Urheilijan unen ja palautumisen seuranta
puettavien sensoreiden avulla
Turun yliopisto
Tietotekniikan laitos
TkK-tutkielma
Lääketieteellinen tekniikka ja terveysteknologia
Toukokuu 2025
Tessa Salmia
Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on tarkastettu Turnitin
OriginalityCheck -järjestelmällä.
TURUN YLIOPISTO
Tietotekniikan laitos
Tessa Salmia: Urheilijan unen ja palautumisen seuranta puettavien sensoreiden
avulla
TkK-tutkielma, 45 s., 3 liites.
Lääketieteellinen tekniikka ja terveysteknologia
Toukokuu 2025
Riittävä ja laadukas uni on keskeinen osa urheilijan palautumista ja suorituskyvyn
optimointia. Tässä tutkielmassa tarkastellaan puettavien sensoreiden hyödyntämis-
tä unen ja palautumisen seurannassa sekä näiden laitteiden tarkkuutta fysiologisten
mittausten osalta. Tutkimuksen tavoitteena on selvittää, miten puettavat sensorit
voivat tukea urheilijoiden palautumisen seurantaa sekä arvioida, kuinka hyvin sub-
jektiiviset ja objektiiviset mittaukset vastaavat toisiaan.
Tutkimus koostuu kirjallisuuskatsauksesta ja empiirisestä osuudesta. Kirjallisuuskat-
sauksessa kartoitettiin unen ja fysiologisten mittareiden taustaa. Empiirisessä tutki-
muksessa vertailtiin Oura Ring 4 -älysormuksen ja Suunto 9 Peak Pro -urheilukellon
mittaamaa unenaikaista dataa sykkeen, sykevälivaihtelun, hengitystiheyden ja unen
eri vaiheiden osalta.
Tulokset osoittivat, että pidempi uni oli yhteydessä korkeampaan sykevälivaihteluun
ja matalampaan leposykkeeseen, mikä tukee unen merkitystä autonomisen hermos-
ton palautumiselle. REM-unella havaittiin vahva yhteys fysiologiseen palautumiseen
sykevälivaihtelun kautta. Laitteiden välillä oli eroja unen keston ja vaiheiden mit-
tauksessa: Oura korosti kokonaisunesta kevyttä unta, kun taas Suunto painotti sy-
vää unta. Lisäksi subjektiiviset palautumisarviot eivät täysin vastanneet fysiologisia
mittauksia.
Tutkimus antaa viitteitä siitä, että vaikka molemmat sensorit tarjoavat arvokasta
tietoa unesta ja palautumisesta, niiden välillä on mittausteknologisiin eroihin pe-
rustuvia vaihteluja. Yhdistämällä objektiiviset mittaukset ja subjektiiviset arviot
saadaan kokonaisvaltainen kuva palautumisesta.
Asiasanat: uni, palautuminen, puettavat sensorit, sykevälivaihtelu, urheilusuoritus-
kyky
UNIVERSITY OF TURKU
Department of Computing
Tessa Salmia: Urheilijan unen ja palautumisen seuranta puettavien sensoreiden
avulla
Bachelor of Science (Tech) Thesis, 45 p., 3 app. p.
Biomedical Engineering and Health Technology
May 2025
Sufficient and high-quality sleep is a crucial component of an athlete’s recovery and
performance optimization. This study examines the use of wearable sensors for sleep
and recovery monitoring, focusing on their accuracy in physiological measurements.
The aim is to determine how wearable sensors can support recovery assessment and
evaluate the correspondence between subjective and objective measurements.
The study consists of a literature review and an empirical investigation. The liter-
ature review explores the background of sleep and physiological indicators valuable
to athlete recovery. The empirical study compares sleep data from the Oura Ring
4 and Suunto 9 Peak Pro, examining heart rate, heart rate variability, respiratory
rate, and sleep stages.
Results showed that longer sleep was associated with higher heart rate variability
and lower resting heart rate, supporting the role of sleep in autonomic nervous
system recovery. REM sleep was strongly linked to physiological recovery through
heart rate variability. Differences were found between the devices: considering total
sleep duration Oura emphasized light sleep, whereas Suunto emphasized deep sleep.
Additionally, subjective recovery assessments did not fully align with physiological
measurements.
This study demonstrates that while both devices provide valuable sleep and recov-
ery insights, differences in measurement technology affect their results. It is recom-
mended to integrate objective data with subjective assessments for a comprehensive
understanding of recovery.
Keywords: sleep, recovery, wearable sensors, heart rate variability, athletic perfor-
mance
Alkusanat
Kilpaurheilijana olen kohdannut tilanteita, joissa harjoituskuormitus ja palautumi-
nen eivät ole olleet tasapainossa, mikä on vaikuttanut suorituskykyyn sekä jaksa-
miseen. Tämä työ syntyi kiinnostuksestani ymmärtää, miten palautumista voidaan
mitata puettavilla sensoreilla objektiivisesti ja hyödyntää mittausdataa harjoittelun
optimoinnissa.
Iso kiitos Suunnolle, joka tarjosi Suunto 9 Peak Pro -urheilukellon testikäyt-
töön empiiristä tutkimusta varten. Suunto osoitti kiinnostusta työhöni ja tuki tut-
kimuksen toteutusta laitteistollaan. Lisäksi tutkielmassa hyödynnettiin Oura Ring
4 -älysormusta unen ja palautumisen mittaamiseen. Kiitos myös tutkielmani ohjaa-
jalle ohjauksesta ja hyödyllisistä neuvoista.
Turussa, 12. toukokuuta 2025
Sisällys
1 Johdanto 1
2 Sydän ja sen toiminnan mittaaminen 4
2.1 Sydämen sähköinen toiminta . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Sähköisen toiminnan mittaaminen . . . . . . . . . . . . . . . . . . . . 6
3 Uni ja sen mittaaminen 9
3.1 Unen fysiologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Unen laatu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Unen mittaaminen ja seuranta . . . . . . . . . . . . . . . . . . . . . . 13
4 Palautumisen fysiologia ja mittaaminen 16
4.1 Syke ja sykevälivaihtelu . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Hengitystiheys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 Materiaalit ja menetelmät 21
5.1 Käytettävät puettavat sensorit . . . . . . . . . . . . . . . . . . . . . . 21
5.1.1 Oura Ring 4 -älysormus . . . . . . . . . . . . . . . . . . . . . 21
5.1.2 Suunto 9 Peak Pro -urheilukello . . . . . . . . . . . . . . . . . 23
5.2 Tutkimuksen tavoite ja tutkimuskysymykset . . . . . . . . . . . . . . 24
5.3 Aineistonkeruu ja käsittely . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4 Analyysimenetelmät . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
SISÄLLYS 3
6 Tulokset 30
6.1 Oura Ring 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.2 Suunto 9 Peak Pro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.3 Suunnon ja Ouran vertailu . . . . . . . . . . . . . . . . . . . . . . . . 35
7 Johtopäätökset 37
7.1 Unen yhteys palautumiseen . . . . . . . . . . . . . . . . . . . . . . . 38
7.2 Ouran ja Suunnon vertailu . . . . . . . . . . . . . . . . . . . . . . . . 41
7.3 Työn rajoitukset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8 Yhteenveto 44
Lähdeluettelo 46
Liitteet
A Hakualgoritmit A-1
Kuvat
1 Sydämen johtoratajärjestelmä . . . . . . . . . . . . . . . . . . . . . . 5
2 Tyypillinen EKG-käyrä . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 Univaiheiden jakautuminen yön aikana . . . . . . . . . . . . . . . . . 10
4 Ouran Pearsonin korrelaatiomatriisi . . . . . . . . . . . . . . . . . . . 31
5 Ouran Spearmanin korrelaatiomatriisi . . . . . . . . . . . . . . . . . . 32
6 Suunnon Pearsonin korrelaatiomatriisi . . . . . . . . . . . . . . . . . 33
7 Suunnon Spearmanin korrelaatiomatriisi . . . . . . . . . . . . . . . . 34
8 Suunnon ja Ouran väliset korrelaatiot . . . . . . . . . . . . . . . . . . 35
Taulukot
1 Kerättävät muuttujat . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Asteikko harjoitusten kuormittavuuden arvioimiseen . . . . . . . . . . 28
Lyhenteet
AV engl. atrioventricular node, eteis-kammiosolmuke
EKG engl. electrocardiography, elektrokardiografia
HRV engl. heart rate variability, sykevälivaihtelu
LED engl. light-emitting diode, loistediodivalo
NREM engl. non-rapid eye movement sleep, perusuni
PPG engl. photoplethysmography, fotopletysmografia
PSG engl. polysomnography, polysomnografia
PSQI engl. Pittsburgh Sleep Quality Index, Pittsburghin unen laatua
kartoittava kysely
REM engl. rapid eye movement sleep, vilkeuni
RMSSD engl. root mean square of the successive differences, peräkkäisten
sykevälivaihteluiden (NN-intervallien) neliöjuuri
SA engl. sinoatrial node, sinussolmuke
SDNN engl. standard deviation of the normal-normal intervals, normalisoitujen
sykevälivaihteluiden (NN-intervallien) keskihajonta
TSS engl. Training Stress Score, Suunnon harjoituskuormituksen mittari
1 Johdanto
Huippu-urheilussa urheilijoiden väliset erot ovat häviävän pieniä. Urheilijan suori-
tuskyky perustuu kolmen keskeisen osa-alueen tasapainoon: harjoitteluun, ravitse-
mukseen ja palautumiseen. Palautuminen mahdollistaa kehon ja mielen optimaalisen
toipumisen harjoittelun aiheuttamasta kuormituksesta, tukee pitkän aikavälin kehi-
tystä sekä edistää urheilijan suorituskykyä ja kilpailumenestystä [1], [2]. Riittävä
unen määrä ja laatu voivat myös merkittävästi vähentää loukkaantumisriskiä ja sai-
rastumista, mikä korostaa unen roolia palautumisprosessissa [1], [3]. Palautumisen
taustalla vaikuttaa autonominen hermosto, joka säätelee tahdosta riippumattomia
toimintoja, kuten sykettä, hengitystä ja verenkiertoa. Autonominen hermosto ja-
kautuu sympaattiseen ja parasympaattiseen hermostoon, joiden välinen tasapaino
määrittää kehon valmiustilan ja palautumisen tehokkuuden [4]–[6].
Vaikka palautumisen merkitys on tunnettu pitkään, sen järjestelmällinen seu-
ranta ja optimointi ovat kehittyneet vasta viime vuosikymmeninä teknologian mah-
dollistamien uusien mittausmenetelmien ansiosta [1], [7]. Puettavat sensorit, kuten
älysormukset ja urheilukellot, tarjoavat reaaliaikaista tietoa fysiologisista paramet-
reista, mahdollistaen palautumisen tarkan seurannan [8]. Nykyään urheilijat käyt-
tävät yhä enemmän teknologisia apuvälineitä suorituskykynsä tukemisessa, mutta
vaikka nämä laitteet tuovat arvokasta lisätietoa unen ja palautumisen tilasta, on nii-
den tarkkuudessa sekä luotettavuudessa yhä haasteita [7], [9]. Vain harvat kulutta-
jakäyttöön tarkoitetut unenseurantalaitteet ovat läpinäkyviä mittausteknologiansa
LUKU 1. JOHDANTO 2
ja algoritmiensa suhteen, mikä voi osaltaan vaikeuttaa unen laadun ja fysiologisen
palautumisen tulkintaan [7], [9].
Tässä tutkielmassa perehdytään puettavien älylaitteiden käyttöön urheilijoiden
unen ja palautumisen seurannassa. Työn tavoitteena on tutkia, miten puettavat sen-
sorit voivat auttaa palautumisen optimoinnissa ja millaisia haasteita niiden käyttöön
liittyy. Tutkielma tarkastelee myös eri fysiologisten mittareiden, kuten sykkeen, sy-
kevälivaihtelun ja hengitystiheyden yhteyttä unen laatuun ja palautumiseen. Lisäksi
tutkimus pyrkii selvittämään, kuinka tarkkoja mittauksia puettavat sensorit tuotta-
vat verrattuna kliinisiin menetelmiin. Tutkimuksen päätavoitteet voidaan tiivistää
seuraaviin tutkimuskysymyksiin:
1. Miten puettavia sensoreiden unenaikaisia mittauksia voidaan hyödyntää
urheilijan palautumisen seurannassa?
2. Miten unen kesto ja laatu vaikuttavat urheilijan palautumiseen?
3. Miten syke, sykevälivaihtelu ja hengitystiheys ovat yhteydessä unen laatuun?
Tutkielma koostuu kahdesta osasta: kirjallisuuskatsauksesta ja tutkimusosios-
ta. Kirjallisuuskatsauksessa tarkastellaan puettavien sensorien fysiologista taustaa,
unen ja palautumisen seurannan tarkkuutta sekä unen yhteyttä urheilijan palautu-
miseen (tutkimuskysymykset 1 ja 2). Kirjallisuusaineisto kerättiin hakemalla tutki-
musartikkeleita useista tieteellisistä tietokannoista, kuten Web of Science, PubMed
ja ACM Digital Library. Hakulausekkeet keskittyivät puettaviin sensoreihin, uneen,
palautumiseen, fysiologisten mittareiden tarkkuuteen ja urheilijan suorituskykyyn.
Hakualgoritmeilla (esitetty liitteessä A), löydettiin 18 artikkelia, joista 14 vahvistet-
tiin vastaavan tutkielmassa esitettyihin tutkimuskysymyksiin ja sisällytettiin työ-
hön.
Tutkimusosuudessa vertaillaan Oura Ring 4 -älysormuksen ja Suunto 9 Peak
Pro -urheilukellon unenaikaista dataa sykkeen, sykevälivaihtelun, hengitystiheyden
LUKU 1. JOHDANTO 3
ja unen eri vaiheiden osalta (tutkimuskysymys 3). Lisäksi tarkastellaan subjektiivis-
ten palautumisarvioiden ja fysiologisten mittausten yhteyttä (tutkimuskysymykset
1 ja 2). Tutkimuskysymysten selvittämiseksi aineiston analysointiin käytettiin kor-
relaatioanalyysiä.
Tutkielman rakenne on seuraava: luvussa 2 esitetään sydämen toiminta ja sen
mittaamiseen käytetyt menetelmät urheilijan palautumisen ja suorituskyvyn mit-
taamisen ymmärtämiseksi. Vastaavalla tavalla unen ja palautumisen fysiologiaa sekä
niiden merkitystä urheilijan suorituskyvylle tarkastellaan luvuissa 3 ja 4. Luvussa 5
kuvataan tutkielman empiirisen tutkimuksen materiaalit ja menetelmät, kuten käy-
tettävät sensorit ja datan analysointimenetelmät, ja tutkimuksen tulokset esitetään
luvussa 6. Lopuksi luvussa 7 esitetään tutkielman johtopäätökset ja yhteenveto.
2 Sydän ja sen toiminnan
mittaaminen
Sydämen toiminnan mittaaminen avaa ovia urheilijoiden unen seurannalle sekä pa-
lautumisen optimoimiselle. Esimerkiksi sykevälivaihtelun analysointi auttaa arvioi-
maan autonomisen hermoston toimintaa, mikä on tärkeää stressin ja palautumisen
tasapainon ymmärtämisen kannalta. Unen aikainen sydämen sykkeen seuranta puo-
lestaan voi paljastaa palautumiseen liittyviä häiriöitä. Tässä luvussa kuvataan tiivis-
tetysti sydämen rakenne, toimintamekanismit sekä toiminnan mittaamiseen käytet-
täviä menetelmiä. Näiden seikkojen ymmärtäminen on olennaista puettavien senso-
rien toimintaperiaatteiden ja niiden hyödyntämiskapasiteetin tarkastelun kannalta.
