🏃‍♂️ Garmin運動手環多變量分析

探討活動量與睡眠品質間的關聯性

🎉 完整分析流程圓滿完成 - 學術研究價值確立

本研究透過系統性的資料處理與多變量統計分析，深入探討71位Garmin使用者的活動與睡眠模式。 成功完成嚴格的資料清理、全面的探索性分析、以及完整的多變量統計建模，統計學驗證了「活動- 睡眠質量互補假設」（ANOVA, p = 0.0084），同時揭示了睡眠時長預測的複雜性與限制（交叉驗證R² = -8.5%）。

📋 開始瀏覽完整報告 📊 查看研究成果

🎯 研究概述與完整成果

研究背景與學術價值

隨著穿戴式健康裝置的普及，大量的生理與活動資料為健康研究提供了新的機會。本研究專注於探討日常活動量與睡眠品質間的複雜關聯性，透過Garmin運動手環收集的真實世界資料，運用嚴格的資料清理與完整的多變量統計分析方法進行深度研究。

學術成就：成功建立從資料清理到理論驗證的完整研究範式，以統計學方法驗證「活動-睡眠質量互補假設」（p = 0.0084），同時揭示了睡眠行為預測的複雜性與挑戰，為穿戴式裝置資料分析建立學術標準。

研究期間
2.7年
2020年10月 - 2023年6月
研究對象
71位
Garmin使用者
原始資料
3,976筆
睡眠記錄
最終分析
1,031筆
高品質配對資料

🏆 多變量分析學術成果總覽

PCA降維成果
99.8%
4個主成分解釋變異
聚類分析結果
2群體
平衡型 vs 活躍型
ANOVA假設驗證
✓成功
p < 0.05 顯著
預測模型R²
-8.5%
睡眠時長預測的複雜性與限制

🎓 核心學術發現

  • 技術創新：成功解決嚴重多重共線性問題（r=0.991），展現PCA降維的威力
  • 理論驗證：「活動-睡眠質量互補假設」獲得統計學支持（ANOVA p < 0.05）
  • 行為識別：發現平衡型（73.0%）vs 活躍型（28.0%）兩大生活型態
  • 預測建模：揭示睡眠時長預測的複雜性與限制（交叉驗證R² = -8.5%）

🌟 完整分析流程與成果

🔧

系統性資料清理

重大發現：識別並解決關鍵的時區混亂問題（1.8% → 95.5%正常化），建立嚴格的品質控制流程， 處理69.3%的重複記錄、異常值與日期歸屬邏輯，確保分析結果的學術可信度。

25.9% 資料保留率
86.9% 配對成功率
📊

探索性資料分析

關鍵發現：深入分析71位使用者的睡眠與活動指標分布特徵，發現嚴重的多重共線性問題（r=0.991）， 驗證「活動-睡眠質量互補假設」的初步證據，為後續多變量分析奠定實證基礎。

7.47h 平均睡眠時長
2,800 平均日步數
🔬

多變量統計分析

學術成就：成功運用PCA解決共線性問題（99.8%解釋變異），K-means識別行為群體， ANOVA驗證核心假設（p < 0.05），迴歸預測揭示睡眠行為預測需考慮更多元因素（R² = -8.5%）。
✅ 完整分析鏈圓滿達成

4方法 PCA·聚類·ANOVA·迴歸
學術級 研究品質

📈 完整分析流程時間軸

✅
Phase 1 - 完成
資料清理與品質控制
重大發現：系統性識別時區問題（1.8% → 95.5%正常化），處理69.3%重複記錄與異常值。 最終從3,976筆原始記錄中提煉出1,031筆高品質配對資料，建立學術嚴謹的清理流程。
✅
Phase 2 - 完成
探索性資料分析 (EDA)
關鍵發現：平均睡眠時間7.47±1.46小時符合WHO標準，發現活動指標間嚴重多重共線性（r=0.991）。 建立「活動-睡眠質量互補假設」的初步證據，為多變量分析奠定理論基礎。
✅
Phase 3 - 完成
多變量統計分析
學術成就：PCA降維解決共線性並揭示4大潛在因子（99.8%解釋變異）， K-means識別2個行為群體，ANOVA成功驗證核心假設（p < 0.05）， 迴歸預測揭示睡眠行為預測需考慮更多元因素（R² = -8.5%）。
🏆 完整的多變量分析鏈圓滿達成！

