研究文章

中国大学生睡眠模式的潜在剖面分析及其与体力活动水平的关联

0 次观看

⸱

DOI：

10.3791/73033

⸱

2026年9月15日

 ,  ,  ,  ,  ,  , 
1Department of Physical Education, Central South University, 2School of Sport Science, Jishou University

* These authors contributed equally

本文内容

摘要

这项针对1,420名中国大学生的横断面潜在剖面分析，采用匹兹堡睡眠质量指数量表（PSQI）识别出四种不同的睡眠模式。睡眠模式越健康，与中高强度体力活动水平越高呈显著相关，提示可针对不同睡眠模式制定校园健康促进的干预目标。

摘要

这项横断面研究旨在识别大学生睡眠模式的潜在类别，并探讨其与身体活动（PA）水平的关联，从而为高校环境中的针对性健康干预提供实证依据。研究采用多阶段分层整群随机抽样方法，从中国南方三所综合性大学共招募了1,420名大学生。睡眠质量与身体活动分别采用匹兹堡睡眠质量指数（PSQI）和国际身体活动问卷短表（IPAQ-SF）进行评估。使用适当的统计软件进行潜在剖面分析（LPA）、卡方检验和多项逻辑回归分析。根据模型估计的类别概率，共识别出四类潜在睡眠模式：健康睡眠（44.7%）、睡眠不足（24.8%）、睡眠质量差（20.3%）和严重睡眠障碍（10.2%）；基于最可能类别归属的实际观察比例分别为45.0%、25.0%、20.0%和10.0%（n = 639、355、284和142）。不同睡眠类别在性别和身体活动水平上存在显著差异。与严重睡眠障碍组学生相比，健康睡眠组学生更可能报告中等强度身体活动（比值比（OR）= 4.69，95%置信区间（CI）：2.92–7.51）和高强度身体活动（OR = 7.55，95% CI：4.41–12.91）。睡眠不足组学生也更可能报告中等强度身体活动（OR = 2.98，95% CI：1.83–4.86）和高强度身体活动（OR = 5.02，95% CI：2.84–8.87）。大学生的睡眠模式表现出明显的异质性。良好的睡眠模式与较高的身体活动水平相关。由于本研究为横断面设计，无法推断因果关系。应根据不同亚组的睡眠特征制定差异化的干预策略，促进身体活动可作为睡眠质量较差学生的潜在行为干预目标。

引言

睡眠不仅对维持基本的生理功能至关重要，而且对支持身心健康、认知发展和情绪调节也必不可少1,2。然而，在当今快节奏的社会中，睡眠障碍已成为全球性的公共卫生问题。大学生群体中的睡眠问题尤为突出，他们在进入大学后往往缺乏父母的直接监督，同时面临学业压力、人际关系适应以及电子设备过度使用等问题3。流行病学研究表明，全球约有25%–60%的大学生报告存在不同程度的睡眠质量差或睡眠不足4,5。持续的睡眠问题可能损害中枢神经系统功能，导致注意力不集中和记忆力下降；还可能增加抑郁、焦虑等内化性心理健康问题的风险6,7，以及未来罹患心血管疾病和代谢综合征的风险8。

以往的睡眠研究主要采用以变量为中心的分析视角，通过匹兹堡睡眠质量指数（PSQI）等标准化量表的总分或特定维度的平均得分来评估群体层面的睡眠状况9。尽管这种方法能够直观地估计整体睡眠问题的严重程度，但其隐含地假设研究人群是同质的。实际上，睡眠是一种多维度的生理过程，涉及睡眠时长、入睡潜伏期、睡眠效率、夜间觉醒以及日间功能障碍等多个方面10。具有相同PSQI总分的个体可能表现出显著不同的症状组合；例如，一名学生可能主要表现为入睡困难，而另一名学生则可能表现为早醒和日间嗜睡。近年来，以个体为中心的研究方法日益受到关注。潜在剖面分析（Latent profile analysis, LPA）可通过最大化不同剖面间的差异并最小化剖面内部的差异，识别数据中未被观察到的异质性亚群体11,12。通过LPA，研究人员能够更准确地刻画大学生中特定的睡眠特征模式13，从而为干预措施提供更精确的目标。

