量化自我 · 2016-2026
2016 年 2 月，我第一次打开一个叫 SleepCycle 的应用。此后每一个夜晚，手机都静静地躺在床头，记录着关于睡眠的一切。 十年过去，这些数字堆成了一份出奇丰富的生活档案。在 AI 的帮助下，我第一次将它们摊开来仔细玩味。
01 / 全量数据
先来看看这份原始数据集本身。 从 2016 年 2 月到 2026 年 3 月，App 里一共留下了 3,656 个有效夜晚
这张图的价值不在于立刻给出答案，而在于先建立整体直觉：高质量和低质量的夜晚并不是随机散落的， 但又没有整齐到像教科书，等待着我们深入分析。
把这十年的 SleepCycle 睡眠分画出来，能看到一条清晰的弧线—— 2016 年开始记录时还在 80% 上下徘徊，之后缓慢攀升，2020 年达到顶峰（年均 94.4%）， 然后是明显的跌落。2022 年开始持续低迷，2023-2025 年在 79-83% 区间震荡。
02 / 时长与时间
首先是睡眠时长，它与睡眠质量并不总是同向移动。 2020 年的高质量伴随着最长的时长（年均 7.8h）， 而 2024-2026 年时长降到了 6.5h 左右，接近这十年的最低点。 注：这里的睡眠时长是 SleepCycle 识别的实际睡眠时间（sleep_h），去除了夜间清醒时段。
入睡时间的数据则表明：「过了午夜才睡」这个 tag 出现了 2305 次，占有效记录的 63%—— 这十年里三分之二的夜晚我都是在严格意义上的"第二天"才上床睡觉。
把十年里所有夜晚按入睡时间段分组，然后看每组的平均质量，结果非常清晰： 每晚一小时，睡眠质量大约跌 4–6 个百分点。23 点前入睡比基线高 4%；凌晨 2 点以后入睡，则会低 11%。
SleepCycle 还会计算每晚睡眠的「规律性」（Regularity）——入睡/起床时间与自身历史节律的吻合程度。
睡眠时长是App推算出的，更客观的指标是：卧床总时长——从上床到起床的整段窗口。 这个窗口代表着一种睡眠质量的上限，如果在床上的时间本身就太短，身体不会有好好睡觉的机会。
关于睡眠，最常见的误解之一是："今晚熬夜少睡两小时，明晚多睡两小时就能补回来"。 但当我们将十年的连续时间序列拆开，观察前一夜的睡眠剥夺如何影响第二天的行为时，我的身体给出的答案却不太一样。
我的身体不会通过"睡懒觉"来还债。 如果前一晚遭遇了严重的睡眠剥夺（少于 6 小时），第二天晚上的绝对在床时间（Time in Bed）依然会死死钉在 8 小时左右的基准线上。 并没有狂睡 10 个小时，只是比平时提前 2 个半小时（148分钟）上床睡觉。
而大幅度提前上床带来了一个意想不到的"入睡困难悖论"。 按照常理，极度疲惫应该让人倒头就睡。但实际上，在前一夜严重缺觉（<6h）的情况下，第二天的入睡时间反而从正常的 9.9 分钟拉长到了 14.5 分钟（增加了近 50%）。 这可能是因为极度缺觉，导致了神经系统的过度唤醒（皮质醇/肾上腺素代偿性升高），以及生物钟的影响。
此外，数据表明睡眠似乎具有极强的惯性（Momentum）。 如果我们考察连续两天的睡眠质量对第三天的影响，会发现"睡眠债"几乎不可能在一天内被完美偿还。 连续两天的糟糕睡眠，会让第三天的睡眠质量继续被死死压制在 76.7%；而连续两天的高质量睡眠，则意外也能让第三天冲上 90% 以上的巅峰。
