Mida täna teha, et homme tippvormis olla? Kaevasin vastused välja oma WHOOPI andmetest

Olen juba üle 9 kuu kandnud WHOOP-i randmepaela. Iga hommik annab see mulle teada, kui hästi ma täna taastunud olen. See number on kasulik, aitab valida, kui palju täna pingutada tasub. Aga veel rohkem huvitaks mind hoopis see, mida ma peaksin täna tegema, et see number homme kõrge oleks.

Kujuta ette, et homme on ees midagi olulist, mille jaoks pead kindlasti olema tippvormis, näiteks konverentsil esinemine, spordivõistlus, perekondlik sündmus või lend teise maailma otsa. Mida peaksin täna tegema, et homme parimas vormis olla? Otsustasin selle oma andmetest välja uurida.

Siin artiklis kirjeldan, kuidas ma oma andmeid samm-sammult analüüsisin. Kasutatud statistiliste meetodite ja tehniliste detailide kohta saad lähemalt lugeda, kui klõpsates lahti teksti sees olevad lisalugemise kastid.

Mõõdan WHOOPi abiga hulka harjumusi, mille mõju taastumisele tahtsin testida, seal hulgas treeningu ja koormuse näitajad (näiteks keskmine ja maksimaalne pulss), uneharjumused (voodis veedetud aeg, unekestus, unevõlg) ning päevik koos jah/ei-küsimustega alates kohvi joomisest tänulikkuse praktikateni.

Mis on üldse "hea taastumine"?

Kõigepealt tuli mul "taastumine" kuidagi arvuga ära määratleda.

WHOOP-i enda taastumise number on kokku pandud mitmest asjast, sealhulgas une kvaliteedist. See vastab põhimõtteliselt küsimusele "kui hästi sa magasid ja kui puhanuna sa end tunned". Loogiline küll, aga minu jaoks kasutu: ma tahtsin ju uurida, kuidas uni taastumist mõjutab. Kui uni on juba osa mõõdikust endast, siis on muidugi selge, et parem uni korreleerub parema taastumisega, aga see ei ütle mulle midagi sisulist.

Andmeleke ehk miks on halb, kui mõõdik sisaldab endas juba vastust

Andmeteaduses tuntakse seda viga andmelekkena (data leakage): kui see, mida üritad ennustada, on osaliselt juba peidus sisendisse, mille põhjal ennustad.

Kujuta ette, et defineerid halva ilma nii, et "ilm on halb siis kui vihma sajab". Siis avastad "üllatava" tulemuse, et halb ilm ja vihmasadu on omavahel tugevas seoses. Muidugi on: need on sisuliselt sama asi kahe erineva nimega. Täpselt sama juhtuks, kui mõõdaksin taastumist une põhjal ja siis "avastaksin", et uni mõjutab taastumist.

Nii et pidin ehitama uue, une-vaba taastumise mõõdiku.

Valisin selle jaoks kolm füsioloogilist näitajat, mida WHOOP igal ööl mõõdab:

• Puhkepulss (resting heart rate, RHR) — mida madalam, seda parem.
• Pulsi varieeruvus (heart rate variability, HRV) — mida kõrgem, seda parem.
• Hingamissagedus (respiratory rate, RR) — mida madalam, seda parem.

Reaalses elus pole see suhe muidugi kunagi nii puhas, aga kuna olen terve noor inimene ilma südame- või hingamisprobleemideta, võin selle lihtsustust endale lubada.

Tänane päev vs. minu tavaline päev

Nende üheksa kuu jooksul olen oma vormi parandanud, mistõttu on minu puhkepulss aja jooksul üldiselt langenud. See on tore, aga see pikaajaline trend segab mu tegelikku küsimust: mind huvitab, mida eilne konkreetne päev (mitte üheksa kuud korralikku trenni) minu tänasele taastumisele tegi.

Libisev keskmine ehk kuidas pikaajaline trend andmetest välja rookida

Selleks arvutasin kõigile kolmele näitajale iga päeva kohta viimase 30 päeva keskmise (libiseva keskmise, rolling average), ning vaatasin, kui palju konkreetne päev sellest keskmisest erineb.

Sedasi saab mõõdiku, kus null tähendab, et päev oli minu jaoks täpselt tavapärane; positiivne või negatiivne väärtus näitab, kas päev oli minu enda hiljutise tasemega võrreldes parem või halvem. Pikaajalised trendid kaovad seega ära ja alles jääb vaid see, kui palju konkreetne päev minu enda hiljutisest tavapärasest olekust kõrvale kaldus.

Hall sakiline joon on iga päeva toorväärtus, sinine paks joon on selle 30 päeva libisev keskmine. Näha on, kuidas keskmine aja jooksul aeglaselt tõuseb — see peegeldab minu üldist vormi paranemist üheksa kuu jooksul.

Uus mõõdik vastab seega täpselt sellele küsimusele, mida ma tahtsin küsida: "kas mu taastumine on praegu parem või halvem, kui mulle viimasel ajal tavapärane on?"

Kolmest numbrist üks

Nüüd oli mul kolm eraldi numbrit (puhkepulss, pulsi varieeruvus ja hingamissagedus), aga vaja oleks ühte koondnäitajat, millega edasi töötada.

Kõige lihtsam oleks lihtsalt kõik kokku liita. Või siis võtta keskmine (kokku liita ja kolmega jagada). Kuid ei ole põhjust eeldada, et kõik kolm mõõdikut on võrdselt olulised. Parem oleks numbrite põhjal päriselt välja arvutada, kui palju kaalu igale mõõdikule anda.