世界卫生组织及其他公共卫生指南广泛推荐身体活动（PA）作为贯穿生命全程的健康促进基石14,15。实证研究和荟萃分析表明，规律的中等到高强度身体活动可改善心肺适能并降低死亡率16,17，同时有助于缓解心理压力并改善认知功能18,19。身体活动也被视为治疗睡眠问题的有效非药物干预手段20,21。队列研究使用加速度计等客观设备22,23,24，以及基于自报告问卷的横断面研究25,26，均报道了身体活动与睡眠质量之间的正向关联。此外，运动与睡眠似乎存在双向关系：充足的睡眠可能增强进行身体活动的动机和耐力，而白天的能量消耗可能促进夜间的慢波睡眠27,28。

尽管现有研究普遍认同体力活动对整体睡眠质量具有益处，但相关文献仍存在若干局限性。大多数研究将体力活动视为预测单一睡眠评分的自变量，从而忽略了不同睡眠模式可能对应着不同的生活方式特征组合29,30。大学生中不同潜在睡眠特征模式下的体力活动水平是否存在差异，目前仍缺乏充分认识。

基于此背景，本研究旨在：（1）利用潜在剖面分析法（LPA），基于中国大学生睡眠质量的多维指标识别其潜在剖面类型；（2）在控制人口统计学变量后，考察不同睡眠剖面与身体活动水平（低、中等和高强度）之间的关联。我们假设大学生群体中存在多种异质性的睡眠剖面类型，且具有健康睡眠模式的学生相比存在严重睡眠障碍的学生，更有可能达到中等到高强度的身体活动水平。

方案

本研究经吉首大学生物医学伦理委员会批准（批准号：JSDX-2023-0034）。所有参与者均为18至25岁的全日制本科生，在参与前均签署了书面知情同意书。已获得参与高校的许可。调查数据仅用于学术研究，并以匿名方式分析。本研究遵循《赫尔辛基宣言》及当地机构的相关要求进行。

参与者招募与抽样设计

采用多阶段分层整群随机抽样设计，于2025年9月至12月期间对中国南方三所综合性大学的本科生开展横断面调查。第一阶段，根据省级行政区划设定分层，从中国南方公立综合性大学名录中采用分层随机抽样方法选取三所综合性大学，以确保地理代表性。第二阶段，在每所入选大学内，使用计算机生成的随机数，从各年级（大一至大四）中随机抽取两至三个完整班级作为整群抽样单元，共获得三所大学的28个班级。所有入选班级的学生均被邀请参与调查，如图1所示。纳入标准如下：（1）全日制本科生身份；（2）年龄在18至25岁之间；（3）自愿参与并签署书面知情同意书。排除标准为：（1）近期患有严重躯体疾病或存在运动禁忌症，如骨折或严重心脏病；（2）正在使用精神类药物，例如接受重度抑郁症或精神分裂症治疗者；（3）问卷完成时间少于180秒，或存在明显逻辑矛盾，例如所有条目均选择同一选项。共发放问卷1,500份。在数据清理过程中剔除80份无效问卷，其中24份因完成时间不足180秒被剔除，20份因存在逻辑不一致（如所有条目回答完全相同或答案相互矛盾）被剔除，18份因年龄不在18–25岁范围内被剔除，11份因缺失数据过多（超过20%条目未填写）被剔除，7份因自报患有严重躯体疾病或正在使用精神类药物被剔除。最终获得1,420份有效问卷用于分析，有效应答率为94.67%。

figure-protocol-1
图1：研究设计与分析流程。 参与者招募与筛选流程示意图（共发放1,500份问卷；排除80人；纳入N = 1,420人）、采用PSQI和IPAQ-SF进行评估、潜在剖面分析（使用AIC、BIC、aBIC、熵值、LMRT和BLRT比较一至五个剖面模型）、划分为四种睡眠类型、进行双变量卡方检验、以性别为协变量的多分类逻辑回归分析，以及敏感性分析（完全协变量调整和聚类稳健标准误）。请点击此处查看该图的放大版本。

