redmoon

El problema

La mayoría de estudios sobre ciclo menstrual y sueño trabajan con muestras de laboratorio, métricas auto-reportadas o actigrafía — no con datos continuos de wearable de una persona real en su vida cotidiana. Tenía dos años de mis propios datos de Apple Health. La pregunta no era "¿existe una relación?" — la literatura dice que sí. Era "¿se ve en mis datos, con mis outliers, con mi ruido?"

Los datos

Exports de Apple Health: datos de sueño nocturnos (REM, sueño profundo, sueño ligero en minutos, latencia) con frecuencia cardíaca y HRV nocturna; datos de ciclo menstrual (fechas de inicio, duración). ~730 días de datos diarios continuos.

Enfoque

• Segmentación de cada día en una de cuatro fases del ciclo: folicular, ovulatoria, lútea, menstrual — calculadas desde las fechas de inicio registradas
• Distribución de métricas de sueño (HRV, sueño profundo, latencia) por fase con bootstrapping para los intervalos de confianza — la muestra es n=1, los intervalos son amplios por diseño
• Análisis de outliers: identificación de días con viaje, alcohol, ejercicio intenso o enfermedad y su efecto sobre las métricas de sueño
• Comparativa del tamaño del efecto: ¿cuánto explica la fase del ciclo vs. cuánto explican los outliers?

Herramientas

jupyter

apple health

Resultado

La HRV nocturna baja consistentemente en la fase lútea y sube en la folicular, en línea con la literatura. El resultado más revelador: los outliers (un viaje, una noche de alcohol) distorsionan las métricas de sueño más que la fase del ciclo. Con n=1, eso no es ruido del análisis — es información sobre qué factores dominan en la práctica.