Wissenschaft & Forschung
Licht 1 | 2021

Beeinflusst die Lichtintensität die Schläfrigkeit?

Feldstudie zum Einfluss der Lichtintensität auf ältere Arbeiter in der Frühschicht

Eine Feldstudie der Technischen Universität Darmstadt hat untersucht, ob die Lichtintensität einen Effekt auf die subjektive Schläfrigkeit von Personen im alltäglichen Umfeld einer Industriehalle hat. Die Studie untersuchte dabei den Einfluss von saisonalen und wetterabhängigen Lichtsituationen und nutzte für Auswertung die Mehrebenenanalyse, die zusammen mit den Ergebnissen in diesem Artikel vorgestellt wird.

Lesezeit: ca. 16 Minuten

1 Motivation

Nach dem Konzept des Human Centric Lighting hat das Licht nichtvisuelle Wirkungen auf den Menschen. Der nichtvisuelle Einfluss von Licht bezieht sich dabei auf die subjektive und objektive Wachheit, auf die Konzentration und Aufmerksamkeit am Tag sowie auf die Schlafqualität in der Nacht. Die Schläfrigkeit ist eine von vielen Wirkungen, die in der aktuellen Forschung sowohl unter den Laborbedingungen als auch in Feldstudien untersucht wird. Lok et al. [1] haben ein Review von verschiedenen Studien über die Schläfrigkeit am Tag zusammengefasst und analysiert. Die meisten dieser Studien wurden unter Laborbedingungen durchgeführt und es stellt sich die Frage, ob der nichtvisuelle Effekt auch in einer Langzeit-Feldstudie unter alltäglichen Bedingungen zu sehen ist. Diese Frage hat uns veranlasst, in einer typischen Frühschicht-Produktion eine Feldstudie über die Wirkung von tages- und wetterabhängigen Lichtverhältnissen auf die Schläfrigkeit zu untersuchen.

Der Ablauf der Feldstudie entspricht einem Design mit wiederholten Messungen (engl.: Repeated measure design). Während die Lichtverhältnisse unter den Laborbedingungen kontrollierbar und reproduzierbar sind, sind sie in den Feldstudien tagesabhängig. Die Aufenthaltsorte, die Anwesenheit, die Belichtungsdauer, die Augenbewegungen, der physiologische Zustand der Testpersonen (Lichtaufnahme vor dem Schichtbeginn, Aufnahme von Lebensmitteln) sowie die spektrale Zusammensetzung sind gegenüber den Laborbedingungen ebenfalls stark variabel. Hinzu kommen in einer Feldstudie unter realen industriellen Bedingungen noch mögliche organisatorische betriebsbedingte Änderungen. Daher sind für die Auswertungen der Datenlage viele Faktoren zu berücksichtigen. Aufgrund der zu erwartenden fehlenden Daten durch Urlaub, Krankheit, usw. wurde für die statistische Auswertung die Mehrebenenanalyse ausgewählt. Die Theorie und Vorgehensweise bei der Mehrebenenanalyse wird für die Interpretation der Studienergebnisse im nachfolgenden Abschnitt erklärt, bevor die Autoren auf die Testergebnisse eingehen.

2 Mehrebenenanalyse

2.1 Allgemeine Einführung

Die Mehrebenenanalyse HLM (oder auch: Hierarchisches Lineares Modell, engl.: Multilevel models, linear mixed effects models) verwendet statistische Modelle, deren Parameter bei mehr als einer Ebene variieren [2]. Mehrebenenanalysen sind besonders für Forschungsdesigns geeignet, deren Daten in mehr als einer Ebene strukturiert sind. Die Daten der unteren Ebene (z. B. einzelne Messungen an einer Person) sind in Kontexte/Gruppen der höheren Ebene (z. B. Person) zusammengefasst. Abb. 1 verdeutlicht die Mehrebenenstruktur.

Abb. 1: Beispiel der Zuordnung von Messdaten in einer 2-Ebenen-Datenstruktur. TU Darmstadt

Durch die Zuordnung zu einem Kontext in einer höheren Ebene wird die lineare Abhängigkeit der Messdaten berücksichtigt. In diesem Beispiel besteht die lineare Abhängigkeit der Daten durch die Messung an einer Person. Das ist ein wesentlicher Vorteil gegenüber der klassischen Analysemethoden (z. B. ANOVA), die eine lineare Unabhängigkeit der Messdaten voraussetzt [3]. Diese ist in der Praxis meistens nicht gegeben. Außerdem erleichtert die hierarchische Datenstruktur die Handhabung von fehlenden Daten in einer Studie, da die HLM-Methode keinen vollständigen Datensatz erfordert, wie es bei der Regression, ANOVA, ANCOVA oder anderen Tests, der Fall ist [3]. Dies sind nur einige der wichtigsten Vorteile gegenüber den klassischen Methoden. Für eine tiefergreifende Studie der HLM sei auf weiterführende Literatur [2,4,5] hingewiesen. In diesem Artikel wird die grundlegende Herangehensweise bei der Mehrebenenanalyse ausgehend von der gewöhnlichen Regression bis zu einem 2-Ebenen-HLM eingeführt.