人口统计学与生活方式评估

采用自行设计的问卷收集人口学和社会学特征信息，包括性别（男/女）、年龄（岁）、年级（大一/大二/大三/大四）、生源地（城市/农村）、体重指数（BMI）、吸烟史、饮酒史以及每日平均屏幕使用时间。体重指数（BMI）按体重（千克）除以身高（米）的平方计算（BMI = 体重 [kg] / 身高 [m]²）2）。在分析前，对自我报告的身高和体重数据进行不合理值筛查；身高中存在异常值的样本 <140 厘米或 >200 cm，重量 <30 kg 或 >150 kg，或体重指数（BMI） <12 kg/m2 或 >40 kg/m2 被标记并根据原始记录进行核实，确认的异常值已被剔除。吸烟状况根据过去一个月的自我报告吸烟行为分为从不、偶尔（某些天吸烟但非每日）和经常（每日吸烟）。饮酒状况根据过去一个月的情况分为从不、偶尔（每周饮酒少于一次）和经常（每周至少饮酒一次）。平均每日屏幕使用时间通过询问参与者在过去一个月中每天在智能手机、计算机、平板电脑和电视上花费的总小时数进行评估，并作为连续变量记录。该问卷在正式数据收集前对30名本科生进行了预测试，以评估条目清晰度和完成所需时间；根据预测试反馈对部分措辞进行了微调。既往研究提示，这些变量可能混杂睡眠与体力活动之间的关联30,31。本研究使用的所有仪器、软件和材料均列于下文 材料表.

睡眠质量评估

由 Buysse 等人开发的匹兹堡睡眠质量指数（PSQI）9用于评估参与者在过去一个月内的睡眠质量。该量表包含19个自评条目，构成七个组成部分：主观睡眠质量、入睡潜伏期、睡眠时长、习惯性睡眠效率、睡眠障碍、催眠药物使用以及日间功能障碍。每个组成部分按0（无困难）至3（严重困难）进行评分。这七个连续变量的得分被用作潜在剖面分析（LPA）的观测指标。PSQI在中国及国际大学生群体中均表现出良好的信度和效度。30本研究中，该量表的克朗巴赫α系数为0.83。

身体活动评估

采用 Craig 等人32开发的国际体力活动问卷短表（IPAQ-SF）评估参与者在过去七天内的体力活动水平。该问卷记录了剧烈强度体力活动、中等强度体力活动以及步行的频率（天/周）和持续时间（分钟/天）。根据 IPAQ 评分标准计算任务代谢当量（MET）值：步行 MET-分钟/周 = 3.3 × 持续时间 × 频率；中等强度 MET-分钟/周 = 4.0 × 持续时间 × 频率；剧烈强度 MET-分钟/周 = 8.0 × 持续时间 × 频率。将三种活动类型的 MET 值相加，得到总的体力活动水平。根据在大学生群体中验证过的 IPAQ-SF 评分标准33，将参与者分为高体力活动水平（high PA）、中等体力活动水平（moderate PA）和低体力活动水平（low PA）。高 PA 的定义为：每周至少 3 天进行剧烈强度活动，且总体力活动水平至少达到 1,500 MET-分钟/周；或每周 7 天或以上进行步行、中等强度或剧烈强度活动的任意组合，且总体力活动水平至少达到 3,000 MET-分钟/周。中等 PA 的定义为：每周至少 3 天每天进行至少 20 分钟的剧烈强度活动；或每周至少 5 天每天进行至少 30 分钟的中等强度活动和/或步行；或各类活动组合的总水平至少达到 600 MET-分钟/周。低 PA 的定义为：未达到中等或高体力活动水平的标准。数据清理遵循官方 IPAQ 评分协议：每日总活动时间超过 16 小时的参与者被排除；在计算 MET-分钟之前，各类活动的每日持续时间上限为 180 分钟；在数据清理过程中剔除回答存在逻辑矛盾的样本。

