پہننے کے قابل آپ کے ماہواری کو کیسے ٹریک کرتے ہیں: سینسرز، الگورتھم، اور درستگی کا فرق

گارمن کی صحت یابی خراب ہے، WHOOP دن کو سرخ رنگ میں نشان زد کرتا ہے، آرام کرنے سے دل کی دھڑکن زیادہ ہے، HRV کم ہے، اور ایپ آرام کی سفارش کرتی ہے۔ لیکن مسئلہ یہ ہے: یہ حقیقت میں برا نہیں لگتا۔

بچے پیدا کرنے کی عمر کی خواتین کے لیے، یہ ممکن ہے کہ پہننے کے قابل ٹیکنالوجی اوور ٹریننگ یا حتیٰ کہ بیمار ہونے کے نتیجے میں luteal مرحلے کی علامات کو غلط سمجھے۔ اس کی وجہ یہ ہے کہ ٹیکنالوجی نے ممکنہ طور پر ایسی علامات کا پتہ لگا لیا ہے جو اسے واقعی سمجھ نہیں آتی ہیں۔

آئیے دیکھتے ہیں کہ عملی طور پر یہ کیسے ہوتا ہے سینسر سے الگورتھم کی طرف اور آخر میں یہ دیکھتے ہیں کہ درستگی کا فرق اصل میں کہاں ہے۔

انڈیکس

آپ کا ماہواری کس طرح آپ کے بایومیٹرکس کو واقعی متاثر کرتا ہے۔

اس سے پہلے کہ ہم سینسرز اور الگورتھم کو دیکھیں، یہ وہ چیز ہے جس کا وہ اصل میں پتہ لگاتے ہیں: حیض کا چکر پہننے کے قابل ڈیٹا میں شور نہیں ہے، بلکہ ایک فعال جزو ہے جو فزیالوجی کو تبدیل کرتا ہے جس پر صحت یابی یا صحت کے الگورتھم مبنی ہیں۔

تین اشارے ہیں جو ایک کہانی سناتے ہیں۔

آرام دل کی شرح

مسلسل پہننے کے قابل نگرانی کا استعمال کرتے ہوئے کئی مطالعات سے پتہ چلا ہے کہ آرام کرنے والے دل کی دھڑکن 2 سے 7 bpm تک بڑھ جاتی ہے follicular مرحلے سے luteal مرحلے تک۔ 91 خواتین کے ایک ممکنہ مطالعے سے معلوم ہوا ہے کہ ماہواری کے درمیانی مرحلے کے مقابلے میں آرام کرنے والی دل کی شرح 3.8 bpm زیادہ تھی۔

دل کی شرح متغیر (HRV)

HRV، دوسری طرف، مخالف سمت میں تبدیلیاں. خاص طور پر، 1,000 سے زیادہ شرکاء کے میٹا تجزیہ میں حیض کے چکر کے پٹک سے لیوٹیل مراحل تک اندام نہانی کی ثالثی HRV میں کمی پائی گئی۔

مثال کے طور پر، ایک تحقیق میں بتایا گیا ہے کہ SDNN follicular مرحلے میں 154 ms سے کم ہو کر luteal مرحلے میں 136 ms ہو گیا، 12% کمی۔ پروجیسٹرون اس اثر کے لیے ذمہ دار ہے۔ خاص طور پر، یہ رینن-انجیوٹینسن سسٹم (RAS) کو متحرک کرتا ہے، خون کے کل حجم کو بڑھاتا ہے، HRj کو بڑھاتا ہے، اور پیراسیمپیتھیٹک اثرات کو کم کرتا ہے۔ دوسری طرف، ایسٹروجن HR (منفی کرونوٹروپک اثر) کو کم کرتا ہے اور زیادہ HRV کا سبب بنتا ہے۔

لہذا، درمیانی لیوٹل مرحلے میں، RHR پہلے ہی بڑھ گیا ہے لیکن HRV میں کمی آئی ہے۔ بحالی کے الگورتھم کے لیے جو یہ نہیں جانتا کہ آپ اپنے ماہواری کے دوران کہاں ہیں، اس امتزاج کا مطلب ہے تناؤ، بیماری، یا زیادہ تربیت۔

جلد کا درجہ حرارت

درجہ حرارت کی تبدیلیوں کا تینوں میں سب سے زیادہ گہرائی سے مطالعہ کیا گیا ہے۔ حقیقت یہ ہے کہ پروجیسٹرون کا اثر بیضہ کے بعد 0.3-0.7 °C کے بنیادی درجہ حرارت میں اضافے کا سبب بنتا ہے جو 100 سال سے زیادہ عرصے سے جانا جاتا ہے اور حمل کی شناخت کے روایتی طریقوں کی بنیاد بناتا ہے۔