Die Basis der HLM ist ein lineares Modell (Regressionsmodell) nach Gl. (1). y bezeichnet das Ergebnis (engl.: outcome) des Modells, das durch den Prädiktor x, Achsenabschnitt β0 (engl.: intercept), Steigung β1 (engl.: slope) und den stochastischen Fehlerterm R bestimmt wird.

y = β0 + β1x + R Gl. (1)

Das Regressionsmodell kann zu einem HLM erweitert werden, indem die y– und xMesswerte der Ebene 1 (E1) einem Kontext der Ebene 2 (E2) zugeordnet werden. Für jeden Kontext kann nun ein lineares Modell gebildet werden. Die grundlegende Formel für das HLM wird in Gl. (2) dargestellt. Die Indizes i und j bezeichnen die Ebene 1 und 2 in einem 2-Ebenen-HLM.

yij = β0j + β1jxij + Rij Gl. (2)

Das Prinzip der Mehrebenenanalyse besteht darin, ausgehend vom einfachen Regressionsmodell schrittweise nacheinander HLM-Modelle aufzubauen und sie miteinander zu vergleichen. Das einfache Regressionsmodell dient hier als Vergleichsreferenz für das erste aufgebaute HLM. Dabei wird kontrolliert, ob die Modelle sich unterscheiden und ob das neue Modell besser ist, also die Datenlage besser beschreibt.

2.2 Herangehensweise 2-Ebenen-Analyse

Im Folgenden wird die Herangehensweise bei einem 2-Ebenen-HLM mit einem E1-Prädiktor und einem E2-Prädiktor vorgestellt:

1. Das Nullmodell – interceptOnly

Der erste Schritt in einer Mehrebenenanalyse ist es, herauszufinden, ob sie überhaupt nötig ist. Sind keine Variationen über die Kontexte zu erkennen, dann bietet das komplexe HLM keinen Vorteil und die klassischen Methoden Regressionsmodell, ANOVA, usw. können stattdessen angewendet werden. Das Nullmodell ist ein sehr einfaches Regressionsmodell, das nur einen Wert für den Achsenabschnitt β0 ermittelt (Mittelwert aller y-Werte). Das Nullmodell dient als Basismodell zum Vergleich für das nachfolgende HLM.

yi = β0 + 0⋅xi + Ri

2. Variable Achsenabschnitte – randomInterceptOnly

Im nächsten Modell können die Achsenabschnitte über die Kontexte (E2) variieren. Die Variation wird durch den fixen Parameter y00 und den stochastischen Fehlerterm U0j beschrieben. Die Mehrebenenanalyse ist sinnvoll, wenn das HLM randomInterceptOnly die Datenlage besser beschreibt als das Nullmodell. Die Entscheidung, ob ein Modell besser ist, wird mit statistischen Tests und Informationskriterien durchgeführt. Dies wird nach dem Aufbau aller HLM erläutert.

E1: yij = β0j + Rij

E2: β0j = γ00 + U0j

3. Einführung eines E1-Prädiktors – randomInterceptPredictor1

Nun wird das 2. Modell mit dem E1-Prädiktor x erweitert, um die Beziehung zwischen x und y zu untersuchen. Mathematisch wird eine fixe Steigung β1 = y10 in das Modell eingeführt.

E1: yij = β0j + β1jxij + Rij

E2: β0j = γ00 + U0j

E2: β1j = γ10

4. Variable Steigungen des E1-Prädiktors – addRandomSlopesPredictor1

Im nächsten erweiterten Modell variieren die Steigungen des E1-Prädiktors über die Kontexte. Der stochastische Fehlerterm Uij wird eingeführt.