统计学分析

首先，使用潜在剖面建模软件进行潜在剖面分析（LPA）（参见材料表）34。在1,420名参与者中，有33人（2.3%）在匹兹堡睡眠质量指数量表（PSQI）上存在部分缺失数据，共9,940个条目级应答中有69个缺失（0.69%；即1,420名参与者 × 7个PSQI条目得分）。在随机缺失假设下，采用全信息最大似然法（FIML）处理这些缺失值。依次估计包含1至5个剖面的模型。使用赤池信息准则（AIC）、贝叶斯信息准则（BIC）、样本量调整后的BIC（aBIC）、熵值、Lo-Mendell-Rubin似然比检验（LMRT）和自助法似然比检验（BLRT）评估模型拟合情况。AIC、BIC和aBIC值越低，表示相对拟合越好；而熵值越接近1，表示分类准确性越高。LMRT和BLRT用于判断包含k个剖面的模型是否显著优于包含k−1个剖面的模型。根据潜在剖面分析的既定指南11,35，综合考虑统计拟合指标、熵值、类别大小（无任何剖面占比低于样本的5%）以及实际可解释性，确定最优剖面解。选定最优剖面解后，将个体最可能的类别归属导出至统计分析软件（参见材料表），用于后续分析。采用皮尔逊卡方检验比较不同睡眠剖面间人口学特征和体力活动水平的差异。双变量卡方检验显示，仅性别和体力活动水平在四个睡眠剖面间存在显著差异（均p < 0.001），而年龄、年级、BMI、吸烟、饮酒和屏幕使用时间则无显著差异（均p > 0.05；参见补充表1）。因此，在多分类逻辑回归模型中仅将性别作为协变量纳入，符合简约性原则。对所有收集的协变量进行调整的敏感性分析得到了一致的结果模式和显著性（补充表2）。以体力活动水平为因变量（低体力活动=0，中等体力活动=1，高体力活动=2），睡眠剖面为核心自变量，进行多分类逻辑回归分析。计算比值比（OR）及其95%置信区间（CI）。所有检验均为双侧检验，统计显著性设定为p < 0.05。由于参与者是通过嵌套于大学内的完整班级招募的，我们使用统计软件中的复杂抽样模块（参见材料表），将大学和班级指定为聚类变量，以获得设计调整后的标准误。结果与标准多分类逻辑回归结果一致（补充表3）。带有英文变量标签的去标识原始数据集及代码本作为补充文件1提供。

结果

提取了包含一个至五个潜在剖面的模型。如表1所示，随着剖面数量的增加，AIC、BIC和aBIC均呈下降趋势。四剖面模型的熵值最高（0.915），且LMRT和BLRT均具有统计学显著性（p < 0.001）。相比之下，五剖面模型的LMRT无显著性（p = 0.085），且熵值下降至0.880。因此，尽管五剖面模型的信息准则更低，但仍选择四剖面模型，因其在分类准确性、模型简洁性、类别大小和实际可解释性之间提供了更优的平衡。剖面标签的确定依据是七个PSQI组分得分在各类别中的条件均值（图2），符合推荐的LPA报告规范11。

表1：大学生睡眠模式潜在剖面分析的模型拟合指数。 AIC，赤池信息准则；BIC，贝叶斯信息准则；aBIC，样本量调整后的BIC；LMRT，Lo-Mendell-Rubin似然比检验；BLRT，自举似然比检验。请点击此处下载该表格。

figure-results-1
图2：睡眠模式的潜在剖面分析：四类别解。 该折线图显示了四个潜在睡眠类别中PSQI各组成部分的得分情况：健康睡眠、睡眠不足、睡眠质量差和严重睡眠障碍。请点击此处查看该图的放大版本。

根据PSQI各组分评分的特征，将四种剖面分别标记为健康睡眠组（C1）、睡眠不足组（C2）、睡眠质量差组（C3）和严重睡眠障碍组（C4）。模型估计的类别概率分别为0.447、0.248、0.203和0.102。根据最可能的类别分配，C1至C4的观察频数分别为639例（45.0%）、355例（25.0%）、284例（20.0%）和142例（10.0%）。卡方检验显示，不同剖面在性别和体力活动水平上存在显著差异（p < 0.001；表2）。四类别模型在模型拟合度与理论可解释性之间达到了最佳平衡，且分类准确性较高（熵值 = 0.915）。