这些发现或许揭示了一个有意思的生物学现实：睡眠系统是一个极度厌恶方差的稳态系统。 试图通过"周末狂睡 12 小时"来偿还工作日欠下的睡眠债，至少在我这里是有点行不通的。 唯一有效的还债方式，不是延长单次睡眠的长度，而是老老实实地回到基线，连续几天保持稳定的就寝时间，等待神经系统的过度唤醒缓慢平息。 或许规律性确实比时长更重要。
03 / 行为与睡眠质量
我在Sleep Cycle里加了一些自定义的标签，在睡前和醒后都可以修改。 十年下来，这些标签形成了一个行为数据库，为更有趣的分析提供了基础。
下图展示了 23 个行为标签相对于整体基线（全部夜晚均值 83.3%）的质量差值。 再次注意：这是相关性，不是因果关系。
04 / 事件分析
前一节是一个总体比较：哪些事件整体上更伤睡眠，哪些相对更友好。 这一节把几个值得展开的事件单独拎出来看—— 比如它们出现的频率如何变化，又在什么时间段里变得重要。
出行夜晚只占全部记录的 3.7%（135 晚），但影响极为稳定：平均质量 73.3%，比 baseline 低 10.4 分。 在所有高频行为标签里，它是最可预测的负面项——几乎每次出行都会带来质量下降，说明了稳定的睡眠环境对睡眠质量有多重要。 但数据也揭示了一件反直觉的事：真正的元凶不是出行本身，而是伴随出行的行为模式。
出行结束后并不是慢慢恢复——而是出现明显的回家反弹： 回家后第 2 晚质量达到 87.5，高于日常 baseline（83.7）。 旅行长度上，数据呈现线性关系：越长的旅行，每晚平均质量越低（1 晚 73.5 → 4-7 晚 70.4）——不存在"适应期"的甜蜜区间，每多一晚都是额外代价。 另一个发现：出发前夜没有焦虑信号，质量仅低于 baseline 1.7 分，说明旅行本身并不令人焦虑。
break 标签指的是脱离睡眠状态后又重新睡回去的情形。
它只占全部记录的少数，但一旦出现，通常意味着当晚睡眠出了问题。
数据支撑也很有力：平均质量更低，醒着时间更长，睡眠效率也更差。
上面这张图，是我决定把 break 单独拎出来讲的原因。 在探索性分析里，AI 帮我挑出了几个带有 break 标签的特殊夜晚，其中最有意思的是两次徒步归来后的夜晚—— 同样的疲惫，同样的"回到床上"，身体却给出了完全不同的答案。
哈巴雪山归来的那一夜，身体回来了，精神却还留在山上。 情绪、写作、回看当天拍下的视频，把醒着的时间一点点拉长（详见《我的哈巴雪山之旅》）。 而雨崩归来的那一夜，同样是一次长线旅程之后的回响，睡眠却几乎没有受到波及。 同样是"归来后的回响夜"，可以走向完全不同的结局—— 真正伤害睡眠的从来不是徒步本身，而是徒步之后，大脑是否愿意让这一天就此落幕。
05 / 疲劳与运动
几乎所有的睡眠卫生建议都会讲同一句话："白天多运动，把自己累趴下，晚上就能睡个好觉。" 但把十年的步数、锻炼记录和睡眠指标放在一起看，结果却是反过来的——走得越多，睡得越差。
在没有任何锻炼标签的普通日子里，如果当天步数超过 12000，平均睡眠质量并没有上升，反而跌到了 81.4%（对比步数低于 4000 时的 84.6%）。更明显的变化出现在呼吸指标上：高步数日的平均打呼噜时间长达 35 分钟，呼吸中断指数（BD）升到 8.6 次/小时。
但硬币的另一面同样清晰。
把高步数（>10000 步）的日子拆开看，疲劳其实来自三种不同的来源：高强度徒步（Worked out）、旅行奔波（Travel），以及目的性不强的高步数——比如逛街和日常通勤。
三者对睡眠都是负面的，其中旅行奔波最重（质量降至 73.3%，BD 约 8.6）。
但如果换成极低步数（<5000）加上 Worked out 的"靶向运动"（例如游泳或纯力量训练），方向就完全反过来了。