E1: yij = β0j + β1jxij + Rij

E2: β0j = γ00 + U0j

E2: β1j = γ10 + U1j

5. Einführung eines E2-Prädiktors – addPredictor2Predictor1

In einigen Fällen ist es interessant, den Einfluss eines E2-Prädiktors auf das Modell zu untersuchen. E2-Prädiktoren sind Werte oder Eigenschaften, die sich direkt auf den Kontext (E2) beziehen. In der Datenstruktur nach Abb. 1 wären E2-Prädiktoren Werte oder Eigenschaften, die sich auf die Person beziehen (z. B. Chronotyp, Schlaftyp, Geschlecht, usw.). Mathematisch wird der E2-Prädiktor zj mit der Steigung y01 als Term bei β0j eingeführt.

E1: yij = β0j + β1jxij + Rij

E2: β0j = γ00 + γ01zj + U0j

E2: β1j = γ10 + U1j

6. Einführung der Wechselbeziehung zwischen E1- und E2-Prädiktor – addPredictor2InteractionPredictor1

Als letzter Schritt wird noch die Wechselbeziehung zwischen E1- und E2-Prädiktor auf das Ergebnis des Modells betrachtet. Damit wird untersucht, ob die Kombination der Prädiktoren einen Einfluss auf das Modell hat. Hierzu wird der Term γ11zj in βij hinzugefügt.

E1: yij = β0j + β1jxij + Rij

E2: β0j = γ00 + γ01zj + U0j

E2: β1j = γ10 + γ11zj + U1j

In diesem Beispiel für eine 2-Ebenen-HLM mit E1- und E2-Prädiktoren sind sechs Modelle aufgestellt worden. Grundsätzlich können noch mehrere Prädiktoren und Ebenen eingeführt werden, die im Gegenzug das Modell komplexer machen. Mehrebenenmodelle sind grundsätzlich komplex und werden mit verschiedenen Statistik-Softwares wie R, SPSS, usw. erstellt und analysiert. Im Folgenden wird die Analyse des HLM durch R [6] mit den Paketen »nlme« [7] und »nlmeU« [5] beschrieben.

Nacheinander wurden sechs Modelle aufgestellt und nun gilt es herauszufinden, ob es bei den einzelnen Modellschritten eine statistisch signifikante Änderung gegeben hat und ob diese zu einem verbessertem Modell geführt hat. Mit der R-Funktion anova() werden die Modelle untereinander schrittweise mit dem Likelihood-Quotienten-Test (engl.: Likelihood ratio test, –2LL) verglichen. Der ρ-Wert des Tests gibt an, ob das Modell sich signifikant bei α = 0.05 Signifikanzniveau geändert hat. Die Verbesserung des Modells kann an den größeren log-likelihoods lokLik oder den kleineren Akaike-Informationskriterien AIC abgelesen werden.

Ist das finale beste Modell gefunden worden, kann das Modell an sich detaillierter untersucht werden. Angenommen das 6. Modell ist das beste Modell. Dann sieht das Modell ausgeschrieben folgendermaßen aus:

6.: yij = γ00 + γ01zj + γ10xij + γ11xijzj + U0j + U1jxij + Rij

Hier ist zu erkennen, dass das lineare Modell aus fixen Termen γ (engl.: fixed) und stochastischen Termen U und R (engl.: random) besteht. Die Unterscheidung zwischen fixen und stochastischen Termen führte auch zu der Bezeichnung der HLM als linear gemischtes Effekte-Modell (engl.: linear mixed effects model). Die Erklärung der fixen und stochastischen Terme ist wichtig, um die Analyseergebnisse von R interpretieren zu können. Mit der R-Funktion summary() können für das Modell die Koeffizienten γ und die t-Test-Ergebnisse angezeigt werden. Abschließend für die Interpretation des finalen Modells können die Konfidenzintervalle und die Posthoc-Poweranalyse der Koeffizienten mit den R-Funktionen intervals() und Pwr() durchgeführt werden.

3 Studiendesign

Die Studie untersucht den Einfluss von saisonalen und wetterabhängigen Lichtsituationen auf die Schläfrigkeit von Arbeitern in einer deutschen Industriehalle, in der Leuchten gefertigt werden. Die Produktion von Leuchten besteht aus vielen verschiedenen Tätigkeiten wie Vormontage von Baugruppen, Verdrahten oder Montage von Einzelteilen, die an verschiedenen Arbeitsplätzen durchgeführt werden.

Im Zeitraum vom 26. März bis zum 28. Juni 2019 fand die Studie statt, die von der Ethikkommission der Technischen Universität Darmstadt überprüft und stattgegeben ist. Die Teilnehmer für die Studie wurden aus der aktuellen Belegschaft der Fertigung rekrutiert.

