Analyzes JSON sleep tracking data to identify trends, assess quality via PSQI and efficiency, detect issues like insomnia or apnea risks, and generate personalized improvement suggestions. Correlates with fitness, diet, mood, and health metrics.
npx claudepluginhub joshuarweaver/cascade-ai-ml-engineering --plugin huifer-wellally-healthThis skill is limited to using the following tools:
分析睡眠数据，识别睡眠模式，评估睡眠质量，并提供个性化睡眠改善建议。
Generates design tokens/docs from CSS/Tailwind/styled-components codebases, audits visual consistency across 10 dimensions, detects AI slop in UI.
Records polished WebM UI demo videos of web apps using Playwright with cursor overlay, natural pacing, and three-phase scripting. Activates for demo, walkthrough, screen recording, or tutorial requests.
Delivers idiomatic Kotlin patterns for null safety, immutability, sealed classes, coroutines, Flows, extensions, DSL builders, and Gradle DSL. Use when writing, reviewing, refactoring, or designing Kotlin code.
分析睡眠数据，识别睡眠模式，评估睡眠质量，并提供个性化睡眠改善建议。
分析睡眠时长、质量、效率的变化趋势，识别改善或需要关注的方面。
分析维度：
输出：
综合评估睡眠质量，识别影响睡眠质量的关键因素。
评估内容：
输出：
识别常见的睡眠问题和风险因素。
识别内容：
失眠模式：
呼吸暂停风险：
其他问题：
输出：
分析睡眠与其他健康指标的相关性。
支持的相关性分析：
睡眠 ↔ 运动：
睡眠 ↔ 饮食：
睡眠 ↔ 情绪：
睡眠 ↔ 慢性病：
输出：
基于用户数据生成个性化睡眠改善建议。
建议类型：
作息调整建议：
睡前准备建议：
睡眠环境优化：
生活方式调整：
CBT-I元素：
输出：
当用户请求以下内容时触发本技能：
明确用户请求的分析类型和时间范围：
主要数据源：
data-example/sleep-tracker.json - 睡眠追踪主数据data-example/sleep-logs/YYYY-MM/YYYY-MM-DD.json - 每日睡眠记录关联数据源：
data-example/fitness-tracker.json - 运动数据data-example/hypertension-tracker.json - 血压数据data-example/diabetes-tracker.json - 血糖数据data-example/diet-records/ - 饮食记录data-example/mood-tracker.json - 情绪数据根据分析类型执行相应的分析算法：
趋势分析算法：
相关性分析算法：
模式识别算法：
按照标准格式输出分析报告（见"输出格式"部分）
# 睡眠质量分析报告
## 分析周期
2025-03-20 至 2025-06-20（3个月）
---
## 睡眠时长趋势
- **趋势**：⬆️ 改善
- **开始**：平均6.2小时/晚
- **当前**：平均7.1小时/晚
- **变化**：+0.9小时 (+14.5%)
- **解读**：睡眠时长显著增加，接近理想目标（7.5小时）
**趋势线**：
6.5h ┤ ╭╮ 6.0h ┤ ╭─╯╰╮ 5.5h ┤ ╭─╯ ╰─╮ 5.0h ┼─┘ ╰─ └─────────── 3月 4月 5月 6月
---
## 睡眠效率
- **平均睡眠效率**：85.3%
- **效率范围**：78%-92%
- **达标率**：63%（>85%为达标）
- **解读**：睡眠效率正常，仍有提升空间
**效率分布**：
- 优秀（>90%）：15晚
- 良好（85-90%）：28晚
- 需改善（<85%）：47晚
---
## 作息规律性
- **平均上床时间**：23:15（范围：22:30-01:00）
- **平均起床时间**：07:05（范围：06:30-08:30）
- **作息一致性评分**：72/100
- **社交时差**：45分钟（周末比工作日晚睡晚起）