为了排除这只是某种统计错觉，我做了一次更严格的对照：剔除所有带有生病、饮酒、咖啡因和晚睡标签的夜晚，再把不同运动类型的睡眠表现和它发生地的"本地基线"直接对比。 结论并没有被稀释——在这套更干净的基线下，靶向运动仍能让睡眠质量上浮 2.7%，而徒步和旅行奔波则分别带来 2.9% 和 11.2% 的扣分。 换句话说，无结构的体力透支确实在破坏睡眠结构；而真正能反向垫高睡眠底盘的，是那些主要让心肺和肌肉工作、而不让关节过度磨损的运动。
06 / 长期攻防战
健康问题是睡眠质量最大的杀手。
SleepCycle 会记录夜间声音与呼吸相关信号。把这几条线放在一起看，比只盯着睡眠质量分数更能说明问题。
2016-2019 年，打呼噜几乎不存在；2020年1月末春节期间那场严重乙流之后，情况改变了。 打呼噜开始出现，而且再也没有真正退回去：先是零星，再是多数夜晚，最后几乎夜夜都在发生。 到 2025 年，平均每晚已接近 70 分钟。
2022 年底之后，SleepCycle 又开始给出呼吸中断数据；2023 年以后，咳嗽这条线也逐渐变得可用。 这样看，后期的呼吸问题已经不是单一指标恶化，而是一整组负担在同步抬升。 尤其是 2024 年 8-10 月，咳嗽、`sick` 标记、打呼噜和呼吸中断一起形成了一个值得叙述的波段。
sick 标记高度重叠。
这说明后期的衰退已经不只是打呼噜或呼吸中断单一指标变差，而更像是一次更底层的、横跨整个呼吸系统的负担抬升。
一波乍平，一波又起。消化、呼吸两大系统接力成为了我身体中的主战场。
2016-2018 年，每四分之一的夜晚都有肠胃不适的标注； 2018 年底接受四联疗法（艾司拉唑 + 克拉霉素 + 阿莫西林 + 胶体果胶铋）， 彻底根除了 HP 感染。经过一段恢复期，到 2019 年，肠胃问题基本平息。 与此同时，打呼噜的出现率从不到 1% 开始悄悄上升。
2020 年1月乙流之后，两条曲线的交叉完成：HP 几乎归零，打呼噜持续攀升。
2025 年 4 月 15 日，在打呼噜和呼吸中断持续恶化、峰值达到 108 分钟/晚、12.84 次/小时之后， 开始自行尝试鼻炎治疗：辅舒良（丙酸氟替卡松）鼻腔喷雾剂，后改为布地奈德，配合海盐水洗鼻。 2025 年 7 月 25 日，MRI 确诊了鼻窦炎和囊肿——这是数年呼吸恶化之后第一次有了明确的结构性诊断。 上气道被鼻腔炎症部分堵塞，呼吸本来就费力，睡眠中更甚。
一开始效果并不明显，但到 2025 年 12 月，通气感开始明显改善—— 不是仪器告诉我的，是身体自己说的。
数据确认了这个感知： 2025 年 4 月打呼噜均值达到顶峰 108 分钟/晚，呼吸中断 12.84 次/小时； 到治疗稳定后（2025 年 12 月—2026 年 3 月），打呼噜降至 约 55 分钟， 呼吸中断降至 约 6.9 次/小时（四个月均值）。 和 2025 年春季的峰值相比，这两个指标都接近减半。
SleepCycle 的质量分数——一如既往——几乎没有动。
07 / 环境与触发器
SleepCycle 偶尔会记录当晚的天气和室温。十年里共有 755 个夜晚留下了有效的室温记录，占全部数据的 20%。 把这些夜晚和呼吸负担放在一起对比，会看到一条很物理的规律： 冷空气是脆弱气道的直接放大器。
气温越低，打呼噜的时间越长，呼吸中断（BD）也越频繁。 室温在 10-18°C（偏冷）时，平均打呼噜时间 38.4 分钟，呼吸中断接近 7.7 次/小时； 室温回暖到 24°C 以上时，这两个数字分别回落到 21.8 分钟 和 5.4 次/小时。