3.1 Teilnehmende

Die Fertigungsleitung und die Arbeiter der Industriehalle wurden im Vorfeld über den Studienablauf informiert und von jeden Studienteilnehmenden wurde eine schriftliche Teilnahmeeinwilligung eingeholt. Die neun weiblichen Teilnehmenden bekamen alle eine Identifikationsnummer (ID) und wurden in den Altersgruppen »40-50« (2x), »50-60« (6x) und »60-70« (1x) zugeordnet. Die Teilnehmer gehören somit zu dem älteren Mitarbeiteralter. Zusätzlich wurden Fragebögen MCTQ [8,9] und PSQI [10] ab August 2018 bis Juni 2019 monatlich ausgeteilt, um den Chronotypen MSFsc und die PSQI-Werte PSQI zu ermitteln. Die Mittelwerte der beiden Parameter in Tabelle 1 werden genutzt, um die Frühschichtarbeiter in verschiedene Chronotypen und Schlaftypen einteilen zu können. Chronotyp: »früh/normal« (≤ 04:00 Uhr), »spät« (> 04:00 Uhr); Schlaftyp: »gut« (≤ 6), »schlecht« (> 6). Die Grenze für die Zuordnung des Schlaftyps nach Buysse et al. [10] wurde um einen Punkt erhöht. Der Grund für die Anpassung liegt an der Tatsache, dass Frühschichtarbeiter generell kürzer schlafen als Arbeiter mit normalen Arbeitszeiten [11] und dadurch der PSQI per Definition einen Punkt höher ist. Der Chronotyp für die Person ID18 konnte für den gesamten Zeitraum nicht bestimmt werden, da sie jedes Wochenende gearbeitet hat und mit dem Wecker geweckt wird. Unter den Teilnehmenden sind fünf Teilzeitbeschäftigte. Davon kommen zwei früher und drei später zur Arbeit.

ID

nMSFsc

MSFsc

Chronotyp

nPSQI

PSQI

Schlaftyp

7

10

03:04

früh/normal

9

7.56

schlecht

9

8

03:27

früh/normal

8

6.00

gut

11

11

03:15

früh/normal

11

3.36

gut

12

10

04:03

spät

9

7.22

schlecht

14

7

02:23

früh/normal

10

5.40

gut

15

7

02:07

früh/normal

9

5.44

gut

16

8

02:25

früh/normal

8

5.25

gut

18

0

NA

NA

10

4.80

gut

19

7

04:06

spät

6

13.83

schlecht

3.2 Beleuchtungssituation

Die eingebaute Beleuchtung besteht aus statischen Decken- und Arbeitsplatzleuchten, die manuell bei Arbeitsbeginn (05:30 Uhr) eingeschaltet und bei Arbeitsende (14:00 Uhr, Fr: 11:00 Uhr) ausgeschaltet werden. An der Decke ist die Beleuchtung mit LED-Lichtquellen der Lichtfarbe 840 (Ra > 80, CCT = 4000 K) ausgestattet. Bei den Arbeitsplatzleuchten kommen hingegen Leuchtstofflampen mit der Lichtfarbe 840 zum Einsatz. Die Anordnung der Leuchten ist im Grundriss der Industriehalle in Abb. 2 dargestellt. Nur an den Arbeitsplätzen AP02-AP06 sind Arbeitsplatzleuchten installiert.

Abb. 2: Grundriss der Industriehalle. AP bezeichnet die Arbeitsplatzpositionen an denen mit dem Spektrometer MSC15 gemessen wurde. TU Darmstadt

Zur Beschreibung des Einflusses der statischen künstlichen Beleuchtung sind nächtliche, spektrale Messungen an den Arbeitsplätzen AP01-AP14 durchgeführt worden (Messgerät MSC15, Gigahertz-Optik). Aus dieser Messung ließen sich auf 1,5 m Höhe die zylindrischen Lichtgrößen vertikale Beleuchtungsstärke Ev, melanopische tageslicht-äquivalente Beleuchtungsstärke [12] Ev,mel,D65 und der Circadian Stimulus [13] CS2018 aus den absoluten spektralen Leistungsverteilungen ermitteln (Mittelwert ± Standardabweichung; Ev: 232 lx ± 53 lx, Ev,mel,D65: 134 lx ± 30 lx, CS2018: 0.16 ± 0.03).