- **解读**：作息基本规律，但周末波动较大
**建议**：
- 🎯 保持一致的起床时间，包括周末
- 🎯 逐步调整上床时间，避免周末过度延迟
---
## 睡眠质量分布
| 质量等级 | 天数 | 占比 | 趋势 |
|---------|------|------|------|
| 优秀 | 8 | 9% | ⬆️ |
| 很好 | 12 | 13% | ➡️ |
| 好 | 15 | 17% | ⬆️ |
| 一般 | 42 | 47% | ⬇️ |
| 差 | 10 | 11% | ⬇️ |
| 很差 | 3 | 3% | ➡️ |
**解读**：睡眠质量以"一般"为主，但"好"及以上质量的天数在增加
---
## 夜间觉醒分析
- **平均觉醒次数**：1.8次/晚
- **平均觉醒时长**：18分钟
- **主要原因**：
1. 尿意（45%）
2. 噪音（25%）
3. 温度过热（15%）
4. 其他（15%）
**建议**：
- 🎯 睡前2小时限制液体摄入
- 🎯 优化卧室温度（18-22℃）
- 🎯 使用白噪音机器遮蔽背景噪音
---
## PSQI 评估趋势
- **最新分数**：8分（睡眠质量一般）
- **上次分数**：10分（2025-03-20）
- **变化**：-2分（改善）
- **趋势**：⬆️ 持续改善
**历史趋势**：
12 ┤ ● 10 ┤ ● 8 ┤ ● 6 ┤ └────── 12月 3月 6月
**各成分变化**：
- 主观睡眠质量：2→2（稳定）
- 入睡时间：2→2（稳定）
- 睡眠时长：2→1（改善）
- 睡眠效率：2→1（改善）
- 睡眠障碍：2→1（改善）
---
## 睡眠问题识别
### 失眠评估
- **类型**：混合型失眠
- **频率**：4-5晚/周
- **持续时间**：18个月
- **主要症状**：
- ✗ 入睡困难（潜伏期>30分钟）
- ✗ 睡眠维持困难（夜间觉醒>2次）
- ✓ 无早醒问题
- **影响**：
- 白天疲劳：中度
- 情绪烦躁：是
- 注意力困难：是
- 工作表现：轻度影响
- **建议**：🏥 持续>3个月，建议就医咨询睡眠专科
### 呼吸暂停筛查（STOP-BANG）
- **评分**：3/8
- **风险等级**：中等风险
- **阳性项目**：
- ✗ Snoring（打鼾）
- ✗ Tired（白天疲劳）
- ✓ Observed apnea（未观察到呼吸暂停）
- ✗ Pressure（高血压）
- ✓ BMI > 28
- ✓ Age > 50
- ✗ Neck size > 40cm
- ✓ Gender = male
- **建议**：⚠️ 建议进行睡眠检查（PSG）
---
## 相关性分析
### 睡眠 ↔ 运动
**运动日 vs 休息日**：
- 运动日平均睡眠：7.3小时
- 休息日平均睡眠：6.8小时
- 差异：+0.5小时（+7.4%）
**运动时间对睡眠的影响**：
- 早晨运动：睡眠时长7.5小时，质量评分7.8/10
- 下午运动：睡眠时长7.2小时，质量评分7.5/10
- 晚间运动：睡眠时长6.8小时，质量评分6.8/10
**相关性**：中等正相关（r = 0.42）
**结论**：规律运动有助于改善睡眠，但应避免睡前2-3小时剧烈运动
**建议**：
- 🎯 保持规律运动习惯
- 🎯 将运动时间移至早晨或下午
- 🎯 睡前2-3小时避免剧烈运动
---
### 睡眠 ↔ 咖啡因
**咖啡因摄入时间分析**：
- 下午2点前摄入：平均睡眠7.2小时，入睡潜伏期25分钟
- 下午2点后摄入：平均睡眠6.7小时，入睡潜伏期40分钟
- 差异：-0.5小时时长，+15分钟潜伏期
**相关性**：中等负相关（r = -0.38）
**结论**：下午2点后摄入咖啡因显著影响睡眠
**建议**：
- 🎯 避免下午2点后摄入咖啡因
- 🎯 睡前6小时完全避免咖啡因
---
### 睡眠 ↔ 情绪
**睡眠质量对次日情绪的影响**：
- 睡眠好：次日情绪积极概率82%
- 睡眠一般：次日情绪积极概率45%
- 睡眠差：次日情绪积极概率18%
**睡前情绪对入睡的影响**：
- 睡前压力高：入睡潜伏期45分钟
- 睡前压力低：入睡潜伏期20分钟
- 差异：+25分钟
**相关性**：强双向相关（r = 0.65）
**结论**：睡眠与情绪存在显著的相互影响
**建议**：
- 🎯 睡前进行压力管理（冥想、深呼吸）
- 🎯 建立放松的睡前例行程序
- 🎯 记录情绪日记，识别压力模式
---
## 洞察与建议
### 关键洞察
1. **作息不一致是主要问题**
- 社交时差45分钟
- 周末作息显著偏离工作日
- 影响：生物钟紊乱，周一"时差反应"
2. **晚间运动影响入睡**
- 晚间运动日入睡潜伏期延长15分钟
- 建议：调整运动时间
3. **睡眠环境可优化**
- 噪音觉醒占25%
- 温度过热占15%
- 建议针对性改善
---
### 优先级行动计划
#### Priority 1：建立一致作息（2周）
**目标**：提高作息一致性评分至85分
**具体行动**：
1. 固定起床时间07:00（包括周末）
2. 固定上床时间23:00