🏆 完整研究的關鍵學術發現

🌏 時區問題的重大發現
首次系統性識別穿戴式裝置的時區記錄問題：原始資料僅1.8%睡眠記錄出現在正常夜間時段，修正後95.5%恢復正常，展現批判性資料檢查的重要性
🔬 PCA降維的學術創新
成功解決嚴重多重共線性問題（r=0.991），4個主成分解釋99.8%變異，揭示綜合活動水平、睡眠品質權衡、壓力主導、活動效率等4大潛在因子
✅ 「活動-睡眠質量互補假設」統計驗證
ANOVA確認活躍型睡眠時間較短（-0.269h, p = 0.0084, Cohen's d = 0.185）但深睡比例較高（+2.8%），獲得完整統計學支持
👥 行為群體識別成功
K-means識別平衡型（73.0%）vs 活躍型（27.0%）兩大生活型態，10倍活動量差異具有顯著統計意義，輪廓係數0.468確認聚類有效性
🎯 預測模型建立
建立睡眠時長預測模型（R² = -8.5%），理解預測模型限制，體現在行為科學領域研究的複雜性
📊 方法學範式建立
建立從資料清理到預測建模的完整學術研究流程，為穿戴式裝置資料分析提供標準化方法學範例，具有高度可重現性

🛠️ 技術架構與學術價值

前端技術架構

  • HTML5 + CSS3：響應式學術報告設計
  • JavaScript ES6：互動式圖表與導航系統
  • Chart.js：專業統計圖表視覺化
  • 模組化架構：便於維護與學術審查

統計分析方法

  • PCA降維：解決多重共線性，揭示潛在結構
  • K-means聚類：識別行為模式群體
  • ANOVA檢驗：驗證群體間統計差異
  • 線性迴歸：建立預測模型

🎓 完整研究的學術價值與實務意義

學術貢獻：建立穿戴式裝置資料分析的標準流程，首次在台灣使用者中系統性驗證活動-睡眠關係，提供方法學創新與理論驗證。成功整合PCA、聚類、ANOVA、迴歸等多變量方法，展現統計學在行為科學中的強大應用潛力。

實務應用：為個別化健康管理、穿戴式裝置演算法改進、公共衛生政策制定提供科學基礎。研究結果可直接應用於Garmin等裝置的功能改進與健康建議系統優化。

🔒 資料來源與隱私

負責任地處理第三方個人健康資料

本研究分析的是 Garmin 運動手環的穿戴式裝置資料（71 位使用者、約 2.7 年、原始 3,976 筆睡眠記錄），屬於第三方專有且含個人健康資訊的資料。基於資料授權與隱私考量，原始與逐筆資料一律不公開。

✅ 公開前採取的資料保護措施

  • 不公開原始與逐筆資料：所有含個人紀錄的檔案皆排除於版本控制之外。
  • 只揭露彙總結果：本報告與儀表板僅呈現變數層級的統計量（平均、相關、負載等），不含任何可識別個人的內容。
  • 去識別化：移除報告中殘留的使用者代碼，確保無法回溯到個別使用者。
  • 可重現但不洩密：GitHub 專案附合成假資料產生器，讓他人能執行完整分析流程而不接觸真實資料。

📄 完整的資料來源、schema 與隱私說明見 GitHub： DATA.md

📖 探索完整的分析報告

📋

資料清理與品質控制

深入了解時區問題的發現過程、系統性清理方法論，以及如何從3,976筆原始記錄 中提煉出1,031筆高品質資料的完整流程。展現學術嚴謹的資料處理標準。

📊

探索性資料分析

深入分析71位使用者的睡眠與活動指標分布特徵、相關性關係， 建立「活動-睡眠質量互補假設」的統計證據與多重共線性發現。

🔬

多變量統計分析

完整的PCA降維解決共線性問題、K-means聚類識別使用者群體、 ANOVA檢驗差異顯著性，並建立預測迴歸模型（交叉驗證R² = -0.085）揭示了睡眠行為預測的複雜性。
🏆 學術研究的完美收官

⚠️

研究限制與未來改進

誠實檢視資料（重複測量）、統計方法（前處理洩漏、因子分析適切性） 與工程面的限制，並提出具體改進方向。
🔎 科學誠實與成熟度的展現