

16.6 两个标准差的实际含义

4.4 节的"入睡时间标准差 2.0 vs 5.6 小时"可以换算成更直观的口径：若把入睡时间近似看作正态分布，则白班有约 95% 的夜晚落在均值 ±4.0 小时（2 倍标准差）内，夜班则落在 ±11.2 小时内——后者已超过半个昼夜周期，说明夜班的入睡时点实际上不是围绕某个中心波动的单峰分布，而更可能是双峰或弥散分布（既可能在清晨下班后入睡，也可能在夜间入睡）。

这一点论文没有展开，但对建模有直接影响：用均值与标准差描述夜班入睡时间会误导，应该直接看直方图或核密度曲线。同理，若把"入睡时间标准差"作为特征喂给分类器（§7 提到的随机森林很可能就是这么做的），它会成为班次的强判别特征——这解释了班次分类 AUC 为何最高。

16.7 阶段转换统计的读法

4.5 节的三个转换数字中，"清醒转浅睡 10.4% 对 11.1%（p<0.05）“最容易被误读。它不是说"夜班有 11.1% 的时间在从清醒转为浅睡”，而是指在所有从清醒出发的转移事件中，转入浅睡的占 11.1%。同理，白班"保持在 REM 的概率更高"指的是 REM→REM 的自转移概率更高。

这类条件概率只有在转移矩阵完整时才有意义。论文只报告了少数几个格子，没有给出完整矩阵，因此读者无法自行复核。这是本集在方法透明度上的一个缺口：如果作者能发布每人的转移矩阵统计，本数据在睡眠连续性研究上的价值会再上一个台阶。

16.8 基准指标的复算注意

分期任务用宏平均 F1。宏平均对少数类敏感，而睡眠四态中 deep 与 wake 的样本占比通常最低，因此 macF1 天然低于微平均或加权平均。若你的实现用 sklearn 的 f1_score(average='weighted')，得到的数会明显高于论文，不是模型更好，而是口径不同。复现时务必用 average='macro'。

PSQI 预测的二分类在 116 人上做，若按阈值 7 划分，正例比例需要自己算：PSQI 均值白班 6.20、夜班 7.77，假设近似正态、标准差 3.5 左右，则白班约 41% 的人 ≥7，夜班约 59% 的人 ≥7，整体约 45%。这是一个比较均衡的比例，也解释了为什么阈值取 7 能让 F1 有意义。若改用 5，正例比例会升至 70% 以上，准确率被多数类主导，F1 与 AUC 的解读都会变。

16.9 训练/测试分片的泄漏检查清单

留出设计虽好，但仍有三处潜在泄漏需要在复现时自查：

1. 人员重叠：若 139 人与 210 人存在重叠个体，测试集会包含训练集见过的人。论文未声明两者互斥，这是最需要澄清的一点。
2. 时间重叠：若两组采集时间有交叠，也可能通过季节性节律产生弱泄漏。
3. 预处理泄漏：若在合并数据上做标准化或缺失填补，测试集统计量会渗入训练。正确做法是只在训练分片上拟合预处理参数。

三项中第一项最关键。在没有官方澄清之前，建议在论文中主动声明"按论文描述假定两组互斥，但该假定未经作者确认"。

16.10 与母集论文的交叉核对

母集论文（Sci Data 2020;7:354）给出的核心参数是 212 人、10 周、21-65 岁、多模态。本论文对母集的描述与之完全一致，没有出现"212 人变 210 人"这类常见漂移。这一点值得肯定：派生论文在引用母集参数时保持了数字稳定，说明团队在跨论文一致性上是有意识的。

但反过来，本论文对母集的睡眠记录数从未给出，只在合并视图里给"约 15,000 条"。若合并为 15,000，本集 6,012，则母集侧约 9,000 条（349 人合并口径下人均约 25.7 条，而本集人均 43.3 条）。这个推算说明母集侧的睡眠记录密度明显低于本集，与"本集是筛选后的高质量子集"这一推断相符。该推算属本文推导，非论文原文，引用时须注明。