健康睡眠组（C1，45.0%）：该组学生在匹兹堡睡眠质量指数（PSQI）全部七个组分上的得分均较低，表明其睡眠相对规律，睡眠质量较好。睡眠不足组（C2，25.0%）：该组的特点是睡眠持续时间和睡眠潜伏期得分相对较高，但日间功能障碍不明显。睡眠质量差组（C3，20.0%）：该组学生在主观睡眠质量、睡眠障碍和日间功能障碍方面的得分相对较高，同时睡眠效率相对较低。严重睡眠障碍组（C4，10.0%）：该亚组在大多数PSQI组分上的得分均较高，并报告了高于其他组别的催眠药物使用得分，提示存在临床相关睡眠问题的风险升高，而非已确诊的临床诊断。

每种特征的七个PSQI组分评分的精确条件均值和标准差见补充表4。

表2：不同睡眠特征人群中人口学特征和体力活动水平的分布。 C1，健康睡眠组；C2，睡眠不足组；C3，睡眠质量差组；C4，严重睡眠障碍组。 请点击此处下载该表格。

将体力活动水平作为因变量，以低体力活动为参照类别；将睡眠状况作为自变量，以严重睡眠障碍组为参照类别，并对性别进行了控制。如表3所示，健康睡眠组和睡眠不足组的学生报告中等及高等体力活动水平的可能性显著高于严重睡眠障碍组的学生。这些结果支持良好的睡眠状况与较高体力活动水平之间存在关联，但由于采用横断面设计，无法进行因果推断。

表3：大学生睡眠模式与体力活动水平的多分类逻辑回归分析。 结果变量以低体力活动为参照类别，睡眠模式以严重睡眠障碍组为参照类别。请点击此处下载该表格。

数据可用性：

本研究的去标识化原始数据和分析代码已在 Figshare 中公开提供 https://doi.org/10.6084/m9.figshare.33340908

补充文件 1：去标识化的原始数据集（Sleep_LPA_Raw_Data_N1420.xlsx），包含英文变量标签和代码本。请点击此处下载该文件。

补充表 1：不同睡眠特征组间协变量差异的双变量检验。
注：分类变量采用皮尔逊卡方检验，连续变量采用单因素方差分析。仅性别在各组间差异具有统计学显著性（p < 0.001）。出于简洁考虑，年级、生源地、吸烟、饮酒和专业等变量的具体分类分布未予列出，但可从原始数据中获取。请点击此处下载该文件。

补充表 2：调整所有协变量的多项逻辑回归分析（敏感性分析）。
注：体力活动（PA）的参照类别：低体力活动；睡眠特征的参照类别：C4（严重紊乱）。模型已对性别、年龄、BMI、屏幕使用时间、年级、生源地、吸烟、饮酒和专业进行调整。所有关联的方向和显著性均与主要分析（表 3）一致，主要分析仅对性别进行了调整。请点击此处下载该文件。

补充表3：采用聚类稳健标准误的多项逻辑斯蒂回归分析（SPSS 复杂抽样模块）。
注：标准误已根据大学和班级的聚类进行调整（等同于 SPSS 复杂抽样模块结果；N = 1,420，聚类单位 = 3 所大学 × 完整班级）。B 系数与主要分析结果（表3）相同；仅标准误和 p 值存在差异。C1 和 C2 仍与中等强度及高强度体力活动显著相关；C3 仍无显著性。请点击此处下载该文件。

补充表4：不同睡眠特征下PSQI各组分得分的均值与标准差。
注：数值为基于最可能类别分配的条件均值（标准差）。所有七个PSQI组分及总分在不同特征间差异均有统计学意义（单因素方差分析，所有 p < 0.001）。C1 = 健康睡眠；C2 = 睡眠不足；C3 = 睡眠质量差；C4 = 严重睡眠障碍。请点击此处下载该文件。

讨论

本研究采用相对较大的横断面样本，通过以个体为中心的潜在剖面分析（LPA）方法，识别出中国大学生中四种异质性的睡眠模式，并进一步探讨了这些睡眠模式与不同体力活动水平之间的关联。研究结果为理解大学生睡眠与运动相关健康行为的聚类特征提供了有益视角，同时也为高校环境中的公共卫生干预提供了更精确的目标。