3. 限制午睡<30分钟，且下午3点前
4. 逐步调整周末作息（每次提前15分钟）
**预期效果**：
- 作息一致性评分：72 → 85
- 睡眠效率提升：+3-5%
- 周一疲劳感减轻
---
#### Priority 2：创建睡前例行程序（3周）
**目标**：建立稳定的睡前例行程序
**具体行动**：
1. 提前1小时开始例行程序（22:00）
2. 关闭电子设备（22:30）
3. 调暗卧室灯光
4. 进行放松活动（阅读、冥想、温水澡）
5. 保持卧室安静、黑暗、凉爽（18-22℃）
**预期效果**：
- 入睡潜伏期缩短：30 → 20分钟
- 睡眠质量提升：一般 → 好
- 睡前压力降低
---
#### Priority 3：优化睡眠环境（1周）
**目标**：消除环境对睡眠的干扰
**具体行动**：
1. 安装遮光窗帘
2. 使用白噪音机器遮蔽背景噪音
3. 优化温度至18-22℃
4. 移除卧室时钟
5. 更换舒适的枕头和床垫
**预期效果**：
- 夜间觉醒减少：1.8 → 1.2次/晚
- 睡眠连续性提升
- 晨起状态改善
---
#### Priority 4：生活方式调整（4周）
**目标**：消除影响睡眠的生活习惯
**具体行动**：
1. 将运动移至早晨或下午
2. 下午2点后停止咖啡因摄入
3. 睡前3小时避免酒精
4. 睡前2小时避免大餐
5. 睡前1小时避免工作相关讨论
**预期效果**：
- 睡眠时长增加：+0.3小时
- 睡眠质量评分提升：+1分
- PSQI分数改善：8 → 6
---
## 长期目标
- **睡眠时长**：达到7.5小时/晚（当前7.1小时）
- **睡眠效率**：提升至>90%（当前85%）
- **PSQI分数**：降至≤5分（当前8分）
- **作息一致性**：提升至≥85分（当前72分）
- **入睡潜伏期**：缩短至<20分钟（当前28分钟）
---
## 医学安全提醒
⚠️ **就医建议**：
- 🏥 失眠持续>3个月，建议咨询睡眠专科
- 🏥 STOP-BANG≥3分，建议进行睡眠检查（PSG）
- 🏥 严重嗜睡影响驾驶安全，需立即就医
---
**报告生成时间**：2025-06-20
**分析周期**：2025-03-20 至 2025-06-20（90天）
**数据记录数**：90晚
**睡眠分析器版本**：v1.0
{
"sleep_records": [
{
"id": "sleep_20250620001",
"date": "2025-06-20",
"sleep_times": {
"bedtime": "23:00",
"sleep_onset_time": "23:30",
"wake_time": "07:00",
"out_of_bed_time": "07:15"
},
"sleep_metrics": {
"sleep_duration_hours": 7.0,
"time_in_bed_hours": 8.25,
"sleep_latency_minutes": 30,
"sleep_efficiency": 84.8
},
"sleep_quality": {
"subjective_quality": "fair",
"quality_score": 5,
"rested_feeling": "somewhat"
},
"factors": {
"exercise": true,
"exercise_time": "evening",
"caffeine_after_2pm": false,
"screen_time_before_bed_minutes": 60
}
}
]
}
def calculate_sleep_quality_score(record):
"""
计算睡眠质量评分（0-10分）
因素权重：
- 睡眠时长：30%
- 睡眠效率：25%
- 入睡潜伏期：20%
- 夜间觉醒：15%
- 主观质量：10%
"""
score = 0
# 睡眠时长评分（理想7-9小时）
duration = record['sleep_duration_hours']
if 7 <= duration <= 9:
duration_score = 10
elif 6 <= duration < 7 or 9 < duration <= 10:
duration_score = 7
else:
duration_score = 4
score += duration_score * 0.30
# 睡眠效率评分（>90%优秀）
efficiency = record['sleep_efficiency']
efficiency_score = min(efficiency / 90 * 10, 10)
score += efficiency_score * 0.25
# 入睡潜伏期评分（<15分钟优秀）
latency = record['sleep_latency_minutes']
if latency <= 15:
latency_score = 10
elif latency <= 30:
latency_score = 7
elif latency <= 45:
latency_score = 4
else:
latency_score = 1
score += latency_score * 0.20
# 夜间觉醒评分（0次优秀）
awakenings = record['awakenings']['count']
awakening_score = max(10 - awakenings * 2, 0)
score += awakening_score * 0.15
# 主观质量评分
quality_map = {
'excellent': 10,
'very_good': 8,
'good': 7,
'fair': 5,
'poor': 3,
'very_poor': 1
}
subjective_score = quality_map.get(
record['sleep_quality']['subjective_quality'],
5
)
score += subjective_score * 0.10
return round(score, 1)
def calculate_sleep_consistency_score(records):
"""
计算作息规律性评分（0-100分）
因素：
- 上床时间标准差
- 起床时间标准差
- 睡眠时长标准差
- 工作日vs周末差异
"""
# 提取时间数据
bedtimes = [r['bedtime'] for r in records]
wake_times = [r['wake_time'] for r in records]
durations = [r['sleep_duration_hours'] for r in records]
# 计算标准差（分钟）
bedtime_std = time_to_minutes_std(bedtimes)
wake_std = time_to_minutes_std(wake_times)
duration_std = statistics.stdev(durations)
# 计算工作日vs周末差异
weekday_avg = avg([r['sleep_duration_hours']
for r in records if is_weekday(r)])
weekend_avg = avg([r['sleep_duration_hours']
for r in records if is_weekend(r)])
diff = abs(weekday_avg - weekend_avg)
# 综合评分
score = 100
score -= bedtime_std * 0.5 # 上床时间标准差影响
score -= wake_std * 0.5 # 起床时间标准差影响
score -= duration_std * 2 # 睡眠时长标准差影响
score -= diff * 10 # 工作日周末差异影响
return max(0, min(100, round(score)))
def calculate_correlation(sleep_data, other_data, lag_days=0):
"""
计算睡眠与其他指标的相关性
参数：
- sleep_data: 睡眠数据列表
- other_data: 其他指标数据列表
- lag_days: 滞后天数（考虑延迟效应）
返回：
- correlation_coefficient: 相关系数
- p_value: 统计显著性
- interpretation: 相关性解释
"""
# 对齐数据（考虑滞后）
aligned = align_data_with_lag(sleep_data, other_data, lag_days)
# 计算Pearson相关系数
from scipy import stats
corr, p_value = stats.pearsonr(
aligned['sleep_values'],
aligned['other_values']
)
# 解释相关性
if abs(corr) < 0.3:
strength = "弱"
elif abs(corr) < 0.7:
strength = "中等"
else:
strength = "强"
direction = "正相关" if corr > 0 else "负相关"
significant = p_value < 0.05
interpretation = f"{strength}{direction}"
if significant:
interpretation += "（统计学显著）"
return {
'correlation_coefficient': round(corr, 3),
'p_value': round(p_value, 4),
'interpretation': interpretation,
'significant': significant
}
本技能提供的分析和建议仅供参考，不构成医疗诊断或治疗方案。
本技能能够做到的：
本技能不能做的：
何时需要就医：
技能版本: v1.0 创建日期: 2026-01-02 维护者: WellAlly Tech