3.3 Messmethoden

Die Lichtverhältnisse werden zusätzlich zur künstlichen Beleuchtung auch durch den wechselhaften Tageslichteinfall in der Industriehalle bestimmt. Für die spektralen Messungen des sich ändernden Tageslichtes ist eine Messstation mit dem ILT560a Spektrometer der Firma International Light Technologies aufgebaut worden. Mit dem Einsatz der Eingangsoptik ILT-W kann der Sichtbereich des menschlichen Auges nach CIE Norm [14] simuliert werden. Alle 15 Minuten wird kontinuierlich eine vertikale spektrale Messung auf 1,5 m Höhe mit den voreingestellten Parametern Integrationszeit von 2 s und dem Messmittelwert von 25 durchgeführt (Anm.: Diese Parameter definieren das Signal-zu-Rausch-Verhältnis der Messung). Die Spektrometer-Position innerhalb der Industriehalle ist in Abb. 2 dargestellt.

Die Schläfrigkeit der Frühschichtarbeiter wird mit dem subjektiven Fragebogen Karolinska Sleepiness Scale (KSS) [15] aufgenommen. Der KSS-Fragebogen ist eine 9-stufige Skala bei dem 1 die niedrigste Schläfrigkeit und 9 die größte Schläfrigkeit bezeichnet. Für die Feldstudie ist der KSS-Fragebogen ins Deutsche übersetzt worden, s. Abb. 3. Für die Wiedergabe des sinngemäßen Inhalts wurde das Originaldokument in drei Schritten validiert: 1. Übersetzung des Originaldokuments ins Deutsche. 2. Rückübersetzung der deutschen Version in die Originalsprache. 3. Inhaltlicher Vergleich des Originaldokuments mit der rückübersetzten Version. Diese drei Schritte müssen von drei unabhängigen Übersetzern durchgeführt werden. Diese Validierungsmethode kam bereits in ähnlicher Weise bei den Übersetzungen von unterschiedlichen Fragebögen [16-20] zur Anwendung.

(KSS) in deutscher Sprache.« context=«content«]

3.4 Studienablauf

Die Teilnehmenden wurden angewiesen während des Studienzeitraums täglich vor ihrer ersten Arbeitspause den KSS-Fragebogen auszufüllen. Der Zeitpunkt der KSS-Abfrage variiert leicht im Zeitraum von 08:30 bis 09:45 Uhr aufgrund von unterschiedlichen Pausenzeiten. Für die Abgabe der ausgefüllten Fragebogen stand an der Arbeitsstätte ein Briefkasten für die Studie bereit. Die gesammelten Dokumente sind von einem Studienbetreuer regelmäßig eingesammelt und für die Auswertung digitalisiert worden.

3.5 Statistische Datenanalyse

3.5.1 Vorverarbeitungen

Aufgrund der kontinuierlichen Messungen über mehrere Monate driftet der Dunkelstrom des Spektrometers mit der Zeit. Um diesen Fehler zu korrigieren wird nachträglich eine Dunkelstromkorrektur aller Messungen durchgeführt. Als Referenz für die Dunkelstromkorrektur dient das gemittelte Spektrum von vier Messungen, die am selben Tag zwischen 23:00 und 00:00 Uhr gemessen worden sind. Nach der Korrektur werden die negativen Werte der spektralen Leistungsverteilung auf Null gesetzt. Für das Erstellen eines HLM wird jeder aufgenommene KSS-Wert (08:30 Uhr – 09:45 Uhr) einem gemittelten Beleuchtungsstärkewert zugeordnet. In dieser Untersuchung wird die akute Lichtwirkung auf die subjektive Schläfrigkeit betrachtet. Daher wird der Mittelwert der Beleuchtungsstärke aus den Messwerten im Zeitraum (07:30 Uhr – 08:45 Uhr) gebildet. Dieser Zeitraum beginnt eine Stunde vor dem KSS-Zeitraum.

3.5.2 Datenanalyse

Für die Datenanalyse wird die Methode der HLM mit dem Paket »nlme« der Statistik-Software R [6] angewendet. Die gesammelten KSS-Werte (Ergebnis) werden mit der Beleuchtungsstärke Ev (E1-Prädiktor), dem Chronotyp (E2-Prädiktor) und dem Schlaftyp (E2-Prädiktor) untersucht. Die Vorgehensweise der Mehrebenenanalyse wurde in Abschnitt 2 behandelt. Zur Bestimmung der t-Test Teststärken 1 – β für die Koeffizienten des HLMs wird das R-Paket »nlmeU« verwendet.

4 Ergebnisse

4.1 KSS

4.1.1 Chronotyp

In Tabelle 2 sind die nacheinander aufgebauten Modelle 1 bis 6 für die Eingangsgrößen Beleuchtungsstärke und Chronotyp gelistet. Bei einem Signifikanzniveau von α = 0.05 führt die Einführung der Beleuchtungsstärke (–2LL = 24.36, p < α) und der Wechselbeziehung zwischen Beleuchtungsstärke und Chronotyp (–2LL = 10.08, p < α) zu einer signifikanten Verbesserung des linearen Modells, siehe AIC und logLik.