本研究将大学生的睡眠模式分为四种类型：健康睡眠、睡眠不足、睡眠质量差和严重睡眠障碍。尽管健康睡眠组所占比例最高（45.0%），但超过一半的学生（55.0%）被归类为存在睡眠问题的类型。这一发现与国际证据一致，表明青少年和青年早期人群中睡眠问题普遍存在3,4。特别是，在严重睡眠障碍组中，女生所占比例显著高于男生（68.3% vs. 31.7%），这与以往关于睡眠中性别差异的研究结果一致。女性在月经周期中激素水平的波动，包括雌激素和孕激素的周期性变化，可能增加对睡眠障碍的易感性10。从心理学角度看，女生可能对学业和人际压力更为敏感，更倾向于内化负面情绪。此类反刍思维可能延长入睡潜伏期并降低睡眠深度7。此外，有25.0%的学生属于睡眠不足组。根据以往文献，这一类型可能部分归因于睡前长时间使用电子屏幕、移动设备发出的蓝光暴露，以及相对较弱的时间管理能力30；然而，这些因素在本研究中未被直接评估，应在今后的研究中加以考察。

本研究发现，不同睡眠特征的学生在体力活动水平上存在显著的梯度差异。多分类逻辑回归分析显示，与严重睡眠障碍组的学生相比，健康睡眠组的学生达到高水平体力活动的概率显著更高（OR = 7.55）。这些结果与生活方式医学中健康行为聚集性的概念一致，提示良好的睡眠模式与规律的体力活动可能在同一人群中共同存在。

睡眠模式与体力活动（PA）之间的观察性关联可能通过多种潜在的生理和心理通路来解释，尽管这些机制在当前的横断面研究中并未直接检验。首先，规律的体力活动可能促进睡眠。中等到高强度的体力活动可引起体温的急性升高，随后出现代偿性的运动后降温，这可能有助于睡眠的启动并增加慢波睡眠的比例17。规律的体力活动还可能通过增强迷走神经张力和降低交感神经过度激活来调节自主神经系统。此外，运动相关的内啡肽和脑源性神经营养因子可能有助于缓解抑郁和焦虑，从而减少导致失眠的心理因素36,37。白天的户外活动可能进一步增加视网膜的光暴露，有助于校准昼夜节律并稳定褪黑激素的分泌38。其次，睡眠质量差也可能限制日间体力活动。严重睡眠障碍组的学生可能由于夜间恢复不足而在白天出现疲劳和嗜睡，PSQI中的高白天功能障碍评分反映了这一点。这种能量的耗竭可能降低个体进行体力活动的自我效能感和动机20,28。实验研究和综述证据表明，睡眠与运动可能通过恢复、疲劳、情绪和昼夜节律通路相互影响28,39。因此，存在严重睡眠问题的学生更可能采取久坐不动的生活方式。上述提出的双向通路仍属推测，需通过纵向队列研究和随机对照试验加以验证。

本研究具有样本量相对较大和采用以个体为中心的分析方法的优势；然而，仍需承认存在若干局限性。首先，由于本研究采用横断面设计，无法推断睡眠模式与体力活动之间的因果关系。未来需要开展纵向研究或随机对照试验，以检验运动干预对特定睡眠特征的影响39。其次，睡眠和体力活动均通过自报告量表进行评估，可能受到回忆偏倚和社会期望偏倚的影响。未来的研究应结合多导睡眠图、加速度计或可穿戴设备，以获取更客观的生理和行为数据22,24。第三，样本仅限于中国南方地区高校的大学生，因此文化背景和气候条件可能限制研究结果的普适性。未来研究应纳入更广泛地理区域和不同职业群体的参与者。第四，尽管针对大学和班级聚类效应进行调整的复杂样本敏感性分析得出了稳定的结果，但卡方检验并未明确考虑聚类抽样引入的组内相关性。未来在包含更多聚类的研究中，应在设计阶段就考虑采用多水平潜在剖面分析或多水平回归方法。第五，本研究使用的多项逻辑回归分析依赖于从潜在剖面模型导出的最可能类别归属，未能充分考虑分类的不确定性。尽管较高的熵值（0.915）以及所有类别的平均后验概率均超过0.80，表明分类准确性较高，但未来研究应采用基于模型的方法（如Bolck-Croon-Hagenaars（BCH）三步法），以更恰当地将分类不确定性传递至辅助分析中。