Selleks pakub statistika palju erinevaid võimalusi, millest valisin seekord suhteliselt lihtsa ja lollikindla lahenduse: peakomponentanalüüsi.

Peakomponentanalüüs ehk kuidas panna kolm numbrit kokku üheks

Statistika pakub selle jaoks mitmeid võimalusi. Valisin suhteliselt lihtsa ja lollikindla meetodi: peakomponentanalüüsi (Principal Component Analysis, PCA).

Peakomponentanalüüs (Principal Component Analysis, PCA) on üks levinumaid dimensionaalsuse vähendamise tehnika (ehk siis viide, kuidas mitu erinevat mõõdikut üheks kokku panna). See otsib mõõdikute seast ühte "peasuunda" ehk kombinatsiooni, mis kirjeldab kõige suuremat osa sellest, kuidas need kolm numbrit koos üles-alla kõiguvad. Kuna kõik kolm näitajat peaksid üheskoos halvenema või paranema (kehv öö tõstab tavaliselt korraga nii pulssi kui hingamissagedust ja langetab pulsi varieeruvust), leiab PCA neist ühe ühise "taastumise" telje ja annab igale päevale sellel teljel ühe koha. See ühtne number ongi minu uus taastumise mõõdik.

Sisuliselt on tulemuseks siis valem, kus iga üks kolmest mõõdikust korrutatakse läbi mingi kordajaga ja liidetakse seejärel kokku. Need kordajad otsib masin ise üles.

Andmete puhastamine

Otsustasin visata andmetest välja mil olin haige või kus taastumine oli erakordselt madal (kokku 10 päeva, plus veel üks, kuna olin unustanud WHOOPi ööseks käe peale panna). Sedasi on andmetes vähem müra ja tulemused natuke puhtamad. Kokku jäi analüüsi jaoks alles 271 päeva.

Paneme mudeli kokku

Koostasin lineaarse mudeli, mis ennustab taastumist ühe harjumuse põhjal. Ehk siis vaatab, kui palju selle harjumuse teadmine mul oma järgmise päeva taastumist ette ennustada aitab (kui tean näiteks, et magasin 8 tundi, kui palju infot see mulle annab oletamaks, kui puhanud järgmien päev olen).

Ühe asjaga tuli veel arvestada: minu taastumine ei sõltu ainult eelmise päeva tegevustest, vaid tõenäoliselt mängib rolli ka nädalapäev, sest eri päevadel teen eri asju ja nädala vahestust ei pruugi tööpäevadega võrrelda saada. Võtsin nädalapäeva mudelisse omaette tegurina arvesse.

Lineaarne mudel ja statistiline olulisus ehk kuidas saada aru kas mõni harjumus tõesti mõjutab taastumist?

Iga kandidaatharjumuse (näiteks eelmise päeva keskmine pulss või voodis veedetud aeg) kohta tegin lineaarse mudeli, kus mudel üritab taastumist ennustada kahe teguri põhjal: uuritav harjumus ja nädalapäev. Mudel annab harjumusele koefitsendi, mis näitab, kui palju see harjumus taastumisega koos liigub, kui nädalapäeva mõju on juba kõrvale jäetud.

Seejärel vaatasin, kas see koefitsent on statistiliselt oluline — ehk kas seost on piisavalt raske seletada pelgalt juhusega, et seda tõsiselt võtta (statistilisest testimisest olen põhjalikumalt kirjutanud siin).

Kaks peamist leidu

Eelmise päeva pingutusest jääb keha väsinuks. Mitte miski muu ei ennustanud järgmise päeva taastumist nii täpselt kui eelmise päeva keskmine pulss. Mida madalam pulss, seda parem taastumine. See ei tähenda, et trenni ei peaks tegema: pikas plaanis toob parem treenitus kaasa parema taastumise, aga lühiajaliselt peab keha peale pingutust puhata saama. Peale trenni tõstab pulssi ka vaimne pingutus ja stress. Seega tasub rahulikult võtta nii kehas kui meeles.

Öine uni on oluline. Mida varem magama läksin ja mida kauem voodis pikali olin, seda parem oli järgmise päeva taastumine.

Mõlema leiu taga on täpselt selline pilt, nagu kahe arvu vahelist seost tavaliselt kujutatakse: hajuvusdiagramm koos regressioonijoonega. Vasakul on näha, kuidas eelmise päeva keskmine pulss taastumist langetab; paremal, kuidas voodis veedetud aeg seda tõstab. Kui tahad täpsemalt aru saada, kuidas selliseid graafikuid lugeda, olen sellest pikemalt kirjutanud artiklis kahe arvu vahelisest seosest.

Mida sellega pihta hakata

Kui tahad olla homme tippvormis, võta rahulikult ja maga korralikult.

See pole tõenäoliselt kuigi üllatav. Sarnase vastuse annaks tõenäoliselt ka lihtsalt sisetunne. Või siis teaduskirjandus, kus sanalüüsitakse korraga sadade inimeste andmeid.

Kuid oskuses ise enda andmetest väärtust välja väänata on siiski kasulik ja omamoodi ilus. Tean mitut inimest, kes on alkoholi tarbimise peaaegu nulli tõmmanud just selle pärast, et nägid oma andmetest, kuidas see neile mõjub. Loomulikult olid nad ka varem sadu kordi kuulnud, et alkohol on kahjulik. Selle kohta on lugematult uuringuid. Aga alles enda andmete nägemine muutis selle seose piisavalt ilmselgeks, et viia käitumusliku muutuseni.

Baasteadmised statistikast ja andmete visualiseerimisest aitavad teha arukamaid otsuseid. Nii äris kui eraelus.