Description

Model

df

AIC

logLik

Test

–2LL

p

interceptOnly

1

2

861.24

-428.62

NA

NA

randomInterceptOnly

2

3

722.56

-358.28

1 vs 2

140.68

0.00

randomInterceptEv

3

4

718.89

-355.44

2 vs 3

5.68

0.02

addRandomSlopeEv

4

6

698.53

-343.26

3 vs 4

24.36

0.00

addChronotypeEv

5

7

700.48

-343.24

4 vs 5

0.05

0.83

addChronotypeInteractionEv

6

8

692.41

-338.20

5 vs 6

10.08

0.00

Die statistische Signifikanz der Wechselwirkung weist darauf hin, dass der Einfluss der Beleuchtungsstärke auf die Schläfrigkeit bei den verschiedenen Chronotypen unterschiedlich ist. Daher werden im Folgenden für die jeweiligen Chronotyp-Gruppen »spät« und »früh/normal« eigene lineare Modelle aufgebaut und untersucht. Die t-Testergebnisse für die Koeffizienten der Modelle sind in der Tabelle 3 dargestellt.

»spät«-Modell

»früh/normal«-Modell

fixed effect

Value

df

t

p

1 – β

fixed effect

Value

df

t

p

1 – β

(Intercept)

5.650

66

6.63

0.00

1.00

(Intercept)

3.152

245

14.58

0.00

1.00

Ev

-0.005

66

-2.43

0.02

0.68

Ev

0.000

245

-0.03

0.98

0.05

Aus der Tabelle ist abzulesen, dass der Koeffizient der Beleuchtungsstärke Ev statistisch signifikant ungleich Null ist (t(66) = -2.43, p < α). Das heißt, die Höhe der Beleuchtungsstärke hat bei späten Chronotypen einen Einfluss auf die subjektive Schläfrigkeit. Das Ergebnis aus dem Modell »spät« kann auch als lineares Modell nach Gl. (3) aufgestellt werden. Daraus folgt, dass eine Erhöhung der Beleuchtungsstärke um 200 lx eine Reduzierung des KSS-Werts um 1 Einheit zur Folge hat (die Person ist um eine KSS-Einheit wacher).

KSSspät = –0.005 ⋅ Ev + 5.650 Gl. (3)

Es ist wichtig anzumerken, dass das aufgestellte lineare Modell nach Gl. (3) eine Abschätzung ist. Die Steigung und der Achsenabschnit (engl.: intercept) sind gewissen Unsicherheiten unterlegen, die durch 95 % Konfidenzintervalle eingegrenzt werden können. [Schätzung (untere Grenze, obere Grenze)]; Steigung: -0.005 (-0.009, -0.001); Achsenabschnit: 5.650 (3.973, 7.326).

Bei den frühen und normalen Chronotypen zeigt t-Test an, dass die Beleuchtungsstärke keinen Effekt auf die Schläfrigkeit hat (t(245) = –0.03, p > 0.05,1 – β < 0.80). Aber die Teststärke sagt aus, dass der Test einen großen Fehler 2. Art besitzt.

4.1.2 Schlaftyp

In Tabelle 4 sind die HLM-Modelle mit der Ausgangsgröße KSS und den Eingangsgrößen Beleuchtungsstärke Ev und dem PSQI-Schlaftyp dargestellt. Wie bei den Chronotyp-Modellen führt die Einführung der Beleuchtungsstärke (–2LL = 25.69, p < α) und der Wechselbeziehung zwischen Beleuchtungsstärke und Schlaftyp (–2LL = 4.62, p < α) zu einer statistischen signifikanten Verbesserung des Modells.

Model

df

AIC

logLik

Test

–2LL

p

interceptOnly

1

2

935.96

-465.98

NA

NA

randomInterceptOnly

2

3

782.59

-388.30

1 vs 2

155.37

0.00

randomInterceptEv

3

4

777.79

-384.89

2 vs 3

6.81

0.01

addRandomSlopeEv

4

6

756.09

-372.05

3 vs 4

25.69

0.00

addSleeperEv

5

7

758.13

-372.07

4 vs 5

0.04

0.84

addSleeperInteractionEv

6

8

755.51

-369.76

5 vs 6

4.62

0.03

Aus der Tabelle ist zu sehen, dass das sechste Modell die Datenlage am besten beschreibt, siehe AIC und logLik. Damit haben die Beleuchtungsstärke und die Wechselbeziehung zwischen Beleuchtungsstärke und Schlaftyp einen Einfluss auf die Schläfrigkeit. Werden die einzelnen Schlaftypen separat voneinander betrachtet, dann hat die Beleuchtungsstärke nach der Modellanalyse in Tabelle 5 bei den schlechten Schlaftypen einen Einfluss (t(107) = -2.92, p < α). Beim guten Modell ist keine Aussage möglich, da die Teststärke auf einen großen Fehler 2. Art hinweist (t(249)= -0.58, p > α,1 – β < 0.80).