如果说冷空气是惩罚，那么另一种天气似乎提供了某种庇护：雨天。
在记录为"雨天"或"阵雨"的 170 个夜晚里，打呼噜时间出现了断崖式下跌——从晴天/多云时的 32 分钟，骤降到了 19.4 分钟。 更直接的反馈是，第二天醒来感觉"Bad"的比例，也从 46% 显著降到了 38.2%。
如果把环境的定义从"天气"延伸到"居住地（Location Phase）"，这十年的几次搬家就串成了一套关于香港居住空间的微观睡眠史：不同的物理空间，直接塑造了不同的睡眠基线。
从绵阳到香港不同片区，平均睡眠质量和有效睡眠时长都呈现出明显的结构性下行。 比较特别的是 Pok Fu Lam 时期——主观标注的噪音困扰（Noisy）比例接近 40%，是十年里的峰值。 到了 Wan Chai（湾仔） 和 Mid-Levels²，表面上的噪音困扰似乎回落了，但这是一个伪象：在这两个阶段，我大幅增加了耳塞的使用频率（图中虚线），用高频的物理抗噪把主观困扰压了下去。
那么，面对糟糕的声学环境，我是怎么应对的？ SleepCycle 近三年引入了客观的"环境噪音（Ambient Noise）"分贝监测。 把仪器读出的物理分贝与"戴耳塞"这个行为放在一起看，能看到一条清晰的正相关曲线： 耳塞并不是一种随机的睡前仪式，而是对糟糕物理环境的真实抗争。
08 / 情绪记录
SleepCycle 在醒来时要求我报告状态：Good / OK / Bad / Not set。 这十年里，Bad 占所有有效记录的 38%—— 将近四成的早晨，醒来第一个感受是「不好」； 而 Good 只有 3%，极其稀有。 这不只是因为坏的早晨很多，也因为"好"在这里本来就是一个高阈值判断：在 2016–2025 的十个完整年份里，Good 从未超过 4.1%，而到 2026 目前只剩 1.3%。 如果说打呼噜和呼吸中断是夜里的身体信号，那么情绪标签就是醒来之后的直接口供。
但 SleepCycle 的情绪记录只发生在醒来之后——它更像是对这一夜睡眠质量的评价，而不是入睡前的真实情绪状态。 数据里另有两个 tag 填补了这个空白：睡前负面情绪（sad）和压力大（Stressful day）。 行为 tag 分析显示，「睡前负面情绪」对睡眠质量的拖累达到 −4.6%，是全部 tag 里最强的负面信号之一，比「生病」（−2.0%）和「压力大」（−1.8%）都要更深。 这两个维度——入睡前的情绪状态，与醒来后的主观评价——共同构成了一条算法完全看不见的情绪切面。
2016–2019 年，Bad 率还只是在 25–35% 之间波动。 2021 年突然跳到 48%，从此再没有回到 40% 以下—— 2024 年 48%，2026 年 54%，是十年最高。 这个跳变甚至比 COVID 还早一年，说明某些裂缝在身体指标彻底恶化之前，就已经先出现在主观感受里。
这也是为什么后面那条"修正分"要把 mood 放在核心位置： 它不是附注；它其实是对这一晚过得怎么样最直接的反馈。 传感器记录的是睡眠结构，而情绪标签记录的是活着的感受；后者更主观，却也往往更诚实。
如果睡眠质量分真的能预测你醒来的感受，那高质量的夜晚应该对应很少的 Bad 情绪。 数据的实际情况是：Q 90+ 的夜晚里，仍有 21% 的早晨是 Bad—— 而 Good 只有 6%。评分越高，Bad 比例越低，但从未降到 0。 这张图展示了质量分和主观感受之间始终存在的那道裂隙。