2.1 Sydämen sähköinen toiminta
Sydän on tasaisin väliajoin supistuva nelilokeroinen ontto lihas, joka vastaa veren-
kierrolle välttämättömien paine-erojen tuottamisesta [5]. Sydämen väliseinä jakaa
sydämen oikeaan ja vasempaan puoleen, jotka koostuvat kumpikin eteisestä ja kam-
miosta [5]. Sydämen sähköisen toiminnan kannalta keskeiset rakenteet, kuten sinus-
solmuke, eteis-kammiosolmuke, Hisin kimppu ja Purkinjen säikeet, havainnolliste-
taan kuvassa 1 [10]. Sydämen sisäinen säätely ja autonominen hermosto säätelevät
sydämen sykettä ja sen pumppaaman veren määrää. Sisäinen säätely riippuu sydä-
meen virtaavan veren tilavuudesta, joka vaikuttaa sydämen eteenpäin pumppaaman
2.1 SYDÄMEN SÄHKÖINEN TOIMINTA 5
veren määrään. Autonominen hermosto puolestaan säätelee sykettä ja sydämen su-
pistumiskykyä kehon eri osista tulevien viestien perusteella. [11]
Kuva 1: Sydämen johtoratajärjestelmä. Aktiopotentiaali saa alkunsa sinussolmuk-
keessa (engl. sinoatrial node; SA) ja etenee molempien eteisten läpi. Eteisten de-
polarisaatio leviää eteis-kammiosolmukkeeseen (engl. atrioventricular node; AV) ja
kulkee edelleen Hisin kimpun (engl. bundle of His) kautta haarakkeisiin ja Purkinjen
säikeisiin (engl. Purkinje fibers). Muokattu lähteestä [10].
Sydämen sähköinen toiminta perustuu johtoratajärjestelmään, joka koostuu säh-
köiseen toimintaan erikoistuneista sydänlihassoluista [4], [5]. Johtoratajärjestelmä
varmistaa sydämen rytmin sekä aktiopotentiaalien kulkeutumisen sydämessä [5],
[12]. Järjestelmä alkaa oikean eteisen sinussolmukkeesta, joka on sydämen luonnol-
linen tahdistin. Sinussolmukkeen autorytmisten sydänlihassolujen depolarisoituessa
eli jännitteen purkautuessa spontaanisti kynnysjännitteeseen, syntyy aktiopotenti-
aaleja eli solukalvoa pitkin kulkevia sähköisen latauksen aaltoja [5], [12]. Depolari-
soituminen saa näin aikaan sydämen sykkeen.
2.2 SÄHKÖISEN TOIMINNAN MITTAAMINEN 6
Aktiopotentiaalit leviävät sydämessä avointen soluliitosten kautta kahdella
eri tavalla: sydänlihassolusta toiseen tai sydänlihassolujen muodostaman impuls-
sinjohtojärjestelmän solusta toiseen. Aktiopotentiaali kulkeutuu eteisten kaut-
ta eteis-kammiosolmukkeeseen ja aiheuttaa samalla eteisten supistumisen. Eteis-
kammiosolmukkeessa aktiopotentiaali hidastuu, jotta kammiot ehtivät täyttyä ennen
supistumista. [5] Aktiopotentiaali jatkaa kulkuaan Hisin kimpun kautta kammioi-
den johtoratoihin ja Purkinjen säikeisiin, jotka levittävät signaalin koko kammioi-
den alueelle. Tämä saa aikaan kammioiden voimakkaan depolarisaation, jolloin verta
pumppautuu valtimoihin. [12] Kammioiden repolarisaatio alkaa jo niiden supistu-
misen aikana, valmistellen seuraavaa vastaavanlaista sykliä. Eteisten repolarisaatio
tapahtuu kammioiden depolarisaation aikana [4].
2.2 Sähköisen toiminnan mittaaminen
Sydämen solukalvojen ionivirtaukset aiheuttavat jännite-eroja, joita voidaan mitata
tarkasti elektrokardiografialla (EKG), yleisimmällä ja luotettavimmalla menetelmäl-
lä sydämen toiminnan mittaamiseen [5]. Elektrokardiografia perustuu aktiopotenti-
aalien syklittäisen kulun mittaamiseen. Jännite-erot ja sähkövirrat voidaan havaita
elektrodeilla, jotka mittaavat kehon sisäisiä sähköisiä kenttiä sydämen depolarisaa-
tion ja repolarisaation aikana. [13]
Perinteinen EKG-mittaus koostuu tavallisesti kymmenestä ihon pinnalle asete-
tusta elektrodista, jotka muodostavat kaksitoista erilaista kytkentää [5]. Tyypillises-
sä EKG-käyrässä (kuva 2) eteisten depolarisaatio voidaan havaita P-aaltona, joka al-
kaa jo hieman ennen eteisten supistumista. Kammioiden depolarisaatio näkyy QRS-
kompleksina,joka muodostuu kolmesta lähekkäisestä aallosta. QRS-kompleksista
voidaan mitata esimerkiksi RR-intervalli eli kahden peräkkäisen R-piikin välinen
aika. Suodattamalla epänormaalit lyönnit pois saadaan NN-intervalli. Kammioiden
repolarisaation aikana solukalvojen sisäpinnan negatiivinen varaus palautuu ja tä-
2.2 SÄHKÖISEN TOIMINNAN MITTAAMINEN 7
mä näkyy EKG-käyrässä T-aaltona. Analysoimalla aaltomuotoja ja aikaintervalleja
saadaan yksityiskohtaista tietoa sydämen toiminnasta ja mahdollisista poikkeamis-
ta. [5], [13].
Kuva 2: Tyypillinen EKG-käyrä yhden sydämen toimintakierron syklin ajalta, mitat-
tuna kytkennästä II. P-aalto kuvaa eteisten depolarisaatiota, QRS-kompleksi kam-
mioiden depolarisaatiota ja T-aalto kammioiden repolarisaatiota. Aaltomuodon eri
vaiheet sijoittuvat millisekunnin sadasosien ajalle. Muokattu lähteestä [13].
Vaikka EKG:ta on perinteisesti pidetty tarkimpana menetelmänä sykevälivaih-
telun ja RR- tai NN-intervallien mittaamiseen, tutkimukset ovat osoittaneet, että
myös fotopletysmografiaan (engl. photoplethysmography; PPG) perustuvilla puetta-
villa laitteilla mitattu data on vertailukelpoista EKG:n kanssa [14]–[16]. Fotopletys-
mografia on yleisesti käytetty optinen menetelmä, jolla voidaan mitata verimäärän
vaihtelua kudosten mikroverisuonistossa. Se perustuu valon lähettämiseen kudok-
seen ja heijastuneen tai kudoksen läpäisseen valon mittaamiseen toisella anturilla
eli fotodetektorilla. [15], [17], [18] PPG-signaalit sisältävät sekä sydämen sykäysten
synkronoiman pulssikomponentin että hitaammin muuttuvan tasakomponentin, jo-
2.2 SÄHKÖISEN TOIMINNAN MITTAAMINEN 8
ka kuvastaa esimerkiksi hengityksen ja hermoston säätelytoimintojen vaikutuksia
[18]. Tekniikkaa käytetään muun muassa verenpaineen ja happisaturaation mittaa-
miseen sekä verenkierron arviointiin [17], [18]. PPG-signaaleja analysoimalla voidaan
arvioida elinten, kuten sydämen ja keuhkojen toimintaa sekä epäsuorasti myös aivo-
jen toimintaa [17]. Lisäksi PPG:n sovelluskohteita ovat diagnostisissa tarkoituksissa
käytettävät valtimojäykkyyden arviointi ja hengitystiheyden mittaus [17].
EKG:n ja PPG:n hyödyntäminen puettavissa älylaitteissa, kuten älykelloissa ja
-sormuksissa, on mahdollistanut sydämen toiminnan seurannan osana arkea. Äly-
laitteet ovat käyttäjäystävällisiä ja ne helpottavat tiedonkeruuta pitkällä aikavälillä.
Nämä ominaisuudet ovat lisänneet älylaitteiden suosiota ja niiden keräämä tieto on
tuonut uusia mahdollisuuksia, esimerkiksi terveydentilan ja palautumisen seuran-
nalle. [15], [19], [20] Apple Watch:in kaltaiset älylaitteet tuottavat perinteisiin 12-
kytkentäisiin laitteisiin verrattavissa olevaa yhden kytkennän EKG-dataa [19], [21],
[22]. Lisäksi tekoälyn avulla voidaan analysoida EKG-signaaleja automaattisesti ja
tunnistaa sydänsairauksia entistä varhaisemmassa vaiheessa [19].
PPG:hen perustuvissa puettavissa laitteissa käytetään usein vihreää loistediodi-
valoa (LED), vaikka infrapunavalo läpäisee kudoksen paremmin. Tämä johtuu muun
muassa siitä, että monet nykyiset laitteissa hyödynnettävät algoritmit ja teknolo-
giat on optimointu juuri vihreälle valon aallonpituudelle. [17], [23] Osa laitteista,
kuten Oura sormus, hyödyntää kuitenkin myös infrapunavaloa, sillä se mahdollis-
taa korkealaatuiset mittaukset läpäisemällä kudokset syvemmälle kuin vihreä valo.
Tämä parantaa signaalin laatua etenkin sydämen toimintaa kuvaavien paramet-
rien kuten leposykkeen, sykevälivaihtelun ja hengitystiheyden osalta. [23] Osa äly-
kelloista hyödyntää fotopletysmografiaa myös hengitystiheyden mittaamiseen [24].
PPG-teknologian kehittyessä sen tarkkuus ja sovellusalueet ovat laajentuneet, ja tu-
levaisuudessa PPG-mittausten merkityksen lääketieteellisissä käyttötarkoituksissa
odotetaan kasvavan [17], [18].
3 Uni ja sen mittaaminen
Uni on luonnollinen jaksottainen liikkumattomuuden tila, jossa heräämiskynnys
nousee eli reagointi ulkoisiin ärsykkeisiin laskee. Uni on aivojen itsesäätelemää, ja
sen merkitys ihmisen terveydelle on kiistaton, sillä univajeella on vakavia kognitiivi-
sia sekä fyysisiä vaikutuksia hyvinvointiin. [25] Unen rooli on täten myös keskeinen
urheilijan palautumisessa ja tässä luvussa esitellään tiivistetysti unen fysiologiaa
sekä keskeisiä mittausmenetelmiä.
3.1 Unen fysiologia
Ihmisen uni koostuu kolmivaiheisesta perusunesta (engl. non-rapid eye movement
sleep; NREM) ja vilkeunesta (engl. rapid eye movement sleep; REM)[5], [26]–[30].
Autonomisella hermostolla on keskeinen rooli unen säätelyssä ja kehon tasapainon
ylläpitämisessä unen aikana [30], sillä se kontrolloi tahdosta riippumattomia toi-
mintoja, sydämen sykettä, verenpainetta, hengitystä ja ruoansulatusta, jotka ovat
olennaisia kehon homeostaasin ylläpidossa [5], [6]. Vaikka uni-valverytmiä säätelee
pääasiassa keskushermosto, autonominen hermosto täydentää tätä toimintaa vaikut-
tamalla unisyklin eri vaiheisiin ja kehon fysiologisiin prosesseihin [6], [30]. Unen aika-
na sympaattisen ja parasympaattisen hermoston aktiivisuus vaihtelee unisyklin vai-
heiden mukaan ja tätä yhteistoimintaa kutsutaan sympatovagaaliseksi tasapainoksi
[30]–[32]. Parasympaattisen hermoston hallitsevuus NREM-unessa ja sympaattisen
hermoston aktivoituminen REM-unessa kuvastavat autonomisen hermoston moni-
3.1 UNEN FYSIOLOGIA 10
puolista roolia unen fysiologiassa [30]. Nämä unisyklin eri vaiheet vuorottelevat yön
aikana, muodostaen noin 90 minuutin mittaisia syklejä [5], [26]–[30]. Jokaisella unen
vaiheella on omat ominaispiirteensä sekä merkityksensä palautumisen kannalta [28].
Unen eri vaiheita havainnollistetaan kuvassa 3.
Kuva 3: Univaiheiden jakautuminen yön aikana. Uni koostuu syklisesti vuorottele-
vista perusunen (NREM) ja vilkeunen (REM) vaiheista. Hidasaaltoinen syvä uni
(kuvassa N3), joka painottuu alkuyöhön, tukee fyysistä palautumista, kun taas yön
loppupuolella lisääntyvä REM-uni edistää oppimista, muistia ja tunteiden proses-
sointia. Laadukas uni sisältää 4–5 unisykliä, joiden kesto on noin 90 minuuttia. Muo-
kattu lähteestä [33].
NREM-unen aikana sympaattisen hermoston aktiivisuus vähenee asteittain unen
syventyessä, jolloin parasympaattisesta hermostosta tulee hallitseva [30]–[32]. Tä-
mä johtaa sydämen sykkeen, verenpaineen ja sydämen iskutilavuuden laskuun ja
näin parasympaattisen hermoston aktivoituminen edistää palautumista [4], [5], [32].
NREM-uni jaetaan kolmeen eri vaiheeseen unen syvyyden perusteella. Näistä ensim-
mäinen vaihe on torke (N1), jonka aikana siirrytään valvetilasta uneen. Torke kattaa
noin viisi prosenttia koko uniajasta ja sen aikana herääminen on vielä helppoa. [27],
[28] Toisessa vaiheessa eli kevyessä unessa (N2) uni on vain hieman syvempää, mutta
kehon lämpötila kuitenkin laskee ja sydämen syke hidastuu, jolloin tietoisuus ympä-
ristöstä katoaa lopullisesti [28]. Toisen vaiheen aikana aivoissa tapahtuu merkittäviä
3.1 UNEN FYSIOLOGIA 11
sähköfysiologisia tapahtumia: unisukkuloita ja K-komplekseja, jotka voidaan havaita
aivosähkökäyrästä. K-kompleksit auttavat ylläpitämään unta ja ovat siten tärkeitä
palautumisen kannalta. [27], [29], [30] Toisen vaiheen kesto pitenee jokaisessa uni-
syklissä ja kattaa lopulta noin 45 prosenttia koko unesta [27]. NREM-unen kolmas
vaihe on unen syvin vaihe (N3). Tässä syvässä unessa aivosähkökäyrästä voidaan
havaita matalataajuisia hidasaaltoja. [29] Syvä uni on erityisen tärkeää elimistön
palautumiselle ja aivojen toiminnalle, sillä sen aikana elimistö korjaa ja uudistaa
kudoksia, vahvistaa luita ja lihaksia sekä parantaa immuunijärjestelmää [27], [28].
Koko uniajasta syvä uni kattaa noin neljäsosan. Ikääntymisen myötä syvän unen
määrä vähenee. [27]
NREM-vaiheiden jälkeen unisykli etenee REM-unen vaiheeseen, jolloin sympaat-
tinen hermosto aktivoituu uudelleen [27], [31], [32]. Sympaattisen hermoston aktii-
visuus voi olla jopa korkeampi kuin hereillä ollessa, mikä selittää univaiheen aikana
koetut fysiologiset muutokset, kuten sykkeen ja verenpaineen vaihtelut [32]. Tämä
sympaattisen hermoston aktivoituminen mahdollistaa osaltaan REM-unelle tyypil-
liset nopeat silmänliikkeet, lihasten nykimisen ja unien aikana koetut intensiiviset
kokemukset [4], [5], [27], [32]. Luonteenomaista REM-unelle on myös unien näke-
minen [25], [27]. Aivojen aktiivisuus kohoaa REM-unen aikana hereilläolon tasolle,
mutta lihakset pysyvät velttoina lukuun ottamatta palleaa ja silmien lihaksia [27],
[28]. REM-unella on keskeinen välillinen rooli palautumisessa sekä suorituskyvyn tu-
kemisessa erityisesti muistin, oppimisen ja motoristen taitojen vahvistamisen kautta
[34], [35]. Uusien taitojen kehitykselle onkin erityisen tärkeää, että ensimmäinen
unijakso harjoittelun jälkeen sisältää riittävästi REM-unta, sillä se auttaa vahvista-
maan opittuja liikeratoja [36]. Yön aikana REM-unen syklit pitenevät ja lisääntyvät
loppua kohden, muodostaen noin 20–25 prosenttia ihmisen yöunesta [5], [27].