§17 十个具体的二次研究课题

以下课题全部只用本集（不需要母集全量），且都能在公开指标之外做出增量。

课题 1：自评与设备的一致性
把每人平均总睡眠时长与 PSQI 的"睡眠时长"维度做 Spearman 相关，再按班次分层。预期夜班的相关性更低（因为其作息离散度大，回顾性自评更难准确）。这是论文明确留下的空白。

课题 2：社会时差指标
按每人每条记录的入睡时点构建"工作日 vs 休息日"的时点差，计算社会时差（social jetlag）。本集有完整时间戳，可直接做；论文未做。这个指标在轮班研究中是标配，缺失属明显空白。

课题 3：小睡行为分析
元数据里有 nap 标记。统计夜班人群的小睡频率、时长与主睡眠时长的关系，检验"夜班是否用小睡补偿"。论文完全未涉及。

课题 4：缺失模式建模
把"某夜心率缺失"作为二值标签，用前一晚的睡眠结构预测缺失概率。若缺失与睡眠质量相关，则缺失本身携带信息。这直接回应作者"未探索缺失填补"的自述。

课题 5：掩码时序建模
对心率序列做随机掩码预训练，再微调到分期任务，检验能否在只有 PPG 一路信号的条件下逼近论文的多特征基线。

课题 6：跨设备迁移评估
本集只有 Fitbit Charge 2。用 PSG 族（sleep-edf、isruc）训练的模型在本集上测试，量化"PSG→消费级"的域偏移幅度。这是库内数据可以直接支撑的对照实验。

课题 7：公平性审计
按性别、年龄组、单元类型分别报告分期 macF1 与 PSQI 预测 AUC。论文只报了年龄两段的差异，其余维度空白。

课题 8：班次重识别的隐私风险
把班次分类做到 AUC 0.767 以上，然后尝试用去时点化（只保留时长特征）来降低可识别性，量化隐私—效用的权衡曲线。

课题 9：周的维度
十周里睡眠是否随时间漂移？把周序号作为协变量，看总睡眠时长、入睡时点标准差是否呈趋势。长期研究中"漂移"是一个常被忽略的混杂。

课题 10：阈值敏感性
把 PSQI 二值化阈值从 5 扫到 10，画出各模型的 AUC 与 F1 曲线，检验结论是否依赖阈值选择。这直接回应坑 7。

§18 常见误解澄清

误解一：这是"医院的睡眠数据"，所以可以用于临床睡眠障碍诊断。
不是。参与者是全职员工，绝大多数不是患者；PSQI 均分 6-8 分意味着"睡眠质量偏差"而非"临床失眠"；分期标签来自消费级设备。用于诊断会同时踩中人群、量表、标签三个坑。

误解二：Fitbit 的分期和 PSG 差不多。
本论文引用的通行判断是设备分期不及 PSG，且倾向高估 REM。本集数据也间接印证：非 REM 占比约 72%、REM 约 19-20%，看似合理，但"合理"只是大结构层面，阶段边界与转换的精度仍是未知。

误解三：139 人太少，没有价值。
人数少但跨度长，这在纵向研究里是常见权衡。本集真正的价值不在样本量，而在"同协议下的两批人"这一分片结构，以及班次这一强自变量。它的定位是评测集，不是训练语料。

误解四：TILES-2018 和 TILES-2019 是同一批人。
不是。2018 是医院员工（Keck），2019 是 ICU 住院医师（LAC+USC），人数分别 212 与 57。

误解五：公开数据集可以自由商用。
本集的许可条款在公开页面缺失，商用前必须取得书面确认。把"公开"当"开放"是合规事故的常见起点。

误解六：零样本大模型在这类任务上只是"还没调好"。
BioMistral 的 39.7% 准确率不是调参问题，而是接口问题——文本模型吃不下连续时序。要在本集上用 LLM，正确路径是先做特征或 token 化，而不是加大模型。