大学生的睡眠模式并非同质化，而是呈现出明显的群体异质性。本研究将其划分为四种潜在剖面类型：健康睡眠、睡眠不足、睡眠质量差以及严重睡眠障碍。良好的睡眠模式与中等至高水平的身体活动呈正相关。研究结果提示，高校教育工作者及公共卫生政策制定者在促进学生心理健康与体能健康时，应避免采用“一刀切”的干预策略。针对睡眠不足群体的学生，干预措施可侧重于时间管理与睡前行为的调整；而对于严重睡眠障碍群体的学生，在临床指征明确的情况下，可考虑提供专业的心理支持，包括失眠认知行为疗法（CBT-I）。40体力活动水平在识别睡眠不良风险学生时可能作为一种有用的行为标志物，但尚需纵向研究和干预研究来确定增加体力活动是否能够改善特定的睡眠特征。

披露

作者声明，本工作是在不存在任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

致谢

我们感谢参与本研究的各大学以及所有完成调查的学生。本研究得到教育部人文社会科学研究青年基金项目（项目编号：23YJC890059）和湖南省教育与教学改革研究项目（项目编号：202502000069）的资助。

材料

本文使用的材料清单
姓名公司目录编号评论
人口统计学与生活方式问卷由研究团队自行设计N/A用于收集性别、年龄、年级、生源地、体重指数、吸烟史、饮酒史及每日平均屏幕使用时间。
匹兹堡睡眠质量指数（PSQI）Buysse 等，1989DOI: 10.1016/0165-1781(89)90047-4用于评估过去一个月内的睡眠质量。七个组成部分的得分被用作潜在剖面分析的观测指标。
国际体力活动问卷-短表（IPAQ-SF）Craig 等，2003

DOI: 10.1249/01.MSS.0000078924.61453

.FB

用于评估过去七天内的步行、中等强度体力活动和高强度体力活动情况。
书面知情同意书研究团队与中国台湾参与高校伦理审批编号 JSDX-2023-0034用于记录18至25岁本科学生的自愿参与。
问卷数据收集流程中国南方参与高校N/A用于2025年9月至12月期间开展的多阶段分层整群随机抽样及问卷施测。
MplusMuthen & Muthen版本 8.3用于基于七个PSQI组成部分得分进行潜在剖面分析。
IBM SPSS StatisticsIBM版本 26.0用于进行卡方检验和多项逻辑回归分析。
Microsoft ExcelMicrosoftN/A用于准备单独的JoVE表格文件以供上传。