3.2 UNEN LAATU 12
3.2 Unen laatu
Unen laadulle ei ole yksiselitteistä määritelmää, mutta on huomattu, että hyvälaa-
tuiselle unelle ominaista on yhtäjaksoisuus, lyhyt nukahtamisviive sekä tehokkuus
[37], [38]. Unen tehokkuus ilmoitetaan prosentteina ja sillä tarkoitetaan sitä, miten
suuren osan vuoteessa vietetystä ajasta yksilö nukkuu [39]. Yli 85 prosentin uni-
tehokkuus viittaa tyypillisesti rauhalliseen ja yhtäjaksoiseen uneen. Unitehokkuus
voi heikentyä nukahtamisen kestäessä yli 20 minuuttia ja yöunen keskeytyessä usein
tai pitkäksi aikaa. [39] Unen jatkuvuudella ja tehokkuudeella on todettu olevan suu-
rempi merkitys fyysiseen toimintakykyyn kuin unen kestolla, ja ne ovat unen laadun
kannalta merkittävämpiä tekijöitä [35]. Yhtenä laadukkan unen kriteerinä pidetään
myös unisyklien määrää, joita olisi hyvä olla 4–5, ja joiden aikana uni syvenee ja
kevenee vuorotellen [5], [26]–[30]. Myös sympatovagaalinen tasapaino on ratkaiseva
unen syvyyden ja laadun, sekä kehon palautumisen kannalta, sillä se heijastaa her-
moston kykyä reagoida stressitekijöihin ja unen eri vaiheiden vaatimuksiin [31], [40].
Epätasapainotila, jossa sympaattinen hermosto on yliaktiivinen suhteessa parasym-
paattiseen hermostoon, voi haitata palautumista ja lisätä stressiä elimistössä [32].
Lisäksi hyvälle unelle on ominaista, että herätessä yksilö on tyytyväinen uneensa ja
kokee olonsa usein levänneeksi sekä palautuneeksi [37], [38]. Vastaavasti huonolaa-
tuinen uni on katkonaista ja keskeytyy usein, ja sille on tyypillistä pitkä nukahta-
misviive, lyhyt kesto, väsynyt olo herätessä ja yksilön negatiivinen kokemus unen
laadusta [37], [38].
Useat fysiologiset, psykologiset sekä ympäristölliset tekijät ovat yhteydessä unen
laatuun. Hyvä unenlaatu vaikuttaa positiivisesti ja huono negatiivisesti yksilön elä-
mänlaatuun. Fysiologisista tekijöistä esimerkiksi ikä, kehon painoindeksi sekä vuoro-
kausirytmi vaikuttavat unen rakenteeseen. Psykologisista tekijöistä stressi, ahdistus
ja masennus heikentävät unen jatkuvuutta ja palauttavuutta. [37] Ympäristölliset
tekijät, kuten huoneen lämpötila, älylaitteiden käyttö ennen nukkumaanmenoa sekä
3.3 UNEN MITTAAMINEN JA SEURANTA 13
sosiaaliset ja perheeseen liittyvät sitoumukset, voivat osaltaan häiritä unta. Opti-
maaliseen nukkumisympäristöön kuuluvat muun muassa hiljaisuus, pimeys sekä oi-
kea lämpötila [34], [37]. Lisäksi stressi, ahdistus ja elämäntavat, kuten alkoholin ja
kofeiinin käyttö, voivat heikentää unen laatua [37], [41]. Urheilijoiden osalta on ha-
vaittu, että kilpailu- ja harjoitteluaikataulut, matkustaminen ja kilpailujännitys vai-
kuttavat negatiivisesti unen laatuun, etenkin kilpailupäivinä ja niiden jälkeen [34].
Myöhäiset harjoitusajankohdat voivat häiritä nukahtamista ja vähentää unen koko-
naiskestoa, mikä saattaa johtaa heikentyneeseen palautumiseen ja seuraavan päivän
suoritusvalmiuden laskuun [34].
Riittävän ja laadukkaan unen varmistaminen on erityisen tärkeää urheilijoille,
sillä unen puute voi vaikuttaa haitallisesti lihasten korjaantumiseen, hormonitasa-
painoon ja energiatasoihin [34]. Uni on tärkeä osa urheilijan palautumisprosessia ja
suorituskyvyn optimointia, ja siihen liittyvien häiriöiden ehkäiseminen vaatii usein
suunnitelmallista nukkumisaikataulujen sekä ympäristötekijöiden hallintaa [34].
3.3 Unen mittaaminen ja seuranta
Unen laadun mittaamiseen käytetyt menetelmät jaetaan subjektiivisiin ja objektii-
visiin menetelmiin [35], [37], [41]. Objektiivisesti unen laatua voidaan arvioida mit-
taamalla unen kestoa, tehokkuutta, nukahtamisviivettä sekä unenaikaista heräilyä.
Subjektiivisiin mittausmentelemiin kuuluu muun muassa yksilön kokema tyytyväi-
syys unen eri osa-alueista.
Käytetyin unen laadun mittari on subjektiivinen Pittsburgin unen laatua kar-
toittava kysely (engl. Pittsburg Sleep Quality Index; PSQI) [35], [38]. PSQI analy-
soi unen laatua ja univaikeuksia yhden kuukauden aikajaksolla. Kysely sisältää 19
kysymystä seitsemältä eri unen osa-alueelta: unenlaatu, nukahtamisviive, unen kes-
to, unen tehokkuus, unihäiriöt, unilääkkeiden käyttö ja päiväväsymys. Osa-alueiden
pisteet yhdistetään lopulliseksi pistelukemaksi (0–21) ja yli viiden pisteen kokonais-
3.3 UNEN MITTAAMINEN JA SEURANTA 14
pistemäärä viittaa heikkoon unenlaatuun. [38], [41] PSQI käsittää siis ne unen osa-
alueet, joilla on havaittu olevan yhteyttä unen laatuun ja sitä kautta palautumiseen
[38], [41].
Objektiivisista menetelmistä polysomnografia (engl. polysomnography; PSG) on
niin sanottu kultainen standardi, sillä se mittaa tarkasti unen eri vaiheita, kuten
latenssia eli REM-unen viivettä, kestoa ja tehokkuutta sekä sydämen sykettä ja
hengitystä [30], [42]. PSG on kuitenkin kallis ja vaatii usein laboratoriomittauksia,
minkä vuoksi sitä käytetään lähinnä tutkimuksissa ja unihäiriöiden diagnosoinnissa
[43]. Unta ja unen laatua on mahdollista mitata myös kuluttajakäyttöön tarkoite-
tun puettavan teknologian avulla [44]. Puettavat älylaitteet tarjoavat reaaliaikaista
tietoa unen eri vaiheista ja laadusta. Unen mittaus ja univaiheiden luokittelu pe-
rustuvat algoritmeihin, jotka hyödyntävät liikesensoreita sekä biosignaaleja, kuten
sykettä, sykevälivaihtelua ja ihon lämpötilaa. [45]
Puettavien älylaitteiden tarkkuus polysomnografiaan verrattuna vaihtelee mit-
tausparametrista riippuen. Yleisesti ottaen kuluttajakäyttöön tarkoitetut laitteet
pystyvät luotettavasti arvioimaan unen kokonaiskestoa, mutta niiden tarkkuus unen
eri vaiheiden havaitsemisessa jää usein polysomnografiaa alhaisemmaksi. [44] Tut-
kimusten mukaan älylaitteiden tarkkuus unen kokonaiskeston arvioinnissa voi olla
jopa 85–95 prosenttia polysomnografiaan verrattuna, mutta unen vaiheiden tunnis-
tamisessa tarkkuus laskee noin 60–80 prosenttiin [44]. Eri laitteiden välillä on myös
havaittu eroja, erityisesti algoritmien ja käytettyjen anturien osalta. Joissakin tutki-
muksissa Oura-sormuksen on raportoitu olevan tarkempi REM-unen tunnistamises-
sa kuin monet älykellot, kun taas älykellot voivat olla parempia liikkeeseen perustu-
vien heräämisten havaitsemisessa. [30], [44] Puettavat älylaitteet hyödyntävät yhä
useammin autonomisen hermoston signaaleja, kuten sykevälivaihtelua, unen vaihei-
den arvioimisessa. Tämä tarjoaa lupaavia mahdollisuuksia esimerkiksi unen laadun
3.3 UNEN MITTAAMINEN JA SEURANTA 15
ja vaiheiden mittaamiseen, mutta tarkkuus on vielä toistaiseksi hiukan polysomno-
grafiaa alhaisempi [30].
Unen fysiologian kautta unen laatua on mahdollista arvioida eri univaiheiden,
etenkin REM-unen ja syvän unen keston mukaan. NREM-unen vaiheista syvä uni
on palauttavaa, mikä tekee siitä hyvän mittarin yön aikana tapahtuvan palautumi-
sen ja unen laadun arviointiin. Uniajan pidentyessä REM-unen määrä kasvaa, jo-
ten myös REM-unta voidaan käyttää unen laadun arvioinnissa.[35], [42] REM-unen
vaikutusta unen laatuun ei kuitenkaan tunneta vielä tarkasti, mutta sen arvellaan
heijastavan pieniä unen muutoksia, ja se onkin osana uusien unen laadun mittarien
kehityksessä [42]. Univaiheiden lisäksi unen laatua voidaan arvioida mittaamalla
autonomisen hermoston toimintaa, vaikka unen aikaisen toiminnan arvioiminen on
haastavaa. Käytännössä autonomisen hermoston aktiivisuutta mitataan epäsuoras-
ti sydämen sykkeen ja sykevälivaihtelun avulla. Nämä mittarit tarjoavat arvokasta
tietoa hermoston toiminnasta ja tasapainosta unen aikana. [32], [40], [46]
4 Palautumisen fysiologia ja
mittaaminen
Palautuminen on urheilijalle keskeinen tekijä suorituskyvyn optimoinnissa, sillä har-
joittelua palautumattomassa tilassa ei koeta yhtä kehittäväksi kuin täysin palautu-
neena. Etenkin pääharjoituksissa urheilijan on tärkeä olla palautunut, jotta harjoi-
tuksista saadaan irti maksimaalinen hyöty. Palautumisen tehokkuus vaikuttaa kes-
keisesti urheilijan pitkän aikavälin kehitykseen ja hyvinvointiin, ja sen pitkäaikainen
laiminlyönti yhdessä liiallisen rasituksen kanssa voi johtaa suorituskyvyn laskuun
sekä alipalautuneisuuden tilaan. [47]
Palautuminen on monivaiheinen prosessi, joka tähtää kehon ja mielen tasapainon
palauttamiseen harjoittelun tai kilpailun aiheuttaman rasituksen jälkeen [47]. Fysio-
logisessa mielessä palautumisen keskeisiä osa-alueita ovat lihasten aineenvaihdunnan
ja energiavarastojen palautuminen, joita voidaan tukea oikeanlaisella ravinnolla, kyl-
mähoidoilla sekä laadukkaalla unella. Psykologinen palautuminen puolestaan liittyy
mielen rentouttamiseen ja kognitiivisen kuormituksen purkamiseen esimerkiksi itse-
säätelyn ja rentoutumistekniikoiden avulla. [47], [48]
Erityisesti uni on olennainen osa palautumisprosessia. Laadukas ja riittävä uni
tukee sekä fysiologista että psykologista palautumista [47], [48]. Kilpailujen tai inten-
siivisten harjoitusten jälkeen palautuminen voi häiriintyä heikon unenlaadun takia
[47]. Harjoittelun ja kilpailujen kovan intensiteetin takia huippu-urheilijoiden unen-
4.1 SYKE JA SYKEVÄLIVAIHTELU 17
tarve on keskivertoihmistä suurempi. Riittämätön uni, alle seitsemän tuntia yössä,
voi lisätä stressihormonien kuten kortisolin määrää ja hidastaa näin lihasten palau-
tumista. [1], [47], [48]
Urheilun absoluuttisella huipulla erot urheilijoiden suorituskyvyssä ovat pieniä.
On arveltu, että palautumisen optimoinnilla voi olla potentiaalia kilpailuedun saa-
vuttamisessa [47]. Palautumisen seurantaa voidaan tukea hyödyntämällä objektii-
visia mittareita subjektiivisen kokemuksen rinnalla [48]. Urheilijat, jotka seuraavat
unenlaatuaan palautumistrendien seuraamiseen kehitetyillä puettavilla älylaitteilla,
raportoivat useammin tuntevansa olonsa palautuneeksi harjoittelun jälkeen [8]. Äly-
laitteet mahdollistavat autonomisen hermoston tilan seurannan mittaamalla muun
muassa sykettä sekä sykevälivaihtelua unen aikana. [7], [47] Tätä puettavien lait-
teiden keräämää dataa voidaan siis hyödyntää urheilijoiden tarpeisiin yksilöllisten
palautumisstrategioiden suunnittelussa, mikä edistää optimaalista palautumista ja
suorituskyvyn ylläpitämistä [7], [8], [47].
Tämän luvun tarkoituksena on tarkastella palautumisen mittaamista sekä fysio-
logisten mittareiden, kuten sykkeen, sykevälivaihtelun ja hengitystiheyden, hyödyn-
tämistä urheilijoiden unen ja palautumisen seurannassa.
4.1 Syke ja sykevälivaihtelu
Sydämen syke, erityisesti leposyke, on keskeinen palautumisen mittari, joka kuvaa
sydämen lyöntitiheyttä ja heijastaa autonomisen hermoston tasapainoa sekä palau-
tuneisuuden tilaa [15]. Leposyke on yksilöllinen, mutta perusterveellä aikuisilla se
vaihtelee 60–100 lyönnin välillä minuutissa. Urheilijoilla leposyke on usein jopa al-
haisempi. [17]
Säännöllinen sykkeen seuranta tukee harjoittelun ja palautumisen optimointia,
sillä leposyke heijastaa parasympaattisen hermoston aktiivisuutta sekä autonomisen
hermoston tasapainoa [15], [49]. Jatkuvasti kohonnut syke voi esimerkiksi olla merk-
4.1 SYKE JA SYKEVÄLIVAIHTELU 18
ki stressistä tai muista terveyshaasteista, kuten kohonneesta verenpaineesta [49].
Sympaattinen hermosto kiihdyttää sydämen sykettä stressin sekä liikunnan aikana,
ja sykkeen käyttäytyminen rasituksen jälkeen antaakin tärkeää tietoa sydämen so-
peutumisesta rasitukseen. Nopea sykkeen palautuminen korkeasta rasituksesta lepo-
tasolle viittaa hyvään sydämen autonomiseen säätelyyn ja korkeaan parasympaat-
tiseen aktiivisuuteen, jota korkeaintensiteettinen aerobinen harjoittelu entisestään
tehostaa. [49] Leposykettä voidaan laskea parantamalla elämäntapoja, kuten lisää-
mällä säännöllistä kestävyysliikuntaa, vähentämällä kofeiinin ja alkoholin käyttöä
sekä stressiä meditaation tai rentoutumisharjoitusten avulla [50]. Puettavat älylait-
teet hyödyntävät EKG- ja PPG-teknologiaa (luku 2.2), sykkeen mittaamisessa [15],
[19], [21], [22].
Sykevälivaihtelu (engl. heart rate variability; HRV) kertoo peräkkäisten sydä-
menlyöntien välisten aikojen vaihtelusta ja on keskeinen autonomisen hermoston
toiminnan mittari [15], [16], [20], [30], [51]. Autonomisen hermoston sympaattinen
ja parasympaattinen haara säätelevät sydämen sykevälin vaihtelua, joten HRV tar-
joaa tietoa sympatovagaalisesta tasapainosta [14]. Sykevälivaihtelu laajentaa syk-
keen pohjalta saatavaa tietoa [15], ja antaa viitteitä terveydentilasta sekä sydämen
toiminnasta, kuten kehon ylikuormitustilasta ja autonomisen hermoston kyvystä
sopeutua stressiin [51].
Lepotilassa mitattu HRV heijastaa sydämen parasympaattista aktiivisuutta ja
on tärkeä fyysisen palautumisen mittari, esimerkiksi urheilijoiden harjoittelusta pa-
lautumisen seurannassa [15]. Unenaikaisten HRV-trendien avulla voidaan arvioida
palautumista ja stressikuormaa, sillä korkea sykevälivaihtelu viittaa hyvään auto-
nomisen hermoston sopeutumiskykyyn ja matala heikkoon stressinsietoon [16], [51].