误解七：夜班的问题主要是睡不着。
数据显示夜班总睡眠短约 46 分钟，但清醒占比（两项相加后剩余约 8%）与白班几乎相同，说明问题更可能是"卧床窗口短、入睡时点漂移"，而非"躺下睡不着"。这一区分对干预设计很重要。

§19 与千方病案医数集内其他条目的阅读路径

19.1 按研究目的选路径

你的目的	推荐路径
做睡眠分期算法	sleep-edf(73) → isruc-sleep(262) → 本集（跨域评测）
做消费级穿戴产品验证	本集 → bidsleep-dataset(1004) → qol-stress(997)
做职业健康研究	本集 → wearable-exam-stress(807) → wesad(67)
做流行病学睡眠研究	mesa-sleep(302) → nch-sleep(1013) → 本集（临床人群之外的对照）
做心理量表与生理信号配对	qol-stress(997) → 本集（长期化）
做数据合规与隐私研究	本集（许可不明确案例）→ wesad(67)（条款清晰案例）

19.2 三条避坑式互链说明

1. 不要把它与 mesa-sleep 并列进"PSG 金标准睡眠集"：本集没有 PSG，混排会让读者误解其精度定位。
2. 不要把它与 qol-stress 并列进"应激识别数据集"：本集的压力与焦虑数据在发布中并未落地，引用其"多模态应激"属性会失真。
3. 不要把它当作母集 TILES-2018 的替代品：母集的语音、体动、环境、完整问卷全部不在本集中。

19.3 若日后补充母集条目

建议在母集条目中做三件事：一是引用本 §2.1 的三层结构表作为血缘对照；二是把本文附录 I 的关系声明反向抄录；三是两边的缩放数字（212 vs 139、约 9,000 vs 6,012）互相标注"派生论文推算值，非原文"。这些安排能让检索者不至于在两个条目之间打转。

§20 一页速查卡

问题	一句话答案
是什么	TILES-2018 的睡眠侧派生发布 + 留出评测集
谁做的	USC SAIL + ISI，通讯 Tiantian Feng
多少人	139（合并视图 349）
多长	10 周
多少条记录	6,012 条主睡眠（高质量 5,178）
什么设备	Fitbit Charge 2
有什么信号	设备睡眠分期 + 睡眠期 1 分钟均值心率
什么量表	PSQI（基线一次，七维 + 0-21 总分）
三个任务	睡眠分期 / PSQI 预测 / 人口学分类
最好成绩	分期 macF1 0.574（三分类）；PSQI AUC 0.665；班次 AUC 0.767
怎么拿	tiles-data.isi.edu 申请制
能不能商用	不明，须书面确认
最该注意的坑	母集与本集混同；标签是设备而非 PSG；阈值 7 非临床界值
最适合	轮班与节律研究、跨域评测、隐私与公平性
最不适合	临床诊断、逐夜主观标签建模、多设备对比

三十秒决策：如果你要一个"有金标准、人数多、能直接下"的睡眠集，找 mesa-sleep 或 sleep-edf；如果你要研究"长期佩戴的真实人群睡眠怎么变、班次如何塑造节律、模型换一批人还灵不灵"，并且能接受申请制与设备标签，那么这个数据集是库内目前唯一对口的选项。

§21 数据字典：每个字段怎么用、怎么错

本节按目录组织，把每个字段的取值方式、常见误用与校验方法并列写出，可直接当工程手册用。

21.1 participant-info

字段（语义）	取值形态	正确用法	常见误用
参与者 ID	哈希串	作为跨文件关联键	当作可逆 ID 去反查身份（不可能，也不应尝试）
年龄	分组（<30 / 30-49 / ≥50，中间以 5 岁为步长）	当分类变量用，或取组中值做回归	当作连续值直接算均值（会引入组内均匀假设误差）
性别	二值	分层分析	与职业构成混淆（女性占七成主要反映护理岗位性别构成）
主要班次	白班 / 夜班	核心分组变量	当作"当晚是否上夜班"的逐夜标签（它是主要班次，不是逐日排班）
岗位	注册护士 / 护理助理 / 监护技师或治疗师 / 其他	描述性统计与分层	把"其他"当作缺失丢弃（它本身是一类）
主要工作单元	ICU / 非 ICU / 康复 / 浮动岗 / 实验室 / 办公室 / 其他	描述性统计与分层	与岗位交叉后假设均衡（本集办公室超三成，交叉表会极不均衡）

