Subjective and objective dimensions of sleep quality: a comparative machine learning study

Sleep quality is a multidimensional construct encompassing both objective and subjective components, yet the extent to which their physiological determinants overlap remains poorly understood. This study applies a comparative machine learning framework to model subjective and objective sleep quality, represented by the Pittsburgh Sleep Quality Index (PSQI) and Sleep Efficiency (SE), respectively. Data were drawn from the Multilevel Monitoring of Activity and Sleep in Healthy People dataset, comprising 24-hour multimodal recordings from 22 healthy young males. Five feature domains were evaluated: actigraphy-derived sleep diary metrics, hormone concentrations, inter-beat interval rhythmicity, psychological questionnaires, and activity diaries. Models achieved the highest performance using autonomic rhythmic features extracted from inter-beat interval signals, reaching a balanced accuracy of 1.00 for PSQI and 0.85 for SE. Explainability analyses revealed distinct determinants for each target: subjective sleep quality was mainly associated with the temporal alignment of autonomic rhythms, whereas objective sleep efficiency relied on their strength and regularity. Methodologically, this work introduces a unified comparative framework to predict both subjective and objective sleep quality within the same modeling structure, combined with a fully nested cross-validation design to ensure robust evaluation. The use of explainable machine learning enhances clinical interpretability, identifying which factors most strongly shape subjective perception versus objective continuity. These findings indicate that subjective perception of sleep is primarily linked to the timing of autonomic rhythms, while the objective efficiency depends on their robustness and stability. Autonomic chronobiology emerges as a promising non-invasive approach to assess both perceived and physiological aspects of sleep health.

La qualità del sonno è un costrutto multidimensionale che comprende componenti sia oggettive sia soggettive, e il grado in cui condividono determinanti fisiologici rimane ancora poco chiaro. Il presente studio applica un framework comparativo di machine learning per modellare la qualità del sonno soggettiva e oggettiva, rappresentate rispettivamente dal Pittsburgh Sleep Quality Index (PSQI) e dalla Sleep Efficiency (SE). I dati provengono dal dataset Multilevel Monitoring of Activity and Sleep in Healthy People, costituito da registrazioni multimodali delle 24 ore in 22 partecipanti maschi sani. Sono stati valutati cinque domini di feature: metriche actigrafiche riconducibili a un diario del sonno, concentrazioni ormonali, caratterostoche di ritmicità degli intervalli tra battiti cardiaci, questionari psicologici e diari delle attività. I modelli hanno raggiunto le prestazioni più elevate utilizzando caratteristiche ritmiche autonomiche estratte dai segnali di intervallo tra battiti, con una accuratezza bilanciata pari a 1.00 per il PSQI e 0.85 per la SE. Le analisi di spiegabilità hanno evidenziato fattori determinanti diversi per ciascun target: la qualità soggettiva del sonno risultava principalmente associata all’allineamento temporale dei ritmi autonomici, mentre l’efficienza oggettiva dipendeva maggiormente dalla loro forza e regolarità. Dal punto di vista metodologico, questo lavoro introduce un quadro comparativo per la previsione sia della qualità del sonno soggettiva sia di quella oggettiva all’interno della stessa struttura di modellizzazione, combinato con un disegno di cross-validation annidato per garantire un allenamento e valutazione robuste. L’impiego di tecniche di machine learning interpretabile accresce la comprensibilità clinica, permettendo di individuare quali fattori comportamentali e fisiologici influenzano maggiormente la percezione soggettiva rispetto alla continuità oggettiva del sonno. I risultati indicano che la percezione soggettiva del sonno è fortemente legata alla tempistica dei ritmi autonomici, mentre l’efficienza fisiologica del sonno dipende dalla loro robustezza e stabilità. La ritmicità autonomica circadiana emerge come un approccio promettente e non invasivo per valutare sia gli aspetti percepiti sia quelli fisiologici della salute del sonno.