HRV:n vaihtelua selittävät useat yksilölliset tekijät, kuten ikä, sukupuoli, elämän-
tavat sekä mittausten aikainen kehon asento, liike, hengitystiheys ja vuorokauden-
aika [51], [52], minkä vuoksi sykevälivaihtelun seurannassa on tärkeää arvioida mit-
4.1 SYKE JA SYKEVÄLIVAIHTELU 19
tauksia yksilöllisesti ja pitkällä aikavälillä [51]. Terveen aikuisen sykevälivaihtelu on
keskimäärin 42 ms, mutta vaihtelee 19–75 millisekunnin välillä. Urheilijoilla keski-
määräinen lukema voi nousta yli sadan ja on kestävyysurheilijoilla selvästi aikuisten
normaalia keskiarvoa korkeampi. [16], [52]
Sykevälivaihtelun arvoihin voidaan vaikuttaa monilla elämäntapavalinnoilla, jot-
ka tukevat autonomisen hermoston palautumista. Säännöllinen aerobinen harjoitte-
lu lisää parasympaattista aktiivisuutta ja siten nostaa HRV:tä, mutta harjoittelun
kuormitus on tärkeää pitää tasapainossa ylikuormituksen välttämiseksi [52]. Laa-
dukas ja riittävä uni on yksi tärkeimmistä HRV:n ylläpitäjistä, sillä heikentynyt
unenlaatu voi laskea HRV-arvoa [14], [51]. Myös psyykkistä kuormitusta vähentävät
stressinhallintakeinot, kuten rentoutusharjoitukset, tukevat autonomisen hermoston
tasapainoa [14]. Lisäksi terveelliset elämäntavat, kuten ravitseva ruokavalio ja alko-
holin käytön vähentäminen, voivat osaltaan tukea HRV:n paranemista ja kokonais-
valtaista palautumista [14], [52].
Jotta sykevälivaihtelusta saadaan tarkkaa ja hyödyllistä tietoa palautumisen ar-
vioimiseksi, sitä analysoidaan erityyppisillä menetelmillä. Nämä analysointimenetel-
mät voidaan jakaa kolmeen pääluokkaan: aika-, taajuus- ja epälineaarisiin menetel-
miin. Aikaperusteisista mittareista yleisimmin käytetyt ovat normalisoitujen syke-
välivaihteluiden keskihajonta (engl. standard deviation of the normal-normal inter-
vals; SDNN) ja peräkkäisten sykevälivaihteluiden neliöjuuri (engl. root mean squa-
re of the successive differences; RMSSD). SDNN kuvastaa HRV:n kokonaisvaihtelua
keskiarvosta, kun taas RMSSD mittaa lyhyen aikavälin vaihtelua, mikä heijastaa pa-
rasympaattisen hermoston aktiivisuutta. [52] Tässä tutkielmassa käytetyt puettavat
älylaitteet soveltavat RMSSD:tä sykevälivaihtelun mittaamisessa.
4.2 HENGITYSTIHEYS 20
4.2 Hengitystiheys
Hengitystiheys kertoo hengitysten määrän minuutissa [17]. Aikuisen normaali hen-
gitystiheys levossa vaihtelee yleensä 12–20 hengityksen välillä minuutissa [23], [24],
[53]. Hengitystiheyden vaihtelu voi kertoa paljon terveydentilasta. Levonaikainen
hengitystiheys on yksilöllinen, mutta pysyy suhteellisen vakaana pitkällä aikavälil-
lä. [23] Hengitystiheys reagoi kuitenkin herkästi erilaisiin fysiologisiin ja patologisiin
muutoksiin. Poikkeamat yksilöllisestä keskiarvosta voivat olla merkki mahdollisista
terveysongelmista, kuten kroonisista keuhkosairauksista, keuhkokuumeesta tai sy-
dänkohtauksesta. Terveysongelmien mahdollisuus on olemassa erityisesti, jos muu-
tokset ovat suuria tai jatkuvia useiden päivien ajan. [23], [24], [54] Hengitystiheyttä
voidaan pitää myös palautumisen mittarina, sillä se reagoi stressiin, fyysiseen ra-
situkseen, kognitiiviseen kuormitukseen ja jopa lämpötilamuutoksiin. [24], [54] Ko-
honneella hengitystiheydellä voi olla esimerkiksi yhteys elimistön rasitustilaan. Hen-
gitystiheys voikin auttaa urheilijoita seuraamaan sekä fyysisen kuormituksen että
stressin vaikutuksia kehoon ja palautumiseen. [23]
Hengitystiheyden arviointi perustuu useimmiten elektrokardiogrammilla tai fo-
topletysmografialla tehtyihin mittauksiin [18], [53]. EKG-mittauksessa keuhkojen
impedanssin muutos hengityksen aikana aiheuttaa jännitevaihtelun, jonka avulla voi-
daan analysoida hengitystaajuutta [53]. Useimmiten sormesta tai ranteesta mitatta-
vassa PPG-signaalissa voidaan havaita hengityksestä johtuvaa vaihtelua, ja signaalin
analysoimiseen on kehitetty useita algoritmeja, joiden avulla pystytään arvioimaan
hengitystiheys. [17]. Vaikka PPG-mittaus on helppokäyttöinen ja sitä hyödynnetään
useissa puettavissa älylaitteissa, mittausten tarkkuus aiheuttaa haasteita. Tarkkuus
riippuu anturin sijainnista ja ympäristöolosuhteista. [24] Sormesta mitattu PPG-
signaali on usein laadukkaampi kuin ranteesta saatu, ja unen aikana sormesta tai
ranteesta mitattuja PPG-signaaleja voivat heikentää asennon vaihtelut ja liikehäi-
riöt. [17], [24]
5 Materiaalit ja menetelmät
Markkinoilla on valtava määrä erilaisia urheilukelloja, älysormuksia, aktiivisuusran-
nekkeita ja muita puettavia älylaitteita. Tässä tutkielmassa unta ja palautumista
seurataan kahdella erilaisella puettavalla älylaitteella; Oura Ring 4 -älysormuksella
ja Suunto 9 Peak Pro -urheilukellolla. Luvussa 5.1 esitetään nämä työssä käytettävät
puettavat älylaitteet, luvussa 5.2 tutkimushypoteesit, luvussa 5.3 aineistonkeruume-
netelmät ja luvussa 5.4 analyysimenetelmät.
5.1 Käytettävät puettavat sensorit
Urheilijan unen ja palautumisen seurantaan käytettiin Oura Ring 4 -älysormusta
sekä Suunto 9 Peak Pro -urheilukelloa. Molemmat laitteet tarjoavat PPG-pohjaisia
mittauksia ja yksityiskohtaisia analysointityökaluja, mutta niiden painopisteet eroa-
vat toisistaan. Oura keskittyy erityisesti unen ja palautumisen seurantaan, kun taas
Suunto 9 Peak Pro on suunniteltu tarkkoihin mittauksiin myös liikunnan aikana.
Suunnon GPS-ominaisuus tuo merkittävää lisäarvoa erityisesti aktiivisille urheili-
joille, kun taas Oura painottaa enemmän biometrisiä signaaleja, kuten kehon läm-
pötilaa ja hormonaalisia muutoksia. [55]–[57]
5.1.1 Oura Ring 4 -älysormus
Oura Ring 4 -älysormus on suunniteltu monipuoliseen terveydentilan seurantaan
ja erityisesti unen laadun analysoimiseen. Sormus hyödyntää PPG-, lämpötila- ja
5.1 KÄYTETTÄVÄT PUETTAVAT SENSORIT 22
kiihtyvyysantureita, jotka mahdollistavat fysiologisten signaalien jatkuvan ja tar-
kan seurannan. Ouran PPG-järjestelmä käyttää infrapunavaloa ja LED-antureita,
jotka on asetettu sormuksen molemmille puolille, mahdollistaen selkeän signaalin
mittaamisen. Tämä eroaa monista älykelloista, joissa valo on sijoitettu vain yh-
delle puolelle ja joissa vihreää valoa käytetään yleisimmin. Ouran PPG-anturi on
suunniteltu tuottamaan lääketieteellistä tarkkuutta lähentelevää dataa, mikä tekee
sen signaaleista 99,9 % luotettavia verrattuna EKG:hen. Kaikki tiedot visualisoi-
daan Oura-sovelluksessa, joka tarjoaa käyttäjälle selkeitä suosituksia palautumisen
ja unen parantamiseksi. [55], [58]
Oura tarjoaa käyttäjälle päivittäin 0–100 välillä vaihtelevan arvon unenlaadusta,
aktiivisuudesta ja valmiudesta. Korkeampi arvo viittaa parempaan uneen, aktiivi-
suuteen tai valmiuteen. Kokonaisvaltainen unenlaadun arvo heijastaa unen yhtenäi-
syyttä, tehokkuutta ja eri vaiheiden tasapainoa, kun taas aktiivisuuden arvo mittaa
käyttäjän fyysisen aktiivisuuden tasoa päivän aikana. Valmiuden arvo puolestaan
yhdistää unen ja aktiivisuuden mittaustiedot arvioidakseen kehon palautuneisuutta
ja valmiutta tulevaan päivään. [55]
Sormus mittaa muun muassa leposykettä, sykevälivaihtelua, hengitystiheyttä se-
kä kehon lämpötilan vaihteluita. Näiden mittausten avulla Oura analysoi unen laa-
tua ja eri vaiheita, kuten kevyttä unta, REM-unta ja syvää unta. [55] Ouran unen
vaiheiden tunnistustarkkuus perustuu monisensoriseen lähestymistapaan, jossa yh-
distetään kiihtyvyysanturin, autonomisen hermoston mittareiden (HRV ja kehon
lämpötila) sekä sirkadiaanisen rytmin mallinnusta [44]. Sormus laskee tarkat kes-
tot jokaiselle unen vaiheelle ja suhteuttaa ne kokonaisunen määrään. Lisäksi se ar-
vioi unitehokkuutta, joka kuvaa unen yhtenäisyyttä ja keskeytymättömyyttä. [55]
Leposykkeestä Oura raportoi keskimääräisen ja alhaisimman sykearvon, jotka ku-
vaavat kehon palautumista. Sykevälivaihtelun analyysi toteutetaan RMSSD:llä ja se
antaa lisätietoa autonomisen hermoston toiminnasta. Sormus antaa käyttäjälle sy-
5.1 KÄYTETTÄVÄT PUETTAVAT SENSORIT 23
kevälivaihtelun keskiarvon sekä korkeimman havaitun arvon yön aikana. Kehon läm-
pötilan muutosten ja hengitystiheyden mittaus antavat arvokasta tietoa stressistä,
kuormituksesta ja mahdollisista hengityshäiriöistä, kuten uniapneasta. Lämpötilan
vaihteluiden pohjalta Oura analysoi myös hormonaalisia muutoksia ja mahdollistaa
naisilla kuukautiskierron seurannan. [55]
5.1.2 Suunto 9 Peak Pro -urheilukello
Suunto 9 Peak Pro -urheilukello on suunniteltu erityisesti urheilijoille ja aktiivisille
käyttäjille, jotka haluavat seurata suorituskykyään ja palautumistaan monipuolises-
ti. Se hyödyntää optista PPG-mittausta ja kiihtyvyysantureita fysiologisten signaa-
lien tarkkaan mittaamiseen levossa sekä harjoitusten aikana. PPG-järjestelmä käyt-
tää moniväristä LED-teknologiaa ja monikerroksista algoritmia, joiden avulla on
mahdollista tarkkailla sykettä ja sykevälivaihtelua eri valaistusolosuhteissa ja liik-
keessä. Näin sykkeen mittaus onnistuu tarkasti myös haastavissa olosuhteissa, ku-
ten raskaan liikunnan aikana. Kuten Ourassa, sykevälivaihtelun analyysi toteutetaan
RMSSD:llä. Integroidut kiihtyvyysanturit mittaavat kehon liikkeitä unen laadun ja
palautumisen arviointia varten. Kaikki tiedot visualisoidaan Suunto-sovelluksessa.
Sovellus arvioi käyttäjän kokonaisvaltaista palautumista harjoitusten ja unen nä-
kökulmasta ja tarjoaa yksityiskohtaisia analyyseja, esimerkiksi palautumisen tilasta
sekä energiatasapainosta.[56], [57]
Suunto 9 Peak Pro mittaa muun muassa sykettä, sykevälivaihtelua, hapenotto-
kykyä sekä energiankulutusta, ja se on varustettu GPS-teknologialla tarkkaa harjoi-
tusten seurantaa varten. Lisäksi Suunto 9 Peak Pro arvioi käyttäjän palautumista
yhdistämällä sykkeen ja sykevälivaihtelun analyysin unenaikaisiin mittauksiin. Kel-
lon unenseurantaohjelma seuraa unen eri vaiheita, kuten kevyttä unta, syvää unta,
REM-unta ja antaa arvioita unen laadusta sekä tehokkuudesta. Ouran unilukemaa
vastaavasti Suunto 9 Peak Pro -kellossa unenlaatu esitetään uniyhteenvedossa astei-
5.2 TUTKIMUKSEN TAVOITE JA TUTKIMUSKYSYMYKSET 24
kolla 0–100, jossa 100 on paras unen laatu. Unenaikaisen sykkeen keskimääräinen ja
alhaisin arvo raportoidaan, mikä tarjoaa tietoa kehon palautumisen tilasta. Kellon
kehittynyt PPG-järjestelmä mittaa myös veren happisaturaatiota yön aikana, mikä
auttaa arvioimaan hapensaantia ja hengityksen poikkeavuuksia. [56], [57]
5.2 Tutkimuksen tavoite ja tutkimuskysymykset
Tutkimuksen tavoitteena on selvittää unen laadun ja fysiologisten palautumismit-
tareiden yhteyttä urheilijan palautumiseen ja suorituskykyyn sekä tarkastella Oura-
sormuksen ja Suunto-urheilukellon mittaustulosten yhteneväisyyttä ja eroja. Näiden
kahden laitteen vertailu tarjoaa näkökulmaa siihen, miten luotettavasti eri teknolo-
giat mittaavat urheilijoiden palautumista ja unen laatua.
Tutkielmassa suoritettava empiirinen tutkimus pyrkii vastaamaan seuraaviin tut-
kimuskysymyksiin:
1. Miten eri mittarit, kuten unen vaiheet, HRV ja syke, ovat yhteydessä toisiinsa?
2. Miten nämä mittarit heijastavat subjektiivisia kokemuksia palautumisesta ja
vireystilasta?
3. Miten samankaltaisia tuloksia saadaan Suunto 9 Peak Pro -urheilukellolla ja
Oura-sormuksella unen ja fysiologisten palautumismittareiden osalta?
Vastaamalla näihin tutkimuskysyyksiin pyritään syventämään ymmärrystä unen
ja palautumisen merkityksestä urheilijoiden suorituskyvylle. Lisäksi tutkimus tarjo-
aa mahdollisuuden tarkastella kirjallisuudessa esitettyjä unen ja palautumisen yh-
teyksiä urheilijan suorituskykyyn. Tutkimuksessa tarkastellaan seuraavia hypoteese-
ja: unen kesto ja laatu ovat yhteydessä seuraavan päivän vireystilaan ja subjektiivi-
seen palautumisen kokemukseen, HRV:n ja sykevaihteluiden ajatellaan olevan käyt-
tökelpoisia mittareita palautumistilan ja harjoitusvalmiuden ennakoinnissa, Suunto
5.3 AINEISTONKERUU JA KÄSITTELY 25
9 Peak Pro ja Oura Ring 4 tuottavat samansuuntaisia tuloksia unen kestosta ja syk-
keestä, mutta mahdollisesti eroavat unen vaiheiden mittauksessa, sillä Oura mittaa
unen parametreja Suunnon kelloa laajemmin.