最关键的一条：班次是"主要班次"（primary work shift），只有白/夜两档，没有"轮转"「早晚班」「12 小时班」等更细的排班信息。这意味着任何"按实际排班对齐睡眠"的研究都无法只靠本集完成——你只能做"主要班次"这一粗粒度的组间比较。

21.2 sleep-metadata

字段（语义）	用途	校验方法
sleepId	与 sleep-data 关联的唯一键	检查两表 sleepId 集合的差集，应为空或极小
起始时间	切片心率的左边界	检查是否早于结束时间
结束时间	切片心率的右边界	计算卧床时长，检查是否 ≤24 小时（超过必为异常）
总睡眠时长	主指标	与 sleep-data 阶段时长求和对比，差值应 ≥0
主睡眠 / 小睡标记	筛选主睡眠	检查每人每日主睡眠条数，正常应为 1，>1 需查
各阶段时长	睡眠结构	各阶段之和应 ≤ 卧床时长

两项必做的清洗：

1. 跨日与跨时区：时间戳若为本地时间且无时区标记，跨夏令时的夜晚会出现 23 或 25 小时的一天。检查方法是看相邻记录的日期差是否出现 0 或 2。
2. 超长记录：卧床时长 >16 小时的记录通常是"忘记摘表"而非真实睡眠，应剔除；本论文未提及此类清洗，使用者需自行设定规则并报告。

21.3 sleep-data

字段（语义）	用途	校验方法
sleepId	关联键	同上
阶段标签	分类目标	统计标签集合，应只有 4 种（或 3 种经典态），出现其他字符串即为脏值
时长（秒）	序列重建	检查是否出现 0 秒或负值
时间戳	阶段起点	检查时间戳是否单调递增且落在 metadata 窗口内

序列重建的正确做法：按时间戳排序后，把每个阶段按"起点 + 时长"展开成固定步长的格子（如 30 秒），格子不足一个步长的做向下取整，剩余的丢弃并记录丢弃比例。若直接用"一行一阶段"做输入，等于让模型自己学不等长的处理，会引入与论文口径的偏离。

21.4 sleep-heart-rate

字段（语义）	用途	校验方法
时间戳	对齐轴	检查采样间隔的中位数是否为 60 秒，明显偏离说明文件损坏
心率（bpm）	特征	检查范围，正常成人睡眠期多在 40-100，超出应视为伪迹

三个必查项：

1. 采样间隔中位数：若是 60 秒，说明是分钟均值；若出现 30 或 15 秒，可能是不同固件版本的数据，需分开处理。
2. 缺失率：按人统计缺失比例，缺失 >50% 的人建议在建模时降权或单独报告。
3. 伪迹率：心率 <30 或 >180 的片段几乎一定是运动伪迹或佩戴不良，应置空而非保留。

21.5 surveys

文件	用途	校验方法
raw/baseline	逐项复算七维分	用官方计分规则复算，与 scored 对比，一致率应接近 100%
scored/baseline	直接建模	检查总分是否等于七维之和（见 16.4 的可加性检验）

一个容易忽略的点：PSQI 的七维分不是逐项等权求和，而是先做"分量映射"（例如入睡潜伏期由分钟数与频率两项共同映射为 0-3）。若你直接用 sum(raw_columns)，得到的不是 PSQI。正确做法是照官方计分文档逐步映射，或直接使用 scored 文件。