»schlecht«-Modell

»gut«-Modell

fixed effect

Value

df

t

p

1 – β

fixed effect

Value

df

t

p

1 – β

(Intercept)

4.739

107

14.25

0.00

1.00

(Intercept)

3.268

249

22.29

0.00

1.00

Ev

-0.003

107

-2.92

0.00

0.83

Ev

0.000

249

-0.58

0.56

0.09

Aus dem Modellergebnis von den schlechten Schlaftypen kann folgendes lineare Modell nach Gl. (4) aufgebaut werden. Daraus folgt, dass eine Erhöhung der Beleuchtungsstärke um ca. 330 lx eine Reduzierung des KSS-Werts, um 1 Einheit zur Folge hat. Die Berechnung der Konfidenzintervalle ist bei diesem Modell mit der Software R nicht möglich gewesen.

KSSschlecht = –0.003 ⋅ Ev + 4.739 Gl. (4)

5 Zusammenfassung und Diskussion

In dieser Feldstudie wurde der Einfluss der Beleuchtungsstärke auf die Schläfrigkeit von Frühschichtarbeitern in einer deutschen Industriehalle untersucht. Zwei separate Mehrebenenanalysen zeigen, dass bei früh/normalen Chronotypen und guten Schlaftypen kein Effekt der Lichtintensität auf die subjektive Schläfrigkeit zu erkennen ist. Dies könnte daran liegen, dass nach Lok et al. [21] wache Personen am Tag durch eine weitere Erhöhung der Lichtintensität nicht wacher gemacht werden können. Doch die statistische Auswertung der Ergebnisse kann diese Erkenntnis aufgrund fehlender Teststärke weder belegen noch widersprechen.

Bei den späten Chronotypen und schlechten Schlaftypen reduziert eine Erhöhung der Beleuchtungsstärke die subjektive Schläfrigkeit. Dies könnte ein Hinweis darauf sein, dass eine höhere Lichtintensität erst einen Effekt entwickelt, wenn die Personen generell schläfrig sind. Denn späte Chronotypen weisen eine höhere Schläfrigkeit in den Morgenstunden auf als andere Chronotypen [22, 23] und der schlechtere Schlaftyp einer Person kann ebenfalls zu einer erhöhten Schläfrigkeit am Morgen führen. Mit anderen Worten: eine erhöhte Lichtintensität hat erst eine reduzierende Wirkung auf die subjektive Schläfrigkeit, wenn die exponierten Personen generell müde sind. Die Studie wurde ohne eine künstliche Lichtintervention durchgeführt (statische Beleuchtungsanlage). Das heißt, die gewonnenen Erkenntnisse sind auf die saisonalen und wetterabhängigen Lichtsituationen zurückzuführen.

Die vorgestellte Studie hat einige Limitierungen: Die Probandenanzahl ist relativ gering (acht bis neun Personen) und eine generelle Aussage kann aus den Erkenntnissen dieser Studie nicht gemacht werden. Weiterhin wurde die Lichtexposition der Teilnehmer nicht direkt am Auge der jeweiligen Testperson, sondern mit einem Spektrometer an einer festen Position der Industriehalle gemessen. Dadurch können die gemessenen Beleuchtungsstärken nur als relative Größe für die Lichtexposition betrachtet werden.

Diese Feldstudie zeigt jedoch, dass die Lichtintensität einen Effekt auf die subjektive Schläfrigkeit von Personen im alltäglichen Umfeld einer Industriehalle hat.

6 Literatur

[1] Lok R, Smolders KCHJ, Beersma DGM and Kort YAW de. Light, Alertness, and Alerting Effects of White Light: A Literature Overview. J Biol Rhythms 2018; 33: 589–601.

[2] Raudenbush SW and Bryk AS. Hierarchical linear models: Applications and data analysis methods / Stephen W. Raudenbush, Anthony S. Bryk. 2nd ed. Thousand Oaks, CA, London: Sage Publications, 2002.