5.3 Aineistonkeruu ja käsittely
Aineisto kerättiin kahden viikon mittausjaksolla, jonka aikana tehtiin päivittäiset
mittaukset Suunto Peak Pro 9 -urheilukellolla ja Oura Ring 4 -sormuksella. Mit-
tausjaksoksi valittiin kaksi viikkoa, sillä sen ajateltiin riittävän datan keräämisen
unen, palautumisen ja harjoittelun trendien tarkastelemiseksi. Tämä ajanjakso on
riittävän pitkä paljastaakseen yhtäläisyyksiä unen laadun ja palautumisen välillä,
mutta samalla tarpeeksi lyhyt, jotta mittaukset voidaan toteuttaa yhden harjoitus-
jakson aikana. Mittausaika ajoitettiin tarkasti urheilijan harjoitusohjelman mukaan,
jolloin saatiin kattava otos eri kuormitustasojen vaikutuksesta. Kerättävät ja ana-
lysoitavat muuttujat on esitetty taulukossa 1.
Taulukko 1: Kerättävät muuttujat. Ensimmäisessä sarakkeessa (vasemmalla), kuva-
taan muuttuja, seuraavassa sen mittayksikkö, kolmannessa sarakkeessa tiedon saa-
tavuus tutkimuksessa käytettyjen puettavien sensorien osalta ja viimeisessä sarak-
keessa (oikealla) lyhyt kuvaus muuttujan yhteydestä urheilijan palautumiseen ja
suorituskykyyn luvuissa 2–4 esitetyn kirjallisuuskatsauksen perusteella.
Mittari Mittayksikkö Laite Kuvaus
Unen kesto Aika (h ja min) Molemmat Unen keston on katsottu olevan yh-
teydessä palautumiseen ja suoritusky-
kyyn.
Kevyt uni Aika (h ja min) Oura Kevyt uni vaikuttaa erityisesti hermos-
ton palautumiseen ja rentoutumiseen.
Syvä uni Aika (h ja min) Molemmat Syvä uni on tärkeää fyysiselle palautu-
miselle ja lihasten korjautumiselle sekä
immuunijärjestelmän palautumiselle.
REM-uni Aika (h ja min) Oura REM-uni on tärkeä kognitiiviselle pa-
lautumiselle.
5.3 AINEISTONKERUU JA KÄSITTELY 26
Mittari Mittayksikkö Laite Kuvaus
Nukahtamisviive Minuutit (min) Oura Uneen siirtymisen ajalla voi olla yhteys
stressitasoihin ja palautumiskykyyn.
Unen tehokkuus Suhteellinen
osuus (0–100)
Oura Kertoo kuinka paljon sängyssä viete-
tystä ajasta on unta.
Aika hereillä Aika (h ja min) Molemmat Heräily kesken unien saattaa heikentää
unen laatua ja hidastaa palautumista.
Unenlaatu Pistemäärä (0–
100)
Molemmat Kertoo unen laadusta verrattuna
omaan normaalitasoon.
Yön keskisyke Lyönnit / min Molemmat Yöllinen keskisyke kertoo levon ja pa-
lautumisen tasosta.
Yön alin syke Lyönnit / min Molemmat Yön alin syke kertoo levon ja palautu-
misen tasosta.
HRV ms Molemmat Kertoo palautumisen tasosta. Oura
vertaa edellisen kahden viikon keskiar-
voa edellisen kolmen kuukauden kes-
kiarvoon. Korkea HRV viittaa yleensä
hyvään palautumistilaan.
Hengitystiheys Hengityksiä /
min
Oura Kertoo terveydentilasta ja keuhkojen
palautumisesta. Heijastaa koko kehon
palautumistilaa.
Subjektiivinen
unen laatu
Asteikko 1–10 Itseraportointi Oma arvio unen laadusta tuo tut-
kimukseen subjektiivisen näkökulman,
kun arvio kirjataan ylös ennen laittei-
den lukemien tarkastelua.
Subjektiivinen vireystila Asteikko 1–10 Itseraportointi Aamulla kirjattu arvio vireystilasta on
hyvä lisä palautumisen arviointiin.
Päivän harjoitusten
kuormittavuus
Subjektiivinen
asteikko 1–10
sekä Suunnon
Training Stress
Score (TSS)
Itseraportointi
ja Suunto Peak Pro 9
Arvio harjoittelun kuormittavuudesta
auttaa vertaamaan päivän rasituksen
vaikutusta uneen ja palautumiseen.
Laitteet asetettiin paikoilleen ajoissa muutamaa tuntia ennen nukkumaanme-
noa, sillä pyrkimys oli välttää mahdolliset virheelliset mittaukset. Kello asetettiin
oikeaan ranteeseen ja sormus vasempaan etusormeen, ja kumpikin laite pidettiin
paikallaan koko yön ajan. Suunto-kelloa käytettiin lisäksi harjoitusten kuormitta-
5.3 AINEISTONKERUU JA KÄSITTELY 27
vuuden mittaamiseen, ja sen antamat tiedot yhdistettiin koehenkilön subjektiivisiin
arvioihin.
Harjoitusten kuormittavuutta arvioitiin Suunnon käyttämän Training Stress Sco-
re (TSS) -menetelmän avulla, joka huomioi harjoituksen keston ja intensiteetin [59].
TSS perustuu anaerobiseen kynnykseen ja sykkeen intensiteettivyöhykkeisiin, ja sen
avulla voidaan tarkastella sekä lyhyt- että pitkäaikaisia harjoittelun kuormitusta-
soja [59]. Harjoitusten subjektiivista kuormittavuutta arvioitiin käyttäen asteikkoa,
jossa arvo 0 vastaa täydellistä lepoa ja arvo 10 maksimaalista fyysistä kuormitusta.
Väliarvot kuvaavat kuormittavuuden nousua asteittain; esimerkiksi arvo 3 tarkoit-
taa kohtalaista kuormitusta, jossa puhuminen on vielä helppoa ja arvo 7 tarkoittaa
erittäin raskasta kuormitusta, jossa keskustelu on jo vaikeaa. Kuormittavuusasteik-
ko on esitetty taulukossa 2. Harjoitusten kuormittavuus arvioitiin heti suorituksen
jälkeen katsomatta TSS-arvoa. Kuormittavuuden seurannan lisäksi jokaisena mit-
tauspäivänä koehenkilö kirjasi heti heräämisen jälkeen subjektiiviset kokemuksensa
vireystilasta ja unenlaadusta. Arviot tehtiin asteikolla 1–10, jossa 1 kuvaa huonointa
ja 10 parasta kokemusta. Arvio tehtiin ennen sovelluksien tarjoamien lukuarvojen
katsomista, jotta sovellusten antamat tiedot eivät vaikuttaisi koehenkilön subjektii-
viseen arvioon.
Mittausjakso toteutettiin vaihtelevissa olosuhteissa. Ensimmäinen viikko vietet-
tiin harjoitusleirillä ulkomailla, jonka aikana harjoittelun kuormittavuus oli selkeäs-
ti normaalia korkeampi. Harjoitusleirin jälkeen seurasi pitkä ja kehoa kuormittava
matkustuspäivä takaisin Suomeen. Mittausta jatkettiin Suomessa toisen viikon ajan,
jolloin harjoittelun kuormitusta oli kevennetty palautumisen edistämiseksi. Mittaus-
jakso mahdollisti näin unen ja palautumisen tarkastelun erityyppisissä ympäristöissä
ja eri kuormitustasoilla.
5.4 ANALYYSIMENETELMÄT 28
Taulukko 2: Asteikko harjoitusten kuormittavuuden arvioimiseen. Koehenkilö arvioi
jokaisen mittausjaksolla suoritetun harjoituksen käyttämällä taulukossa kuvattua
asteikkoa.
Arvo Kuvaus
0 Ei kuormitusta, lepo
1 Hyvin kevyt, esimerkiksi rauhallinen kävely
2 Kevyt, hengittäminen helppoa
3 Kohtalainen, kuormitus havaittavissa mutta puhuminen helppoa
4 Melko raskas, ponnistelu alkaa tuntua
5 Raskas, vaativa mutta hallittava
6 Hyvin raskas, keskittyminen kuormittavaa
7 Erittäin raskas, keskustelu vaikeaa
8 Äärimmäisen raskas, lihakset kuormittuvat voimakkaasti
9 Lähes maksimaalinen kuormitus
10 Maksimaalinen kuormitus, äärimmäinen ponnistus
Mittausten aikana kerätty data tallentui päivittäin molempien laitteiden omiin
sovelluksiin, joista se on mahdollista tallentaa erikseen analysoitavaksi. Data kä-
siteltiin CSV-muodossa sen jälkeen, kun tiedot ladattiin sovelluksista ulos. Ennen
analyysien suorittamista data esikäsiteltiin. Datan aikaleimat muunnettiin datetime-
muotoon Pandas-kirjaston avulla, mikä mahdollisti mittaustulosten synkronoinnin
eri laitteiden välillä. Lisäksi kaikki ajat, jotka oli alun perin tallennettu muotoon
“hh:min”, muunnettiin kokonaisiksi tunneiksi.
5.4 Analyysimenetelmät
Tutkimuksessa analysoitiin unen ja palautumisen välisiä yhteyksiä sekä laitteiden
antamien mittaustulosten yhteneväisyyksiä korrelaatioanalyysillä. Jatkuvien muut-
5.4 ANALYYSIMENETELMÄT 29
tujien välisiä yhteyksiä tarkasteltiin Pearsonin korrelaatiokertoimella. Vastaavas-
ti jatkuvan muuttujan ja järjestysasteikollisen muuttujan välistä yhteyttä tarkas-
teltiin Spearmanin järjestyskorrelaatiokertoimella. Analyysit suoritettiin Python-
ohjelmointikielellä (versio 3.11), käyttäen seuraavia kirjastoja: Pandas, NumPy, Sci-
Py, Seaborn ja Matplotlib. Koodit ovat saatavilla GitLab-repositoriossa.
Empiirisen tutkimuksen 1. kysymyksen tarkastelemiseksi analyysit suoritettiin
laitteen sisäisesti eli saman laitteen mittaamia mittauksia verrattiin toisiinsa. Ky-
symyksen 2 kohdalla kummankin laitteen tuottamia mittaustuloksia verrattiin koe-
henkilön raportoimiin subjektiivisiin mittauksiin ja kysymyksen 3 selvittämiseksi
analyysit suoritettiin laskemalla korrelaatio samalle muuttujalle laitteiden välillä.
Datan visualisoinnissa käytettiin lämpökarttaa (engl. heatmap), joka havainnol-
listaa muuttujien välisten korrelaatiokertoimien suuruutta ja suuntaa. Korrelaatio-
matriisi esitettiin graafisesti väriasteikon avulla, jossa vahvat positiiviset korrelaatiot
(lähellä +1) ja vahvat negatiiviset korrelaatiot (lähellä -1) korostuvat.
6 Tulokset
Tässä luvussa esitetään tutkielmassa suoritetun empiirisen tutkimuksen keskeiset
tulokset, jotka on jaoteltu kolmeen osioon. Oura Ring 4 -älysormuksen tulokset unen
keston, eri unen vaiheiden sekä fysiologisten mittausten osalta esitetään luvussa
6.1 ja vastaavat Suunto Peak Pro 9 -urheilukellolla mitatut tulokset luvussa 6.2.
Laitteiden välisten mittausten yhtenevyyttä tarkastellaan luvussa 6.3.
6.1 Oura Ring 4
Kokonaisunen kestolla havaittiin voimakas positiivinen korrelaatio kevyen unen kes-
ton (r = 0.86) ja REM-unen keston (r = 0.66) kanssa 4. Syvän unen kesto ja koko-
naisunen kesto sen sijaan korreloivat vain heikosti (r = 0.29). Lisäksi kokonaisunen
kesto oli kohtalaisen positiivisesti yhteydessä HRV:hen (r = 0.54) ja negatiivisesti
sykkeen (r = -0.47) kanssa. REM-unella havaittiin huomattava positiivinen korrelaa-
tio HRV:n kanssa (r = 0.72) ja lähes saman suuruinen negatiivinen yhteys sykkeen
kanssa (r = -0.69).
Hengitystiheyden ja unen vaiheiden väliset yhteydet olivat heikompia. Syvän
unen ja hengitystiheyden välillä havaittiin kohtalainen korrelaatio (r = 0.35), kun
taas kokonaisunen keston ja hengitystiheyden välillä yhteys oli heikko ja negatiivinen
(r = -0.27). REM-unen ja hengitystiheyden välillä havaittiin kohtalainen korrelaatio
(r = -0.33). Myös kevyen unen ja hengitystiheyden välillä yhteys oli samansuuruista
(r = -0.32).
6.1 OURA RING 4 31
Kuva 4: Pearsonin korrelaatiomatriisi. Oura-sormuksen jatkuvien muuttujien väliset
korrelaatiot unen keston, unen vaiheiden ja fysiologisten mittareiden välillä. Matrii-
sista voidaan havaita selkeitä yhteyksiä, kuten kokonaisunen keston ja kevyen unen
vahva positiivinen korrelaatio (r = 0.86) sekä REM-unen ja HRV:n välinen positiivi-
nen korrelaatio (r = 0.72). Sen sijaan esimerkiksi HRV korreloi negatiivisesti sykkeen
kanssa (r = -0.91). Matriisissa vahvat positiiviset ja negatiiviset korrelaatiot on esi-
tetty väriasteikolla. Punainen väri kuvaa positiivista korrelaatiota ja sininen väri
negatiivista.
Fysiologisten mittareiden välillä havaittiin useita voimakkaita ja huomattavia
keskinäisiä korrelaatioita. HRV:n ja yön keskisykkeen välinen korrelaatio oli voi-
makkaasti negatiivinen (r = -0.91) ja vastaavasti alimman sykkeen kanssa huomat-
tavan negatiivinen (r = -0.79). Hengitystiheys oli kohtalaisen negatiivisesti yhtey-
dessä HRV:hen (r = -0.41) ja unen tehokkuuteen (r = -0.38), mutta huomattavan
positiivisesti keskisykkeeseen (r = 0.68). Lisäksi alin syke ja HRV olivat huomatta-
van negatiivisesti korreloituneita (r = -0.79).
6.1 OURA RING 4 32
Kuva 5: Spearmanin korrelaatiomatriisi. Koehenkilön subjektiivisten arvioiden ja
Ouran fysiologisten mittareiden väliset korrelaatiot. Matriisi havainnollistaa subjek-
tiivisen unenlaadun ja vireystilan yhteyttä unen ja fysiologisten mittareiden arvoi-
hin. Korkeat positiiviset ja negatiiviset arvot osoittavat vahvoja yhteyksiä. Esimer-
kiksi subjektiivinen vireystila korreloi positiivisesti kevyeen uneen ja HRV:hen, kun
taas sykkeen ja hengitystiheyden välillä havaitaan negatiivinen korrelaatio. Positii-
vista korrelaatiota on kuvattu punaisella värillä ja negatiivista sinisellä.
Subjektiivisten arvioiden ja fysiologisten mittareiden välillä korrelaatiot olivat
pääasiassa heikkoja (kuva 5). Unen subjektiivisesti koettu laatu ei korreloinut mer-
kittävästi unen kestoon (r = 0.06), mutta subjektiivinen vireystila oli kohtalaisesti
yhteydessä kevyeen uneen (r = 0.45) sekä HRV:hen (0.30). Lisäksi subjektiivinen
vireystila ja syke korreloivat negatiivisesti (r = -0.47).
Subjektiivinen harjoituskuorman arvio korreloi kohtalaisesti syvän unen (r =
0.31) ja heikon negatiivisesti REM-unen keston kanssa (r = -0.23). Sykkeen kanssa
korrelaatio oli positiivinen (r = 0.23), samoin hengitystiheyden kanssa (r = 0.17).
Yhteydet olivat kuitenkin suhteellisen heikkoja. HRV:n ja subjektiivisen harjoitus-
kuorman välillä ei havaittu merkittävää yhteyttä (r = -0.02). Lisäksi subjektiivisen
harjoituskuorman ja unen tehokkuuden välinen korrelaatio oli heikko (r = -0.25).