21.6 三张表之间的关联链

participant-info (hashed_id)
        │  1:N
        ▼
sleep-metadata (sleepId, start, end)
        │  1:N（每阶段一行）
        ▼
sleep-data (sleepId, stage, seconds)
        │  时间窗口 join
        ▼
sleep-heart-rate (timestamp, bpm)

surveys/raw|scored (hashed_id) ── 1:1（仅基线）

关联链上有两个易错点：其一，sleep-data 与 sleep-heart-rate 之间没有显式键，只能通过 metadata 的时间窗口做范围 join；其二，问卷只有基线一份，因此问卷与人是一对一，而睡眠与人是一对多，任何"人-夜"混合建模都要先把问卷广播到该人的所有夜晚。

§22 复现核对清单

按顺序执行，每步都应产出可记录的中间结果。

第一步：完整性

• [ ] 六个子目录齐全（fitbit 四 + surveys 两）
• [ ] 每人 sleep-metadata 非空
• [ ] 每人至少一个 sleep-heart-rate 文件
• [ ] surveys/raw 与 scored 人数一致

第二步：字段合法性

• [ ] 阶段标签只有合法值
• [ ] 时长无 0 或负值
• [ ] 时间戳单调递增
• [ ] 心率范围在合理区间

第三步：口径对齐

• [ ] 主睡眠数 6,012（或说明与论文差异）
• [ ] 评估集 116 人（>10 条记录）
• [ ] 高质量率 86.1%（若采用该定义）
• [ ] PSQI 总分 = 七维之和

第四步：指标复现

• [ ] 分期用 average='macro'
• [ ] PSQI 阈值 7，并声明非临床界值
• [ ] 报告 AUC 与准确率，不只报 F1
• [ ] 分组结果同时报均值与标准差

第五步：写作

• [ ] 明确区分母集（212）与本集（139）
• [ ] 明确分期标签来自设备
• [ ] 注明许可不确定性
• [ ] 引用三篇文献

§23 三条横向对照的细表

23.1 本集 vs mesa-sleep（302）

维度	本集	Mesa Sleep
人数	139	2,040
时长	10 周	1 周
金标准	无（设备分期）	有（PSG）
设备	Fitbit Charge 2	Actigraph
人群	医院员工	社区多民族人群
核心变量	班次	睡眠呼吸障碍
获取	申请制、条款不明	NSRR 申请制、条款明文

23.2 本集 vs qol-stress（997）

维度	本集	qol-stress
人数	139	66
时长	10 周	单次约 30 分钟
设备	Fitbit Charge 2	Fitbit Charge 6
信号	睡眠分期 + 心率	ECG + EDA + 逐秒心率
量表	PSQI	PSS-14 + STAI-S
场景	自然	实验室诱导
许可	不明	CC BY 4.0

23.3 本集 vs nch-sleep（1013）

维度	本集	nch-sleep
人群	成人医院员工	儿科患者
信号	消费级腕表	多导睡眠图
配套	基线 PSQI	纵向 EHR
用途	行为与节律	临床诊断与队列

§24 结语：它的真正位置

把本集放在可穿戴睡眠研究的谱系里，它既不是最大的，也不是最准的，更不是最容易拿到的。它的位置是"协议一致的双人群分片"——这个设计在公开数据集里罕见，因为它需要一个足够大的母项目愿意分两次发布同一队列。

这也解释了它为什么值得一条独立条目：如果只看到 139 人与 6,012 条，它只是一份中等规模的腕表数据；如果看到"训练在 210 人、测试在 139 人、同设备同量表"，它就是一份可以直接用的评测协议。引用的正确姿势是引用它的协议，而不是引用它的人数。

最后提醒三件事：第一，申请制且许可不明，项目启动前先解决这一环；第二，分期标签来自设备，任何精度声明都要加限定；第三，母集与本集的名字只差一个后缀，检索与引用时最容易出错的地方就在这里。