参考文献

  1. Chaput JP, et al. Sleeping hours: What is the ideal number and how does age impact this? Nat Sci Sleep. 2018;10:421–430.
  2. Li J, et al. Sleep in normal aging. Sleep Med Clin. 2018;13(1):1–11.
  3. Becker SP, et al. Sleep in a large, multi-university sample of college students: Sleep problem prevalence, sex differences, and mental health correlates. Sleep Health. 2018;4(2):174–181.
  4. Lund HG, et al. Sleep patterns and predictors of disturbed sleep in a large population of college students. J Adolesc Health. 2010;46(2):124–132.
  5. Chen X, et al. Sleep characteristics and health-related quality of life among a national sample of American young adults. Sleep. 2014;37(4):793–799.
  6. Steptoe A, et al. Sleep duration and health in young adults. Arch Intern Med. 2006;166(16):1689–1692.
  7. Zhai L, et al. Sleep duration and depression among adults: A meta-analysis of prospective studies. Depress Anxiety. 2015;32(9):664–670.
  8. Grandner MA, et al. Sleep: Important considerations for the prevention of cardiovascular disease. Curr Opin Cardiol. 2016;31(5):551–565.
  9. Buysse DJ, et al. The Pittsburgh Sleep Quality Index: A new instrument for psychiatric practice and research. Psychiatry Res. 1989;28(2):193–213.
  10. Hirshkowitz M, et al. National Sleep Foundation’s sleep time duration recommendations: Methodology and results summary. Sleep Health. 2015;1(1):40–43.
  11. Nylund-Gibson K, et al. Ten frequently asked questions about latent class analysis. Transl Issues Psychol Sci. 2018;4(4):440–461.
  12. Nylund KL, et al. Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Struct Equ Modeling. 2007;14(4):535–569.
  13. Lanza ST, et al. Latent class analysis: An alternative perspective on subgroup analysis in prevention and treatment. Prev Sci. 2013;14(2):157–168.
  14. Bull FC, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. Br J Sports Med. 2020;54(24):1451–1462.
  15. U.S. Department of Health and Human Services. Physical Activity Guidelines for Americans. 2nd ed. U.S. Department of Health and Human Services; Washington, DC; 2018.
  16. Stamatakis E, et al. Sitting time, physical activity, and risk of mortality in adults. J Am Coll Cardiol. 2019;73(16):2062–2072.
  17. Nystoriak MA, et al. Cardiovascular effects and benefits of exercise. Front Cardiovasc Med. 2018;5:135.
  18. Biddle SJH, et al. A systematic review of physical activity and health in emerging adults. J Sci Med Sport. 2015;18(6):633–638.
  19. Lubans D, et al. Physical activity for cognitive and mental health in youth: A systematic review of mechanisms. Pediatrics. 2016;138(3):e20161642.
  20. Kredlow MA, et al. The effects of physical activity on sleep: A meta-analytic review. J Behav Med. 2015;38(3):427–449.
  21. Wang F, et al. The effect of physical activity on sleep quality: A systematic review. Eur J Physiother. 2021;23(1):11–18.
  22. Buman MP, et al. Objectively measured physical activity and sleep in older men. J Sleep Res. 2014;23(2):164–171.
  23. Loprinzi PD, et al. Association between objectively-measured physical activity and sleep, NHANES 2005–2006. Ment Health Phys Act. 2011;4(2):65–69.
  24. Vandelanotte C, et al. Associations between objective sleep characteristics and physical activity and sedentary behaviours. J Sci Med Sport. 2019;22(5):565–570.
  25. Pedisic Z, et al. State of health in Australian adults: Does physical activity mitigate the negative impact of poor sleep? J Sci Med Sport. 2014;17(1):60–65.
  26. Memon AR, et al. Sleep and physical activity in university students: A systematic review and meta-analysis. Sleep Med Rev. 2021;58:101482.
  27. Kline CE. The bidirectional relationship between exercise and sleep: Implications for exercise adherence and sleep improvement. Am J Lifestyle Med. 2014;8(6):375–379.
  28. Dolezal BA, et al. Interrelationship between sleep and exercise: A systematic review. Adv Prev Med. 2017;2017:1364387.
  29. Gerber M, et al. Fitness and exercise as correlates of sleep complaints: Is it all in our minds? Med Sci Sports Exerc. 2010;42(5):893–901.
  30. Wu X, et al. Low physical activity and high screen time can increase the risks of mental health problems and poor sleep quality among Chinese college students. PLoS One. 2015;10(3):e0119607.
  31. Carter B, et al. Association between portable screen-based media device access or use and sleep outcomes: A systematic review and meta-analysis. JAMA Pediatr. 2016;170(12):1202–1208.
  32. Craig CL, et al. International Physical Activity Questionnaire: 12-country reliability and validity. Med Sci Sports Exerc. 2003;35(8):1381–1395.
  33. Dinger MK, et al. Validity and reliability of the International Physical Activity Questionnaire in college students. Am J Health Educ. 2006;37(6):337–343.
  34. Muthén LK, Muthén BO. Mplus User’s Guide. 8th ed. Muthén & Muthén; Los Angeles, CA; 1998–2017.
  35. Spurk D, et al. Latent profile analysis: A review and “how to” guide of its application within vocational behavior research. J Vocat Behav. 2020;120:103445.
  36. Rebar AL, et al. A meta-meta-analysis of the effect of physical activity on depression and anxiety in non-clinical adult populations. Health Psychol Rev. 2015;9(3):366–378.
  37. Yang PY, et al. Exercise training improves sleep quality in middle-aged and older adults with sleep problems: A systematic review. J Physiother. 2012;58(3):157–163.
  38. Irish LA, et al. The role of sleep hygiene in promoting public health: A review of empirical evidence. Sleep Med Rev. 2015;22:23–36.
  39. Driver HS, et al. Exercise and sleep. Sleep Med Rev. 2000;4(4):387–402.
  40. Morin CM, et al. Chronic insomnia. Lancet. 2012;379(9821):1129–1141.

重印与许可

标签

联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。