6.2 SUUNTO 9 PEAK PRO 33
6.2 Suunto 9 Peak Pro
Suunto 9 Peak Pro -mittauksissa kokonaisunen kesto oli huomattavan positiivisesti
yhteydessä syvän unen kestoon (r = 0.79) ja negatiivisesti hereilläoloaikaan (r =
-0.59). Korrelaatiot on esitetty kuvassa 6. Kokonaisunen kesto oli kohtalaisesti yh-
teydessä HRV:hen (r = 0.51) sekä negatiivisesti sykkeeseen (r = -0.30). Syvän unen
ja HRV:n korrelaatio oli kohtalainen (r = 0.38), mutta syvän unen ja alhaisimman
sykkeen välillä yhteys oli heikosti negatiivinen (r = -0.18). Lisäksi HRV:n ja sykkeen
välillä havaittiin voimakas negatiivinen korrelaatio (r = -0.92).
Kuva 6: Pearsonin korrelaatiomatriisi. Suunto 9 Peak Pro -urheilukellon jatkuvien
muuttujien väliset korrelaatiot unen keston, unen vaiheiden ja fysiologisten mitta-
reiden välillä. Kuvasta havaitaan merkittäviä yhteyksiä, kuten kokonaisunen keston
ja syvän unen vahva positiivinen korrelaatio (r = 0.79) sekä hereilläoloajan ja sy-
vän unen negatiivinen korrelaatio (r = -0.80). Matriisi havainnollistaa myös HRV:n
ja sykkeen välistä vahvaa negatiivista yhteyttä (r = -0.92). Punainen väri kuvastaa
positiivista korrelaatiota ja sininen negatiivista.
6.2 SUUNTO 9 PEAK PRO 34
Kuva 7: Spearmanin korrelaatiomatriisi. Suunto 9 Peak Pro -urheilukellon subjektii-
visten arvioiden ja fysiologisten mittareiden väliset korrelaatiot. Matriisista voidaan
havaita esimerkiksi subjektiivisen unenlaadun ja HRV:n negatiivinen korrelaatio (r
= -0.63). Vastaavasti subjektiivinen harjoituskuorman arvio korreloi vahvasti objek-
tiivisesti mitatun harjoituskuorman (TSS) kanssa (r = 0.74). Positiivista korrelaa-
tiota on kuvattu punaisella ja negatiivista sinisellä.
Harjoituskuorman (TSS) ja unen välillä havaittiin pääasiassa heikkoja ja kohta-
laisia yhteyksiä. TSS korreloi positiivisesti syvän unen (r = 0.22) ja sykkeen (yön
keskisyke: r = 0.30, yön alin syke: 0.27) kanssa, kun taas sen yhteys hereilläoloaikaan
oli negatiivinen (r = -0.23). HRV:llä sen sijaan ei havaittu olevan merkittävää yhteyt-
tä TSS:n kanssa (r = -0.05). Subjektiivisten arvioiden ja objektiivisten mittareiden
välillä oli joitakin huomattavia yhteyksiä (kuva 7). Subjektiivinen unenlaatu oli ne-
gatiivisesti korreloitunut sykkeen kanssa (r = -0.63) ja positiivisesti HRV:n kanssa
(r = 0.61). Subjektiivinen harjoituskuorman arvio oli yhteydessä kellon tuottaman
TSS:n kanssa (r = 0.74).
6.3 SUUNNON JA OURAN VERTAILU 35
6.3 Suunnon ja Ouran vertailu
Ouran ja Suunnon mittaustulosten välillä havaittiin vaihtelevaa samankaltaisuutta
eri muuttujien osalta. Vertailussa huomioitiin vain ne muuttujat, jotka olivat saa-
tavilla molemmista laitteista: kokonaisunen kesto, syvän unen kesto, yön keskisyke,
yön alin syke ja sykevälivaihtelu. Laitteiden välistä vertailua on havainnollistettu
kuvassa 8.
Kuva 8: Suunnon ja Ouran mittaustulosten väliset korrelaatiot. Matriisi havainnol-
listaa, miten samojen fysiologisten ja subjektiivisten mittareiden tulokset korreloivat
laitteiden välillä. Koska diagonaalilla korrelaatiot ovat positiivisia, laitteiden anta-
mat lukemat ovat samansuuntaisia. Etenkin syketietojen osalta mittaustulokset ovat
linjassa keskenään, mutta unen osalta yhteys on heikompaa. Diagnonaalin ulkopuo-
lella olevat arvot tulee suhteuttaa aiemmissa luvuissa esiteltyihin laitteen sisäisiin
arvoihin
Kaikki korrelaatiot olivat positiivisia (diagonaali kuvassa 8). Kokonaisunen kes-
ton osalta laitteiden välinen korrelaatio oli huomattava (r = 0.69). Fysiologisten pa-
6.3 SUUNNON JA OURAN VERTAILU 36
rametrien arvot olivat laitteiden välillä yhtenäisiä. Keskimääräisen sykkeen ja alim-
man sykkeen korrelaatiot olivat vahvoja (yön keskisyke: r = 0.98 ja yön alin syke: r
= 0.91) eli laitteet tuottivat lähes identtisiä mittaustuloksia. Myös HRV:n korrelaa-
tio oli vahva (r = 0.94). Merkittävin poikkeama löytyi syvästä unesta. Syvän unen
osalta laitteiden välinen korrelaatio oli muihin muuttujiin nähden heikko (r = 0.28).
Myös diagonaalin ulkopuolella laitteiden välillä voidaan havaita eroja syvän unen
osalta: Suunnolla keskisykkeen ja alimman sykkeen yhteys syvään uneen on nega-
tiivinen, kun taas Ouralla positiivinen, joskin korrelaatiot ovat merkityksettömiä.
Myös Suunnon HRV on selvemmin yhteydessä syvään uneen kuin Ouran.
7 Johtopäätökset
Urheilijat hyödyntävät puettavia sensoreita palautumisensa seurannassa arjessa.
Tutkimuksen tavoitteena oli selvittää, voivatko puettavat sensorit todella auttaa ur-
heilijoiden palautumisen seurannassa ja optimoinnissa, kuinka tarkkoja niiden mit-
taukset ovat verrattuna kliinisiin menetelmiin ja millaisia haasteita niiden käyttöön
liittyy. Työssä suoritetun kirjallisuuskatsauksen perusteella (luvut 2, 3 ja 4) on tun-
nistettu useita unen, fysiologisten mittausten sekä palautumisen välisiä yhteyksiä,
jotka puoltavat puettavien sensorien käyttöä palautumisen optimoinnissa. Puetta-
vat älylaitteet mahdollistavat suhteellisen tarkan palautumisen seurannan verrat-
tuna kliinisiin laboratoriossa suoritettaviin mittauksiin. Ne pystyvät mittaamaan
muun muassa sykettä, sykevälivaihtelua, hengitystiheyttä ja unen eri vaiheita, joita
kaikkia käytetään palautumisen arvioinnissa.
Vaikka puettavat sensorit tarjoavat arvokasta tietoa palautumisesta, niiden mit-
taustarkkuus ei täysin vastaa polysomnografiaa (luku 3.3). Altinin ja Kinnusen tut-
kimus [44] osoittaa, että Ouran mittaustarkkuus (96%) on huomattavan korkea,
vaikkei ylläkään täysin PSG:n tasolle. Scott ym. [60] osoitti, että puettavista äly-
laitteista PPG- ja HRV-perusteiset laitteet olivat tarkimpia unen seurannassa, mut-
ta laitteiden välillä on edelleen algoritmien eroavaisuuksista, mittausteknologioiden
vaihtelusta sekä yksilökohtaisista tekijöistä johtuvia eroja. Myös tässä tutkimukses-
sa havaittiin laitteiden välisiä eroja, erityisesti Suunnon ja Ouran välillä unen kes-
ton ja fysiologisten mittareiden osalta. Näiden haasteiden vuoksi käyttäjien on syytä
7.1 UNEN YHTEYS PALAUTUMISEEN 38
tarkastella mittaustuloksia kriittisesti ja yhdistää ne subjektiivisiin tuntemuksiin se-
kä muihin palautumista kuvaaviin mittareihin, kuten harjoituskuorman seurannan
arvoihin, jotta palautumisen seurannasta saadaan mahdollisimman hyödyllistä ja
luotettavaa.
7.1 Unen yhteys palautumiseen
Tässä työssä suoritetussa empiirisessä tutkimuksessa havaittiin unen vaiheiden ja
fysiologisten parametrien välillä useita systemaattisia yhteyksiä, jotka tukevat ai-
empia löydöksiä unen palauttavasta merkityksestä sekä autonomisen hermoston ta-
sapainosta. Unen eri vaiheiden jakautuminen yön aikana vaikuttaa palautumispro-
sesseihin, ja aiempi tutkimus on osoittanut unen optimoinnin keskeisen merkityksen
urheilijoiden suorituskyvylle [1]. Tässä tutkimuksessa havaittiin pidemmän unen liit-
tyvän autonomisen hermoston tehokkaampaan palautumistilaan ja unen eri vaihei-
den tasapainoon. Näiden havaintojen perusteella puettavat älylaitteet voivat tarjota
käyttökelpoista tietoa unen ja palautumisen seurannassa.
Unen keston ja eri univaiheiden välillä havaittiin systemaattinen yhteys. Pidempi
uni mahdollisti univaiheiden kehittymisen ja tasapainoisen jakautumisen yön aikana.
Tämä havainto on linjassa unen fysiologian tunnettujen periaatteiden kanssa (luku
3.1). REM-unen osuus kasvaa yleensä yön edetessä, ja syvän unen jaksoja esiintyy
enemmän unen alkuvaiheessa [1].
Pidempi kokonaisunen kesto mahdollistaa enemmän syvän unen jaksoja ja vä-
hentää unenaikaista heräilyä, mikä parantaa unen tehokkuutta ja vähentää sen kat-
koanisuutta. Koska unen tehokkuus on yksi hyvän unenlaadun kriteereistä, voidaan
pidemmän unen katsoa edesauttavan palautumista. Tour de Francen aikana ammat-
tipyöräilijöille toteutetussa tutkimuksessa havaittiin pidemmän unen keston olevan
yhteydessä parempaan fysiologiseen palautumiseen [61], mikä korostaa unen mer-
kitystä urheilijan suorituskyvyn kannalta. Tulokset vahvistavat, että unen määrä
7.1 UNEN YHTEYS PALAUTUMISEEN 39
ja laatu ovat yhteydessä autonomisen hermoston tasapainoon ja tukevat urheilijan
palautumista.
Unen kokonaiskesto ja univaiheet olivat myös merkittävässä yhteydessä fysiolo-
gisiin palautumismittareihin. Pidempi uni oli yhteydessä korkeampaan sykevälivaih-
teluun ja matalampaan sykkeeseen, mikä indikoi tehokkaampaa parasympaattisen
hermoston toimintaa ja parempaa palautumista [1], [14]. Li ym. [51] on osoittanut,
että HRV:n unenaikainen nousu kertoo kehon kyvystä edistää palautumista sekä
stressiin sopeutumista. Matala HRV puolestaan on yhteydessä huonoon unenlaa-
tuun ja heikentää merkittävästi urheilijan suorituskykyä laskemalla harjoitusvirettä
sekä palautumistilaa [14].
HRV:n ja sykkeen välillä havaittiin vahva negatiivinen yhteys, mikä tukee ai-
empia havaintoja autonomisen hermoston toiminnasta. Korkeampi HRV liittyi ma-
talampaan sykkeeseen ja parempaan palautumiseen, mikä vastaa Chalmersin ym.
tutkimusnäyttöä [14]. REM-unella havaittiin vahva positiivinen yhteys HRV:hen ja
vastaavasti negatiivinen yhteys sykkeeseen, mikä viittaa REM-unen olevan keskeinen
univaihe palautumisen kannalta. Tämä havainto on yhtenevä Sargentin ym. [61] tut-
kimuksen kanssa: palautuminen näkyi ammattipyöräilijöillä matalampana sykkeenä
ja korkeampana HRV-arvona erityisesti kevyiden ja vähemmän kuormittavien kil-
pailupäivien jälkeen.
Hengitystiheys oli negatiivisesti yhteydessä REM-unen kestoon ja vastaavasti po-
sitiivisesti yhteydessä syvän unen kestoon. Tutkimuksessa oli kuitenkin käytettävissä
vain koko yön aikainen keskimääräinen hengitystiheys, eikä eri univaiheiden aikaista
hengitystiheyttä voida näin ollen eritellä. Yleisesti kuitenkin hengityksen ajatellaan
olevan epäsäännöllistä REM-unen ja rauhallisempaa syvän unen aikana [62]. Altinin
ja Kinnusen tutkimuksessa havaittiin, että hengitystiheyden ja muiden autonomi-
sen hermoston signaalien analysoiminen parantaa Oura-sormuksen unen vaiheiden
luokittelua [44], eli hengitystiheyden seurannasta voi olla hyötyä palautumisen ar-
7.1 UNEN YHTEYS PALAUTUMISEEN 40
vioinnissa. Lisäksi korkeampi hengitystiheys oli yhteydessä matalampaan HRV:hen
sekä huonompaan unen tehokkuuteen, mikä viittaa palautumisen olevan heikompaa
hengitystiheyden ollessa koholla. Hengitystiheyden ja sykkeen (keskimääräinen ja
leposyke) välinen positiivinen yhteys puolestaan tukee havaintoa hengitystiheyden
liittymisestä korkeampaan kuormitustilaan tai kehon aktiivisuustasoon unen aikana
[15]. Löydösten perusteella urheilija voisi siis hyödyntää hengitystiheyttä arvioimaan
sen hetkistä palautumistilaa ja kuormitustasoa, korkeamman hengitystiheyden tar-
koittaessa kehon kuormittuneisuutta ja mahdollisesti alipalautuneisuutta.
Subjektiivisten palautumisarvioiden yhditäminen fysiologisiin mittareihin tarjo-
aa holistisemman kuvan palautumisen tilasta [47]. Tässä tutkimuksessa havaittiin
subjektiivisten arvioiden ja fysiologisten mittareiden välisten yhteyksien olevan pää-
asiassa heikkoja, mikä on linjassa aiempien tutkimusten kanssa [48], [63]. Esimer-
kiksi subjektiivisen unenlaadun ja kokonaisunen keston välinen yhteys oli heikko,
mikä viittaa siihen, ettei unen kesto yksinään määritä unen koettua laatua. Muita
vaikuttavia tekijöitä voivat olla unen katkonaisuus sekä syvän unen osuus. Kevyen
unen kesto oli kuitenkin selvästi yhteydessä parempaan subjektiiviseen vireystilaan,
mikä voi kertoa riittävän kevyen unen tukevan hermoston rentoutumista ja palau-
tumista, mikä on suoraan yhteydessä urheilijan suorituskykyyn. Toisaalta tämä voi
myös johtua siitä, että koehenkilö heräsi useimmiten kevyestä unesta, jolloin olo
herätessä oli virkeämpi kuin syvästä unesta herätessä. Subjektiivinen vireystila oli
yhteydessä myös kohtalaisesti HRV:hen sekä sykkeeseen, mikä viittaa autonomisen
hermoston paremman palautumisen heijastuvan myös parempaan koettuun vireys-
tilaan. Tämä vahvistaa käsitystä HRV:n hyödyllisyydestä palautumisen arvioinnissa
niin fysiologisesta kuin subjektiivisestakin näkökulmasta [58].
Suunto 9 Peak Pro:lla mitatun harjoituskuormituksen ja syvän unen välillä ha-
vaittiin positiivinen yhteys, mikä viittaa harjoituskuormituksen nousun lisäävän sy-
vän unen määrää. Samalla yöllinen hereilläoloaika lyheni, mikä saattaa tarkoittaa
7.2 OURAN JA SUUNNON VERTAILU 41
unen olevan levollisempaa kehon ollessa suuremman harjoituskuorman alla. Nämä
havainnot tukevat aiempaa käsitystä fyysisen kuormituksen vaikutuksesta univai-
heisiin ja palautumiseen [1], [61], [64]. Harjoituskuorman vaikutukset uneen voivat
kuitenkin olla yksilöllisiä. Tässä tutkimuksessa unen laatu parani kuorman kasvaes-
sa, mutta Exelin ja Dabnichkin [64] mukaan korkea kuormitus on yhteydessä alen-
tuneeseen unenlaatuun, erityisesti kokonaisrasituksen ollessa korkea. Tämä korostaa
kuormituksen hallinnan merkitystä urheilijan optimaalisen palautumisen kannalta.