附录 M：与库内 12 条邻域条目的逐条说明

下表把 §12 与 §23 的互链关系展开成可检索的一段话描述，便于编辑侧做页面导航时的取舍。

条目（rid）	关系	展开说明
mesa-sleep（302）	同类替代	MESA 以 2,040 人、一週 Actigraph 与 PSG 金标准见长，回答人群层面的睡眠呼吸障碍分布；本集以十周跨度与班次变量见长。两者组合可构成"金标准训练 → 自然场景评测"的完整链路。
qol-stress（997）	方法互补	两者都用 Fitbit 与心理量表，但时间尺度相差三个数量级：qol-stress 是分钟级实验室诱导，本集是周级自然行为。在"心理量表—生理信号"的对应关系上，前者提供可控校准点，后者提供生态效度检验。
wesad（67）	邻域	WESAD 以多通道（EDA、ECG、体温、呼吸）与实验室情绪诱导著称，人数仅十余。本集通道少但跨度长，二者在"低通道长期监测"这一产品化方向上互补。
wearable-exam-stress（807）	邻域	考试场景的可穿戴压力数据，与医院职场同属"高压真实场景"。可对照"急性压力事件"与"长期班次压力"两类应激源在信号上的差异。
sleep-edf（73）	上游	PSG 睡眠分期的经典基准，含 EEG/EOG/EMG。用其训练的模型迁移到本集，能量化"PSG → 消费级腕表"的精度损失。
isruc-sleep（262）	上游	另一套 PSG 分期基准，样本与采集条件与 Sleep-EDF 不同，可作为多源上游的稳健性检验。
cinc-2018-sleep（493）	上游	觉醒检测任务，其"微觉醒"概念与本集的 classic 三态（awake/asleep/restless）可类比，但标签体系不同，不可直接混用。
hmc-sleep-staging（654）	上游	PSG 分期基准，用于扩充上游覆盖面。
capsleep（1072）	上游	关注睡眠中的周期性交替模式（CAP），属于分期之外的睡眠微结构研究，与本集的阶段转换分析同属"结构层面"视角。
nch-sleep（1013）	上游	儿科 PSG 与纵向 EHR，人群与本集完全不同，仅作为"纵向 + 多模态"的方法参照。
bidsleep-dataset（1004）	同类	Apple Watch 与 Dreem 头带并用，自带更可靠的参照信号，是本集"消费级设备 + 可靠参照"思路的另一实现。
big-ideas-glycemic-wearable（1016）	方法论同类	消费级可穿戴的连续生理监测，目标变量是血糖波动而非睡眠，但数据组织方式（纵向、个体内）与本集相似。

M.1 建议的页面导航顺序

若站点按"从金标准到自然场景"排序，建议顺序为：sleep-edf（73）→ isruc-sleep（262）→ cinc-2018-sleep（493）→ mesa-sleep（302）→ nch-sleep（1013）→ bidsleep-dataset（1004）→ 本集 → qol-stress（997）→ wesad（67）→ wearable-exam-stress（807）。这条链从左到右，精度递减、生态效度递增，读者能直观看到"实验室到真实世界"的连续谱。

M.2 不建议建立的互链

• 与本集无实质关联的影像类条目：单纯因为"都是医学数据"而互链，会让导航失去信息量。
• 与母集 TILES-2018 的假设性互链：库内没有母集条目，不应在 frontmatter 里写任何占位 URL 之外的关联。
• 与综合型 EHR 库的互链：本集没有诊断、用药、住院记录，与 MIMIC 系的交集仅限于"医院场景"四个字。

附录 N：三个具体的失败案例复盘

N.1 案例一：把主睡眠与小睡混在一起

某复现者直接对 sleep-metadata 的全部行做分组统计，得到人均记录数远高于 43 条（6,012/139），并误以为"记录数口径不一致"。原因是没有按主睡眠标记筛选。正确做法：先筛主睡眠，再算记录数；小睡单独统计。识别信号：人均记录数明显超过"十周 × 每晚一条"的上界（约 70）。

N.2 案例二：用加权 F1 得到"超越论文"的结果

某复现者用 sklearn 默认的加权平均计算 F1，得到四分类 0.63，高于论文的 0.529，于是声称复现超越原文。原因是口径不同。正确做法：用 average='macro'；若坚持加权，必须同时报告宏平均以对齐。识别信号：四分类成绩高于三分类（正常应相反，因为四分类更难）。