09 / 两种衡量
SleepCycle 的质量分数是一个不透明的黑盒——它基于手机麦克风和加速度计推算睡眠阶段，最终给出一个 0-100% 的数字。但这个数字到底在量化什么？
为了检验它，我又构建了两条校正曲线。 第一条是mood 修正分：仍以 SleepCycle 原始分为底盘，但把醒来情绪（Good / OK / Bad）直接纳入修正。 第二条是完整修正分：在 mood 修正的基础上，再用呼吸相关负担（打呼噜、呼吸中断）继续往下校正。
由于呼吸负担数据在后期版本中才逐步可用，完整修正分只从 2022 年 12 月 之后开始计算。 图里的三条线，分别对应三种不同层次的理解：算法本身、主观感受，以及把呼吸问题也算进去之后的现实状态。 更值得注意的是，这个裂口不是一次性张开的：它先以 mood 的形式出现，再被呼吸负担进一步拉大。 三条线真正想回答的不是"哪个分数更漂亮"，而是：同一个夜晚，在不同的尺子下到底会呈现出怎样不同的样子。
10 / 机器学到了什么
前面的章节基本都是一次只看一个变量：晚睡怎样，旅行怎样，某些标签怎样。到这里我想把这些碎片放回一个统一的空间里。 我用近几年的夜晚训练了一个模型，然后换了一个更诚实的问题：当入睡时间、这些标签、近期状态和上下文一起竞争时，到底谁还站得住？1
答案既不神秘，也有点烦。晚睡依然是第一变量，夜间中断和茶 / 咖啡是实打实的代价。 而那些在前面图表里看起来很吓人的标签——尤其是 疲惫 和 过午夜——一旦把入睡时间单独放进模型里，力度就会明显缩水。 机器没有发现什么隐秘的睡眠法则，它做的是一件更有用的事：帮我把原因和它留下的痕迹拆开。
睡眠质量
起床情绪
技术脚注
1 这一节主要使用近几年数据，并且只放入睡前已经知道的变量。目的不是追求最强拟合，而是看哪些因素在真正可行动的前提下仍然保有解释力。
2 这里的相对权重不是单变量相关性，而是变量放在同一个模型里之后，仍然保留下来的解释力度。它更接近“控制了其他因素之后，这个变量还剩多少分量”。
3 这里的“反事实”不是因果证明，而是基于模型做的单变量改动模拟：尽量保持其他背景不变，只看某一个因素变化时，预测结果会往哪个方向移动、幅度大概多大。
11 / 后记
这是一篇极其个人的睡眠分析，但它底下的问题也许并不独特：睡眠是多维的，环境的影响比多数人以为的更大，而算法打出的分数和你真正走进去的那个早晨，并不总是同一回事。
上一节的模型没有揭示什么隐秘的睡眠法则。它做的事情更诚实：把所有因素放在一起竞争，看最后还能站住的到底是什么。排在第一的是入睡时间。不是运动，不是标签，也不是那些我们很喜欢讲述的睡前仪式。几点入睡依然压过几乎所有其他变量，而且它对第二天情绪的伤害，比对应用显示分数的影响更深。
有几件事，到了这里已经很难继续假装看不见。
运动确实有助于睡眠，但不是所有运动都一样。让关节和肌肉过度疲惫的那种，往往适得其反；真正能让数字动起来的，是那些让心肺有效工作、却不带来过度磨损的运动。
“明天多睡补回来”这种想法，在我身上并不成立。身体更倾向于通过提前入睡来还债，而不是把某一个夜晚拉长。恢复节律，比单次加量更重要。
如果有慢性呼吸道问题，冷空气和干燥就是真正的放大器。潮湿的夜晚不只是更舒服，它们对脆弱的气道往往也更友好。
如果经常觉得“评分挺高但感觉不对”，那就更相信自己的感觉。算法测量的是动作和声音，它不测量你必须度过的那个早晨。
数据真正的用处，从来不是替你确认一切都好。它更像是把一种模糊的不安，变成可以被指出来、被审视，也许还能被慢慢改变的东西。