Subjektiivisen harjoituskuorman arviot olivat linjassa objektiivisen TSS-mittauksen
kanssa, mikä viittaa älylaitteen soveltuvan kuormitustason ja sitä kautta palautu-
neisuuden arviointiin.
7.2 Ouran ja Suunnon vertailu
Vaikka Ouran ja Suunnon mittaustulokset olivat pääosin samansuuntaisia, havait-
tiin niiden välillä myös selkeitä eroja. Vertailu paljasti mittausteknologioiden yhte-
neväisyyksiä ja eroavaisuuksia unen, fysiologisten mittareiden ja harjoituskuorman
osalta. Lisäksi subjektiivisten arvioiden yhteydet laitteiden tuottamiin mittauksiin
erosivat osittain toisistaan.
Merkittävimmät erot laitteiden välillä liittyvät mittauspaikkaan ja algoritmeihin:
Oura mittaa sormesta ja Suunto ranteesta. Ouran unen algoritmi on kattavampi,
sillä se kattaa kaikki NREM-unen vaiheet ja REM-unen, kun taas Suunto mittaa
vain kokonaisunen kestoa, syvää unta ja hereilläoloaikaa. Tämä voi selittää Suunnon
lyhyemmän kokonaisunen keston, sillä osa kevyestä unesta ja REM-unesta saatetaan
tulkita hereilläoloajaksi. Tutkimuksessa havaitut erot ovat linjassa Henriksenin ym.
[63] sekä Topalidiksen ym. [9] tutkimusten kanssa. Molemmat toteavat puettavien
laitteiden mittaavan unta tarkasti, mutta univaiheiden tunnistamisen vaihtelevan eri
laitteiden välillä.
Eroavaisuuksia havaittiin myös syvän unen mittaamisessa. Suunnon mittauksis-
7.2 OURAN JA SUUNNON VERTAILU 42
sa kokonaisunen ja syvän unen välillä oli vahva yhteys, kun taas Ouran mittauksissa
tämä yhteys oli huomattavasti heikompi. Tämä indikoi laitteiden määrittävän sy-
vän unen eri tavoin. Ero saattaa johtua esimerkiksi siitä, ettei syvän unen määrä
kasva suoraviivaisesti unen pidentyessä tai siitä, että Oura painottaa eri fysiologisia
tekijöitä syvän unen tunnistuksessa.
Myös syvän unen ja sykkeen välinen suhde poikkesi laitteiden välillä. Suunnon
mittauksissa syvän unen kasvaessa yön alin syke laski, kun taas Ouralla yhteys oli
päinvastainen. Tämä viittaa jo todettuihin eroihin laitteiden käyttämissä algorit-
meissa, jotka määrittävät syvän unen ajanjakson eri perustein. Sargentin ym. [61]
tutkimus antaa viitteitä siitä, että syke ja HRV reagoivat eri tavoin unen eri vaihei-
siin. Jos Oura ja Suunto mittaavat univaiheita eri tavoin, tämä voi osittain selittää
havaitut erot ja myös sen, miksi syketiedoissa esiintyy eroja, vaikka ne olisivat ajal-
lisesti synkronoituja.
Joka tapauksessa päinvastaiset korrelaatiot herättävät kysymyksiä laitteiden mit-
taustarkkuudesta. Jos urheilijalla on käytössään vain yksi palautumista mittaava lai-
te, voidaanko sen tuloksiin täysin luottaa? Kahden laitteen datan vertailu auttaa
olemaan kriittisempi ja subjektiivisilla arvioilla voidaan täydentää saatuja mittaus-
tuloksia. Toisaalta myös subjektiivisten arvioiden ja fysiologisten mittarien korrelaa-
tiot olivat Ouralla ja Suunnolla osittain vastakkaisia. Ouralla subjektiivisen unenlaa-
dun ja syvän unen välinen korrelaatio oli positiivinen, mutta Suunnolla negatiivinen.
Subjektiivinen unenlaatu oli myös vahvemmin yhteydessä sykkeeseen Suunnolla kuin
Ouralla. Tämä voi selittyä sillä, että Suunto mittaa vähemmän unta ja enemmän val-
veillaoloaikaa sekä korkeampaa sykettä. Tällöin käyttäjän kokemus huonosta unesta
vastaa tarkemmin mitattua fysiologista tilaa, mikä voi osaltaan selittää, miksi sub-
jektiivisen arvioinnin ja syketietojen välinen yhteys Suunnolla korostuu. Toisaalta
Suunnon tulokset nimenomaan korostavat subjektiivisten mittarien hyödyntämistä
puettavien sensorien rinnalla palautumistilan arvioinnissa.
7.3 TYÖN RAJOITUKSET 43
7.3 Työn rajoitukset
Tässä tutkimuksessa käytetty data perustui yhden koehenkilön mittaustuloksiin,
mikä rajoittaa yleistettävyyttä. Laitteiden väliset erot voivat olla osittain yksilöllisiä,
ja tulokset saattavat vaihdella eri käyttäjien välillä. Tutkimuksesta voidaan vetää
tiettyjä johtopäätöksiä, mutta niiden osalta on oltava kriittinen. Jotta tutkimus olisi
yleistettävämpi, se tulisi toteuttaa uudelleen laajemmalla otannalla.
Toinen keskeinen rajoite on unen vaiheiden määrittämiseen liittyvä epävarmuus.
Eri laitteiden käyttämät algoritmit voivat tuottaa erilaisia tuloksia, erityisesti syvän
unen määrän osalta. Suunnon ja Ouran mittaustulokset erosivat merkittävästi sy-
vän unen ja HRV:n osalta, mikä voi viitata erilaiseen tapaan määrittää univaiheiden
kestoa. Myös harjoituskuormituksen ja unen välisen suhteen tarkempi analysointi
vaatisi laajempaa otantaa ja tilastollista mallinnusta. TSS:n ja harjoittelun vaiku-
tus uneen voi olla yksilöllistä, ja kovempi treenikuorma ei välttämättä aina johda
parempaan uneen. Koehenkilö on tutkimusjaksoa pidemmällä aikavälillä todennut
kovan harjoittelun parantavan tiettyyn pisteeseen asti unen laatuaan, mutta harjoi-
tuskuorman noustessa liian suureksi unen laatu on alkanut kärsiä ja tämä on linjassa
Exelin ja Dabnichkin [64] tutkimuksen kanssa. Sen sijaan kevyemmin harjoitelles-
sa uni on saattanut olla levotonta. Yleinen oletus voisi kuitenkin nimenomaan olla,
että kova harjoittelu johtaa heikkenevään unen tehokkuuteen ja laatuun.
8 Yhteenveto
Tässä tutkielmassa tarkasteltiin puettavien sensorien käyttöä urheilijoiden unen ja
palautumisen seurannassa. Tutkimuksen päätavoitteena oli selvittää, miten nämä
laitteet voivat auttaa palautumisen optimoinnissa ja millaisia haasteita niiden käyt-
töön liittyy. Lisäksi tarkasteltiin puettavien sensorien mittaustarkkuutta verrattuna
kliinisiin menetelmiin. Päätutkimuskysymykset olivat:
1. Miten puettavia sensoreiden unenaikaisia mittauksia voidaan hyödyntää
urheilijan palautumisen seurannassa?
2. Miten unen kesto ja laatu vaikuttavat urheilijan palautumiseen?
3. Miten syke, sykevälivaihtelu ja hengitystiheys ovat yhteydessä unen laatuun?
Tutkimuksessa havaittiin unen keston, univaiheiden sekä arvioidun unen laadun
olevan yhteydessä fysiologisiin palautumismittareihin (tutkimuskysymys 3). Pidem-
pi uni liittyi korkeampaan HRV-arvoon ja matalampaan leposykkeeseen sekä hengi-
tystiheyteen, mikä tukee autonomisen hermoston unenaikaista palautumista. Erityi-
sesti pidempi REM-uni nosti sykevälivaihtelua ja laski leposykettä, mikä korostaa
REM-unen merkitystä palautumiselle. Subjektiivinen arvio unen laadusta oli positii-
visesti yhteydessä Ouralla sekä Suunnolla mitattuun sykevälivaihteluun, ja Ouralla
lisäksi unen tehokkuuteen.
Unen kesto ja laatu vaikuttavat merkittävästi urheilijan palautumiseen, sillä ne
ovat yhteydessä autonomisen hermoston toimintaan ja sitä kautta kehon palautu-
LUKU 8. YHTEENVETO 45
miskykyyn (tutkimuskysymys 2). Kirjallisuuskatsauksen perusteella riittävä uni tu-
kee hermoston tasapainoa, vähentää stressihormonien eritystä ja tehostaa parasym-
paattista aktivaatiota, mikä edistää harjoittelun jälkeistä fyysistä ja psyykkistä toi-
pumista. Pidempi kokonaisuni mahdollistaa enemmän palauttavaa REM- ja syvää
unta, ja unen aikana mitattava korkeampi sykevälivaihtelu sekä matalampi syke ovat
merkkejä tehokkaammasta palautumisesta. Myös tutkimuksen tulokset tukivat näi-
tä havaintoja: sekä Ouralla että Suunnolla pidempi uni oli yhteydessä korkeampaan
sykevälivaihtelun arvoon ja matalampaan leposykkeeseen, ja erityisesti REM-unella
havaittiin vahva positiivinen yhteys HRV:hen. Tämä osoittaa, että laadukas ja riit-
tävän pitkä uni on keskeinen osa urheilijan fysiologista palautumista.
Tutkielman perusteella puettavat sensorit tarjoavat käytännöllisen tavan seurata
urheilijan palautumista unen ja fysiologisten mittareiden avulla (tutkimuskysymys
1). Puettavien älylaitteiden mittaustarkkuudet eivät kuitenkaan täysin vastaa klii-
nisiä menetelmiä ja eri laitteet voivat antaa osittain ristiriitaisia tuloksia. Laitteiden
tuottamiin tietoihin kannattaakin siis suhtautua hieman varauksella, etenkin kun
käytössä on vain yksi laite. Leposykkeen ja sykevälivaihtelun osalta laitteet vaikut-
tavat kuitenkin olevan johdonmukaisia, jolloin urheilija voi käyttää näitä mittareita
arvioidessaan palautumisen tilaansa; matala leposyke ja korkea sykevälivaihtelu ker-
too paremmasta palautumisesta. Arvioita tehtäessä puettavien sensorien mittaus-
tulokset kannattaa kuitenkin suhteuttaa urheilijan omiin aiempiin tuloksiin, sillä
harjoituskuormituksen vaikutuksessa ja eri mittareiden välisissä yhteyksissä saattaa
esiintyä yksilöllistä vaihtelua. Lisäksi älylaitteiden tuottamia palautuneisuusarvioita
voidaan täydentää urheilijan omalla subjektiivisella arviolla, joka olisi hyvä tehdä
ennen laitetietojen tarkastelua. Näin voidaan ehkäistä laitteen antaman palautteen
tiedostamattomia vaikutuksia omaan kokemukseen palautumisesta.
Lähdeluettelo
[1] A. M. Watson, ”Sleep and Athletic Performance”, Current sports medicine
reports, vol. 24, s. 413–418, 2017. doi: 10.1249/JSR.0000000000000418.
[2] M. Kellmann, ”Preventing overtraining in athletes in high-intensity sports and
stress/recovery monitoring”, Scandinavian Journal of Medicine and Science in
Sports, vol. 20, s. 95–102, 2010. doi: 10.1111/j.1600-0838.2010.01192.x.
[3] P. Düking, S. Achtzehn, H. C. Holmberg ja B. Sperlich, ”Integrated framework
of load monitoring by a combination of smartphone applications, wearables
and point-of-care testing provides feedback that allows individual responsi-
ve adjustments to activities of daily living”, Sensors (Switzerland), vol. 18,
s. 1632–, 2018. doi: 10.3390/s18051632.
[4] J. Leppäluoto, R. Kettunen, H. Rintamäki et al., toim., Anatomia ja fysiologia
: rakenteesta toimintaan, 9., uudistettu painos. Helsinki: Sanoma Pro Oy, 2019,
s. 134–135, 328, 346–357, isbn: 978-952-63-4036-4.
[5] E. Haug, ”Sydämen toiminta”, teoksessa Ihmisen fysiologia, O. Sand, K. C.
Toverud, K. Sillman ja Ø. V. Sjaastad, toim., 1.-5. p. Helsinki: Sanoma Pro,
2012, s. 270–277, isbn: 978-952-63-1129-6.
[6] J. A. Waxenbaum, V. Reddy ja M. Varacallo, ”Anatomy, Autonomic Nervous
System”, teoksessa StatPearls (Internet), Treasure Island: StatPearls Publis-
hing, 2023.
LÄHDELUETTELO 47
[7] M. W. Driller, I. C. Dunican, S. E. Omond et al., ”Pyjamas, Polysomnography
and Professional Athletes: The Role of Sleep Tracking Technology in Sport”,
Sports, vol. 11, s. 14–, 2023. doi: 10.3390/sports11010014.
[8] G. M. Migliaccio, J. Padulo ja L. Russo, ”The Impact of Wearable Techno-
logies on Marginal Gains in Sports Performance: An Integrative Overview on
Advances in Sports, Exercise, and Health”, Applied Sciences (Switzerland),
vol. 14, s. 6649–, 2024. doi: 10.3390/app14156649.
[9] P. I. Topalidis, S. Baron, D. P. Heib, E. S. Eigl, A. Hinterberger ja M. Scha-
bus, ”From Pulses to Sleep Stages: Towards Optimized Sleep Classification
Using Heart-Rate Variability”, Sensors, vol. 23, s. 9077–, 2023. doi: 10.3390/
s23229077.
[10] T. G. Laske, M. Shrivastav ja P. A. Iaizzo, ”The Cardiac Conduction System”,
teoksessa Handbook of Cardiac Anatomy, Physiology, and Devices, P. A. Iaizzo,
toim. Totowa, NJ: Humana Press, 2009, s. 159–175, isbn: 978-1-60327-371-8.
[11] P. A. Iaizzo, Handbook of cardiac anatomy, physiology, and devices, 2. painos.
New York, NY: Springer, 2009, isbn: 978-1-60327-371-8.
[12] G. J. Tortora, teoksessa Principles of anatomy and physiology, B. Derrickson,
toim., 16. painos. Wiley, 2023, s. 619–646, isbn: 978-1-394-21021-3.
[13] S. Vieau ja P. A. Iaizzo, ”Basic ECG theory, 12-lead recordings, and their
interpretation”, teoksessa Handbook of Cardiac Anatomy, Physiology, ja De-
vices, Third Edition, Springer International Publishing, 2015, s. 321–334. doi:
10.1007/978-3-319-19464-6_19.
[14] T. Chalmers, B. A. Hickey, P. Newton et al., ”Associations between Sleep
Quality and Heart Rate Variability; Implications for a Biological Model of
Stress Detection Using Wearable Technology”, International Journal of Envi-
LÄHDELUETTELO 48
ronmental Research and Public Health, vol. 19, s. 5770–, 2022. doi: 10.3390/
ijerph19095770.
[15] O. P. Nuuttila, E. Korhonen, J. Laukkanen ja H. Kyröläinen, ”Validity of the
wrist-worn polar vantage v2 to measure heart rate and heart rate variability
at rest”, Sensors, vol. 22, s. 137–, 2022. doi: 10.3390/s22010137.
[16] R. Tiwari, R. Kumar, S. Malik, T. Raj ja P. Kumar, ”Analysis of Heart
Rate Variability and Implication of Different Factors on Heart Rate Va-
riability”, Current Cardiology Reviews, vol. 17, 2021. doi: 10 . 2174 /
1573403x169992012\allowbreak31203854.
[17] M. A. Almarshad, M. S. Islam, S. Al-Ahmadi ja A. S. Bahammam, ”Diag-
nostic Features and Potential Applications of PPG Signal in Healthcare: A
Systematic Review”, Healthcare (Switzerland), vol. 10, s. 547–, 2022. doi:
10.3390/healthcare10030547.
[18] J. Allen, ”Photoplethysmography and its application in clinical physiological
measurement”, Physiological Measurement, vol. 28, R1–R39, 2007. doi: 10.