N.3 案例三：心率按行号对齐

某复现者把 sleep-heart-rate 与 sleep-data 按行号拼表，训练出的模型在训练集上表现很好、测试集崩盘。原因是两者行数不同、时间轴不同。正确做法：按 metadata 的起止时间做窗口切片。识别信号：两表行数不同却"成功拼接"（正常情况下应按时间对齐后重新聚合）。

附录 O：论文写作层面值得学习的两个做法

O.1 局限性段落写得具体

本论文的局限性不是套话，而是点名了三件事：设备精度（含"倾向高估 REM"这一具体偏差方向）、缺逐夜标签、未探索缺失填补。这种写法让读者能直接判断"我的任务会不会踩到"。对比许多数据集论文只写"样本量有限、需进一步研究"，本集的坦白程度值得作为写作模板。

O.2 用组合数据集做稳健性检验

论文在关键结论上都给了"本集"与"合并视图"两套数字。虽然合并视图带来了口径复杂性（§2.1），但这种"小样本结果 + 大样本复核"的双口径报告方式，是纵向研究里对抗偶然性的常规手段，且在本文中确实起了作用——例如 REM 的差异在本集边缘显著、在合并视图显著，读者能据此判断效应的稳健程度。

附录 P：许可不明的应对流程

发现许可条款缺失
├─ 1. 回站点逐页查找（overview / dataset2018_details / eval_details）
├─ 2. 查 DOI 页面与论文 Data availability 段
├─ 3. 若仍缺失 → 提交申请时在正文中书面询问：
│      a) 是否允许商用
│      b) 是否允许再分发
│      c) 衍生数据的许可要求
├─ 4. 取得书面回复前，按最保守假设处理：
│      - 仅内部研究使用
│      - 不再分发原始文件
│      - 成果中注明"许可状态待确认"
└─ 5. 把回执归档到项目合规目录，随成果一同保存

附录 Q：与千方病案医数集发布规范的对接说明

本条目在入库时遵循站点的 AI-Ready 条目规范，三点与本集特性相关的说明：

1. frontmatter 的 data_source 只列六类目录，不列逐条字段——因为字段明细篇幅长，已放入 §21 数据字典。
2. relatedLink 只放占位 URL，所有互链说明写在正文 §12 与附录 M，避免"说明文字混入链接列表"的脏键问题。
3. patient_count 同时给出本集与合并视图两个数字，并注明前者是可下载资产、后者是分析口径，避免读者误判规模。

附录 R：与其他论文表述的对照表

下表把本论文对母集与外部的表述，与外部可查的第三方描述并列。凡有出入的，均以第三方原文为准并注明。

项目	本论文表述	外部表述	判断
母集人数	212	站点致谢写"212 名参与者"；第三方研究写 212 名全职医院员工	一致
母集年龄	未在本论文给出	第三方研究写 21-65 岁	本论文未涉及，以第三方为准
母集时长	10 周	站点与第三方均写 10 周	一致
母集设备	Fitbit Charge 2	站点写 Fitbit 腕带（心率、步数、睡眠）；第三方明确为 Charge 2	一致
母集其他模态	本论文只强调 Fitbit	站点列 OMSignal 衣物、手机、环境传感	本论文未展开，非冲突
PSQI 条目	29 项	第三方使用母集的研究写 19 项 PSQI	冲突，见坑 6
本集定位	母集的测试分片	无外部佐证	单一来源
伦理编号	HS-17-00876	无外部佐证	单一来源

R.1 为什么对照表只做三件事

第一，确认真实存在与基本参数（人数、时长、设备）——这是存在性核验的最低要求，本表前五项全部通过。第二，把冲突项显式标出，而不是悄悄取一个值——PSQI 条目数的冲突就是这样处理的。第三，把单一来源的结论标注清楚，让读者知道哪些数字没有第二支点。