[3] Field A, Miles J and Field Z. Discovering statistics using R. Los Angeles, London, New Delhi, Singapore, Washington, DC: Sage, 2012.

[4] Snijders TAB and Bosker RJ. Multilevel analysis: An introduction to basic and advanced multilevel modeling / Tom A.B. Snijders, Roel J. Bosker. 2nd ed. Los Angeles, London: Sage, 2012.

[5] Gałecki AT and Burzykowski T. Linear mixed-effects models using R: A step-by-step approach. New York NY: Springer, 2013.

[6] R Core Team. R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing, 2019.

[7] Pinheiro J, Bates D, DebRoy S, et al. nlme: Linear and Nonlinear Mixed Effects Models, https://CRAN.R-project.org/package=nlme. [8] Roenneberg T, Wirz-Justice A and Merrow M. Life between clocks: daily temporal patterns of human chronotypes. J Biol Rhythms 2003; 18: 80–90.

[9] Roenneberg T. Munich ChronoType Questionnaire (MCTQ), https://www.thewep.org/documentations/mctq (accessed 21 February 2019).

[10] Buysse DJ, Reynolds CF, Monk TH, Berman SR and Kupfer DJ. The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research. Psychiatry Research 1989; 28: 193–213.

[11] Akerstedt T. Shift work and disturbed sleep/wakefulness. Occup Med (Lond) 2003; 53: 89–94.

[12] DIN DIN SPEC 5031-100. Strahlungsphysik im optischen Bereich und Lichttechnik – Teil 100: Über das Auge vermittelte, melanopische Wirkung des Lichts auf den Menschen.

[13] Rea MS and Figueiro MG. Light as a circadian stimulus for architectural lighting. Lighting Research & Technology 2018; 50: 497–510.

[14] CIE CIE S 026/E:2018. CIE System for Metrology of Optical Radiation for ipRGC-lnfluenced Responses to Light.

[15] Akerstedt T and Gillberg M. Subjective and objective sleepiness in the active individual. International Journal of Neuroscience 1990; 52: 29–37.

[16] Zavada A, Gordijn MCM, Beersma DGM, Daan S and Roenneberg T. Comparison of the Munich Chronotype Questionnaire with the Horne-Ostberg’s Morningness-Eveningness Score. Chronobiol Int 2005; 22: 267–278.

[17] Sohn SI, Kim DH, Lee MY and Cho YW. The reliability and validity of the Korean version of the Pittsburgh Sleep Quality Index. Sleep Breath 2012; 16: 803–812.

[18] Tsai P-S, Wang S-Y, Wang M-Y, Su C-T, Yang T-T, Huang C-J and Fang S-C. Psychometric evaluation of the Chinese version of the Pittsburgh Sleep Quality Index (CPSQI) in primary insomnia and control subjects. Qual Life Res 2005; 14: 1943–1952.

[19] Doi Y, Minowa M, Uchiyama M, Okawa M, Kim K, Shibui K and Kamei Y. Psychometric assessment of subjective sleep quality using the Japanese version of the Pittsburgh Sleep Quality Index (PSQI-J) in psychiatric disordered and control subjects. Psychiatry Research 2000; 97: 165–172.

[20] Hita-Contreras F, Martínez-López E, Latorre-Román PA, Garrido F, Santos MA and Martínez-Amat A. Reliability and validity of the Spanish version of the Pittsburgh Sleep Quality Index (PSQI) in patients with fibromyalgia. Rheumatol Int 2014; 34: 929–936.

[21] Lok R, Woelders T, Gordijn MCM, Hut RA and Beersma DGM. White Light During Daytime Does Not Improve Alertness in Well-rested Individuals. J Biol Rhythms 2018; 33: 637–648.

[22] Martin JS, Gaudreault MM, Perron M and Laberge L. Chronotype, Light Exposure, Sleep, and Daytime Functioning in High School Students Attending Morning or Afternoon School Shifts: An Actigraphic Study. J Biol Rhythms 2016; 31: 205–217.

[23] Song P, Choi SJ and Joo EY. Subjective Sleep Disturbances of Factory Workers in Relation to Shift Work Schedule and Chronotype. J Sleep Med 2016; 13: 40–45, http://www.e-jsm.org/journal/view.php?number=211 (2016).

Weitere Informationen:

Autoren: M. Sc. William Truong, PIT GmbH, PRACHT Institute of Technology; Prof. Dr.-Ing. habil. Tran Quoc Khanh, Technische Universität Darmstadt

Abbildungen: TU Darmstadt

Dieser Artikel ist erschienen in

Licht 1 | 2021

Erschienen am 25. Februar 2021