1088/0967-3334/28/3/R01.
[19] A. Bartschke, Y. Börner ja S. Thun, ”Accessing the ECG Data of the Apple
Watch and Accomplishing Interoperability Through FHIR”, vol. 278, s. 245–
250, 2021. doi: 10.3233/SHTI210076.
[20] M. Schaffarczyk, B. Rogers, R. Reer ja T. Gronwald, ”Validity of the Polar
H10 Sensor for Heart Rate Variability Analysis during Resting State and Inc-
remental Exercise in Recreational Men and Women”, Sensors, vol. 22, 2022.
doi: 10.3390/s22176536.
[21] S. Alnasser, D. Alkalthem, S. Alenazi, M. Alsowinea, N. Alanazi ja A. Al Fagih,
”The Reliability of the Apple Watch’s Electrocardiogram”, Cure¯us, vol. 15,
e49786–e49786, 2023. doi: 10.7759/cureus.49786.
LÄHDELUETTELO 49
[22] T. Hilbel ja N. Frey, ”Review of current ECG consumer electronics (pros and
cons)”, Journal of Electrocardiology, vol. 77, s. 23–28, 2023. doi: 10.1016/j.
jelectrocard.2022.11.010.
[23] Oura Health Oy. ”Respiratory Rate”, url: https : / / support . ouraring .
com / hc / en - us / articles / 360025443174 - Respiratory - Rate (viitattu
11. 05. 2024).
[24] H. Jung, D. Kim, J. Choi ja E. Y. Joo, ”Validating a Consumer Smartwatch
for Nocturnal Respiratory Rate Measurements in Sleep Monitoring”, Sensors,
vol. 23, s. 7976–, 2023. doi: 10.3390/s23187976.
[25] P. M. Fuller, J. J. Gooley ja C. B. Saper, ”Neurobiology of the sleep-
wake cycle: Sleep architecture, circadian regulation, and regulatory feedback”,
Journal of Biological Rhythms, vol. 21, s. 482–493, 2006. doi: 10 . 1177 /
0748730406294627.
[26] S. Javaheri ja S. Redline, ”Sleep, slow-wave sleep, and blood pressure”, Current
Hypertension Reports, vol. 14, s. 442–448, 2012. doi: 10.1007/s11906-012-
0289-0.
[27] A. K. Patel, V. Reddy, K. R. Shumway ja J. F. Araujo, ”Physiology, Sleep Sta-
ges”, teoksessa StatPearls (Internet), Treasure Island: StatPearls Publishing,
2024.
[28] N. Baranwal, P. K. Yu ja N. S. Siegel, ”Sleep physiology, pathophysiology, and
sleep hygiene”, Progress in Cardiovascular Diseases, vol. 77, s. 59–69, 2023.
doi: 10.1016/j.pcad.2023.02.005.
[29] M. P. Walker, ”The role of sleep in cognition and emotion”, Annals of the New
York Academy of Sciences, vol. 1156, s. 168–197, 2009. doi: 10.1111/j.1749-
6632.2009.04416.x.
LÄHDELUETTELO 50
[30] M. de Zambotti, J. Trinder, A. Silvani, I. M. Colrain ja F. C. Baker, ”Dynamic
coupling between the central and autonomic nervous systems during sleep: A
review”, Neuroscience and Biobehavioral Reviews, vol. 90, s. 84–103, 2018. doi:
10.1016/j.neubiorev.2018.03.027.
[31] D.-J. Dijk, ”Slow-wave sleep, diabetes, and the sympathetic nervous system”,
Proceedings of the National Academy of Sciences - PNAS, vol. 105, s. 1107–
1108, 2008. doi: 10.1073/pnas.0711635105.
[32] M. G. Miglis, ”Sleep and the Autonomic Nervous System”, teoksessa Sleep and
Neurologic Disease. Elsevier Inc., 2017, s. 227–244, isbn: 978-0-12-804074-4.
[33] B. Rasch ja J. Born, ”About Sleep’s Role in Memory”, Physiol Rev, vol. 93,
s. 681–766, 2013. doi: 10.1152/physrev.00032.2012.
[34] O. Troynikov, C. G. Watson ja N. Nawaz, ”Sleep environments and sleep phy-
siology: A review”, Journal of Thermal Biology, vol. 78, s. 192–203, 2018. doi:
10.1016/j.jtherbio.2018.09.012.
[35] S. J. McCarter, P. T. Hagen, E. K. S. Louis et al., Physiological markers of
sleep quality: A scoping review, 2022. doi: 10.1016/j.smrv.2022.101657.
[36] M. P. Walker ja R. Stickgold, ”It’s Practice, with Sleep, that Makes Per-
fect: Implications of Sleep-Dependent Learning and Plasticity for Skill Perfor-
mance”, Clinics in Sports Medicine, vol. 24, s. 301–317, 2005. doi: 10.1016/
j.csm.2004.11.002.
[37] K. L. Nelson, J. E. Davis ja C. F. Corbett, ”Sleep quality: An evolutionary
concept analysis”, Nursing Forum, vol. 57, s. 144–151, 2022. doi: 10.1111/
nuf.12659.
[38] F. Ramlee, A. N. Sanborn ja N. K. Tang, ”What sways people’s judgment
of sleep quality? A quantitative choice- making study with good and poor
sleepers”, Sleep, vol. 40, 2017. doi: 10.1093/sleep/zsx091.
LÄHDELUETTELO 51
[39] Oura Health Oy. ”Unen Osatekijät”, url: https : / / support . ouraring .
com/hc/fi/articles/360057792293- Unen- osatekij%C3%A4t (viitattu
15. 12. 2025).
[40] F. Shaffer ja J. P. Ginsberg, ”An Overview of Heart Rate Variability Metrics
and Norms”, Frontiers in Public Health, vol. 5, s. 258–258, 2017. doi: 10.
3389/fpubh.2017.00258.
[41] J. M. Schmickler, S. Blaschke, R. Robbins ja F. Mess, ”Determinants of Sleep
Quality: A Cross-Sectional Study in University Students”, International Jour-
nal of Environmental Research and Public Health, vol. 20, s. 2019–, 2023. doi:
10.3390/ijerph20032019.
[42] G. Barbato, ”REM sleep: An unknown indicator of sleep quality”, International
Journal of Environmental Research and Public Health, vol. 18, 24 2021. doi:
10.3390/ijerph182412976.
[43] B. Jafari ja V. Mohsenin, ”Polysomnography”, Clinics in Chest Medicine,
vol. 31, s. 287–297, 2010. doi: https://doi.org/10.1016/j.ccm.2010.02.
005.
[44] M. Altini ja H. Kinnunen, ”The promise of sleep: A multi-sensor approach for
accurate sleep stage detection using the oura ring”, Sensors, vol. 21, s. 4302–,
2021. doi: 10.3390/s21134302.
[45] M. D. Zambotti, N. Cellini, A. Goldstone, I. M. Colrain ja F. C. Baker,
”Wearable Sleep Technology in Clinical and Research Settings”, Medicine and
Science in Sports and Exercise, vol. 51, s. 1538–1557, 2019. doi: 10.1249/
MSS.0000000000001947.
[46] J. Trinder, J. Kleiman, M. Carrington et al., ”Autonomic activity during hu-
man sleep as a function of time and sleep stage”, Journal of Sleep Research,
vol. 10, s. 253–264, 2001. doi: 10.1046/j.1365-2869.2001.00263.x.
LÄHDELUETTELO 52
[47] M. Kellmann, M. Bertollo, L. Bosquet et al., ”Recovery and performance in
sport: Consensus statement”, International Journal of Sports Physiology and
Performance, vol. 13, s. 240–245, 2018. doi: 10.1123/ijspp.2017-0759.
[48] R. Doherty, S. M. Madigan, A. Nevill, G. Warrington ja J. G. Ellis, ”The
sleep and recovery practices of athletes”, Nutrients, vol. 13, s. 1330–, 2021.
doi: 10.3390/nu13041330.
[49] V. A. Cornelissen, B. Verheyden, A. E. Aubert ja R. H. Fagard, ”Effects of
aerobic training intensity on resting, exercise and post-exercise blood pressure,
heart rate and heart-rate variability”, Journal of Human Hypertension, vol. 24,
s. 175–182, 2010. doi: 10.1038/jhh.2009.51.
[50] P. Palatini, ”Heart rate reduction through lifestyle modification: reply”, Euro-
pean Heart Journal, vol. 26, s. 1808–1808, 2005. doi: 10.1093/eurheartj/
ehi400.
[51] K. Li, C. Cardoso, A. Moctezuma-Ramirez, A. Elgalad ja E. Perin, ”Heart
Rate Variability Measurement through a Smart Wearable Device: Another
Breakthrough for Personal Health Monitoring?”, International Journal of En-
vironmental Research and Public Health, vol. 20, s. 7146–, 2023. doi: 10.3390/
ijerph20247146.
[52] C. J. Lundstrom, N. A. Foreman ja G. Biltz, ”Practices and Applications
of Heart Rate Variability Monitoring in Endurance Athletes”, International
Journal of Sports Medicine, vol. 44, s. 9–19, 2023. doi: 10.1055/a-1864-
9726.
[53] G. Baura, ”Pulse oximeters”, teoksessa Medical Device Technologies, 2. painos,
San Diego: Academic Press, 2021, s. 281–303, isbn: 978-0-12-811984-6.
LÄHDELUETTELO 53
[54] A. Nicolò, C. Massaroni, E. Schena ja M. Sacchetti, ”The importance of res-
piratory rate monitoring: From healthcare to sport and exercise”, Sensors
(Switzerland), vol. 20, s. 1–45, 2020. doi: 10.3390/s20216396.
[55] Oura Health Oy. ”Oura Tuki”, url: https://support.ouraring.com/hc/fi
(viitattu 02. 01. 2025).
[56] Suunto Oy. ”Suunto 9 Peak Pro”, url: https://www.suunto.com/fi-fi/
Tuotteet/Urheilulaitteet-ulkoiluun/suunto-9-peak-pro/suunto-9-
peak-pro-all-black/ (viitattu 02. 01. 2025).
[57] Suunto Oy. ”Suunto 9 Peak Pro User Guide”, url: https://ns.suunto.
com/Manuals/Suunto_9_Peak_Pro/Userguides//Suunto_9_Peak_Pro_
UserGuide_FI.pdf (viitattu 23. 01. 2025).
[58] H. Kinnunen, A. Rantanen, T. Kentt ja H. K. ki, ”Feasible assessment of reco-
very and cardiovascular health: Accuracy of nocturnal HR and HRV assessed
via ring PPG in comparison to medical grade ECG”, Physiological Measure-
ment, vol. 41, 4–04NT01, 2020. doi: 10.1088/1361-6579/ab840a.
[59] Suunto Oy. ”SuuntoTSS”, url: https://www.suunto.com/fi-fi/sports/
News- Articles- container- page/training- stress- score- i (viitattu
27. 01. 2025).
[60] H. Scott, L. Lack ja N. Lovato, ”A systematic review of the accuracy of sleep
wearable devices for estimating sleep onset”, Sleep Medicine Reviews, vol. 49,
s. 101 227–101 227, 2020. doi: 10.1016/j.smrv.2019.101227.
[61] C. Sargent, S. Jasinski, E. R. Capodilupo, J. Powers, D. J. Miller ja G. D.
Roach, ”The Night-Time Sleep and Autonomic Activity of Male and Female
Professional Road Cyclists Competing in the Tour de France and Tour de
France Femmes”, Sports Medicine - Open, vol. 10, s. 20–39, 2024. doi: 10.
1186/s40798-024-00716-6.
LÄHDELUETTELO 54
[62] T. Stenberg, ”Elimistön fysiologiaa unen aikana”, Lääketieteellinen Aikakausi-
kirja Duodecim, vol. 135, s. 831–837, 9 2019.
[63] A. Henriksen, F. Svartdal, S. Grimsgaard, G. Hartvigsen ja L. A. Hopstock,
”Polar Vantage and Oura Physical Activity and Sleep Trackers: Validation
and Comparison Study”, JMIR Formative Research, vol. 6, e27248, 2022. doi:
10.2196/27248.
[64] J. Exel ja P. Dabnichki, ”Precision Sports Science: What Is Next for Data
Analytics for Athlete Performance and Well-Being Optimization?”, Applied
Sciences (Switzerland), vol. 14, s. 3361–, 2024. doi: 10.3390/app14083361.
Liite A Hakualgoritmit
Tässä liitteessä kuvataan kirjallisuuskatsauksen systemaattiset tietokantahaut. Haut
toteutettiin Web of Science-, PubMed- ja ACM Digital Library -tietokannoissa ja
suurimmassa osassa hakuja hakuvuosiksi rajattiin vuodet 2020–2024. Fysiologis-
ta taustaa käsitteleviin lukuihin aineistoa haettiin myös Turun Yliopiston Volter-
kirjastosta. Tietokantojen hakulausekkeet kattoivat pääosin seuraavat aihealueet:
puettavat sensorit, uni, palautuminen, urheilijat sekä fysiologiset mittarit kuten
HRV, syke ja hengitystiheys. Osa hakulausekkeista tuotti tuhansia osumia, mutta
vain rajattu määrä käytiin läpi. Suurin osa käytetyistä lähteistä löytyi tarkennetuilla
hauilla, useissa hakutuloksissa esiintyneinä artikkeleina tai hyödyllisten artikkelien
kautta lähteinä.
Web of Science
Yleishaku
TS=(("wearable sensors" OR "wearable technology" OR "wearable devices")
AND (("athlete recovery" OR "recovery monitoring" OR "recovery optimization")
OR ("sleep tracking" OR "sleep quality" OR "sleep duration")
OR ("heart rate variability" OR HRV OR "oxygen saturation" OR "SpO2")
OR ("performance" OR "injury prevention" OR "under-recovery")))
AND PY=(2018–2024)
AND LA=(English OR Finnish)
LIITE A. HAKUALGORITMIT A-2
Tulokset: 9231 → rajattu vuosiin 2020–2024 → 7645 tulosta
Tarkennettu haku
TS=(("wearable sensors" OR "wearable technology" OR "wearable devices")
AND (("athlete recovery" OR "recovery monitoring" OR "recovery optimization")
OR ("sleep tracking" OR "sleep quality" OR "sleep duration")
OR ("heart rate variability" OR HRV OR "oxygen saturation" OR "SpO2")))
AND PY=(2020–2024)
AND LA=(English OR Finnish)
Tulokset: 925 → valikoitui 6 artikkelia
Yksittäiset haut
TS=(wearables AND heart rate AND sleep)
Tulokset: 200 → valikoitui 1 artikkeli
TS=((wearables) AND (sleep) AND (athletes OR performance))
Tulokset: 10 → valikoitui 1 artikkeli
TS=(wearables AND heart rate AND sleep AND athlete)
Tulokset: 13 → valikoitui 3 artikkelia
TS=(wearable* AND sleep* AND (athlete* OR sport*))
Tulokset: 63 → suurin osa keskeisistä lähteistä
LIITE A. HAKUALGORITMIT A-3
PubMed
Tulosmäärät vaihtelivat 13–15 000 välillä. Osa hauista tuotti runsaasti osumia,
mutta mukaan valikoitui vain otsikon tai abstraktin perusteella relevanteimmat.
(wearable* AND sleep* AND (athlete* OR sport*)) AND PY=(2020-2024)
Tulokset: 67 → suurin osa lähteistä löytyi jo WoS:n kautta
(smart watch OR sports watch) AND ECG AND PY = (2011-2024)
Tulokset: 97 → valikoitui 14 artikkelia otsikon ja abstraktin perusteella
Heart rate variability OR HRV
Tulokset: 15 989 tulosta → valikoitui muutama artikkeli otsikon perusteella
recovery AND sport
Tulokset: 1309 tulosta → valikoitui 2 artikkelia
respiratory rate AND sleep AND wearables
Tulokset: 120 → valikoitui 1 artikkeli
ACM Digital Library
[All: athlete] AND [All: sleep] AND [All: wearable]
E-Publication Date: 2016–2024
Tulokset: 373 → valikoitui 1 uusi artikkeli