R.2 关于"212 与 210"的说法

部分二手资料会把母集写成 210 人（因为本论文表 I 用的是 210）。这是表格口径简化，不是事实变化：站点与致谢都写 212。引用母集人数用 212，引用本论文表 I 时写 210（并注明为表内口径）。

附录 S：数据集名与检索词大全

S.1 正式名称与变体

名称形态	是否可用	备注
TILES-2018 Sleep Benchmark	首选	论文标题与站点一致
TILES-2018 Sleep Benchmark Dataset	可用	论文标题全称
TILES-2018 sleep	可用	常被简写，检索时注意与母集区分
tiles-2018-sleep	可用	本库 slug
TILES Sleep Benchmark	慎用	易被理解为一个独立项目
TILES-2018	不可用于指代本集	指母集（212 人多模态）

S.2 相关检索词

• 主题词：wearable sleep、sleep staging、PSQI、shift work、hospital workers、night shift、circadian
• 设备词：Fitbit Charge 2、PPG、heart rate during sleep
• 项目词：TILES、Tracking Individual Performance with Sensors、MOSAIC、IARPA
• 机构词：USC SAIL、USC ISI、Keck Hospital、Norris Comprehensive Cancer Center
• 作者词：Tiantian Feng、Brandon Booth、Karel Mundnich、Shrikanth Narayanan

S.3 易混条目的检索避让

检索时若结果里出现 Sleep-EDF、MESA、DREAMT、ECSMP，那是论文表 I 的对照项，不是本集；若出现 TILES-2019，那是 ICU 住院医师队列；若出现 OMSignal、Unihertz Jelly Pro，那是母集的其他模态。

附录 T：版本与更新观察点

本集目前只有 arXiv v1（2025-07-04）一个版本，没有 DOI、没有 Zenodo 归档、没有期刊正式版。这意味着三件事值得持续观察：

1. 正式发表：若被会议或期刊接收，可能出现数值修订（尤其坑 3-6 的四处漂移），届时须以正式版为准并更新本条目。
2. 站点发布：tiles-data.isi.edu 目前只列 TILES-2018 与 TILES-2019 两个数据集页面。若日后为本集开设独立页面，许可与申请流程可能首次明确，本条目 §6 需要改写。
3. 版本化：目前目录结构无版本号。若未来出现 v2，需核对是否补充了小睡分析、逐夜 EMA 或完整转移矩阵。

T.1 观察建议

建议每季度检查一次：arXiv 是否有 v2、站点是否新增本集页面、是否有第三方复现论文引用 0.574 与 0.665 这组数字。三者出现任一项，即触发本条目的事实复核。

附录 U：一句话总结（供编辑摘录）

TILES-2018 Sleep Benchmark 用 139 名医院员工十周的 Fitbit 数据与基线 PSQI，把"专业睡眠研究"从实验室搬到真实职场，并以母集 210 人训练、本集 139 人测试的留出设计，给出了可复现的睡眠分期、自评预测与隐私风险基线；它的短板不在数据本身，而在许可不明确与设备标签的先天局限。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• mesa-sleep — 共享标签：生理信号 / 睡眠信号 / 可穿戴传感 / 队列研究
• globem — 共享标签：生理信号 / 睡眠信号 / 可穿戴传感 / 队列研究
• shhs — 共享标签：生理信号 / 睡眠信号 / 队列研究
• mros-sleep — 共享标签：生理信号 / 睡眠信号 / 队列研究
• nsrr — 共享标签：生理信号 / 睡眠信号 / 队列研究
• mmash — 共享标签：生理信号 / 睡眠信号 / 可穿戴传感 / 队列研究
• dreamt — 共享标签：生理信号 / 睡眠信号 / 可穿戴传感
• qol-stress — 共享标签：生理信号 / 可穿戴传感 / 调查数据
• sex-differences-hearing-loss — 共享标签：生理信号 / 队列研究 / 调查数据
• cgmacros — 共享标签：生理信号 / 可穿戴传感 / 队列研究

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。