My Oura Ring ڈیٹا سے پتہ چلتا ہے کہ جلد کا درجہ حرارت عام طور پر luteal مرحلے کے دوران بڑھتا ہے۔ مزید برآں، ایسٹروجن کے ساتھ منسلک جسمانی درجہ حرارت میں تیزی سے کمی کی وجہ سے، یہ بیضہ دانی سے کچھ دیر پہلے گر جاتا ہے۔

یہاں اہم بات یہ ہے کہ سگنل ہر دور میں پیشین گوئی کے ساتھ، بیک وقت اور ایک ہی سمت میں تبدیل ہوتا ہے۔ الگورتھم کے لیے ان میٹرکس کا الگ الگ علاج کرنا ساختی طور پر غلط ہے۔

پہننے کے قابل ان سگنلز کی پیمائش کیسے کرتے ہیں۔

پی پی جی سینسر اور وہ اصل میں کیا پکڑتے ہیں۔

دل کی دھڑکن اور HRV کی پیمائش پہننے کے قابلوں میں Photoplethysmography (PPG) کے ذریعے کی جاتی ہے۔ یہ سینسر عام طور پر دل کی دھڑکن کے لیے سبز، SpO2 کے لیے سرخ، اور انفراریڈ LED روشنی خارج کرتا ہے، جو جلد کو چمکدار بناتا ہے۔ روشنی خون کے حجم کے لحاظ سے مختلف طریقے سے جذب ہوتی ہے، اس لیے جیسے جیسے دل دھڑکتا ہے اور خون کیپلیریوں کے ذریعے بہتا ہے، جلد سے منعکس ہونے والی روشنی دل کی ہر دھڑکن کے ساتھ مختلف ہوتی ہے۔ منعکس روشنی میں تبدیلی کو پی پی جی ویوفارم کہا جاتا ہے۔

پی پی جی ویوفارم ڈیٹا کی بنیاد پر، پہننے کے قابل بیٹ ٹو بیٹ وقفہ کا حساب لگاتا ہے۔ دل کی دھڑکن کا حساب لگانا نسبتاً آسان ہے کیونکہ یہ صرف فی منٹ دھڑکنوں کی زیادہ سے زیادہ تعداد کا حساب لگاتا ہے، جب کہ HRV لگاتار دل کی دھڑکنوں کے درمیان ملی سیکنڈ میں تبدیلیوں کی پیمائش کرتا ہے اور اس کے لیے درست وقت کی ضرورت ہوتی ہے۔ یہ وہ جگہ ہے جہاں سگنل کا معیار بہت اہم ہونا شروع ہوتا ہے۔

جلد پر سینسر لگانا بھی یہاں اہم کردار ادا کرتا ہے۔ عام طور پر، انگلی کے آلات جیسے کہ اورا اور الٹرا ہیومین جیسے سمارٹ رِنگز کلائی میں پہنے ہوئے آلات جیسے Apple Watch، Garmin، یا WHOOP کے مقابلے صاف پی پی جی سگنل فراہم کرتے ہیں۔ انگلیوں میں کیپلیریوں کی کثافت زیادہ ہوتی ہے، جس کے نتیجے میں نبض کے بڑے طول و عرض اور کم حرکتی نمونے ہوتے ہیں۔

کلائی کی گھڑیاں اس مسئلے کو زیادہ نفیس سگنل پروسیسنگ ٹیکنالوجی سے حل کرتی ہیں۔ لیکن اس کے لیے ہمیشہ ایک قیمت ادا کرنی پڑتی ہے۔ مثال کے طور پر، Oura Ring 4 صارفین کو 18-پاس ملٹی لیئر ویو لینتھ PPG سینسر کے ساتھ انکولی سینسر کنفیگریشن فراہم کرتا ہے۔

درجہ حرارت کے سینسر: مسلسل اور جزوی پیمائش

درجہ حرارت کے سینسر فی الحال پہننے کے قابل آلات میں ضم ہوتے ہیں جو کہ جسم کے بنیادی درجہ حرارت کی بجائے جلد کے درجہ حرارت کی پیمائش کرتے ہیں۔ یہ سینسر، جنہیں تھرمسٹر کہتے ہیں، برقی مزاحمت میں تبدیلیوں کے ذریعے درجہ حرارت کے اتار چڑھاو کا پتہ لگا سکتے ہیں۔

جلد کے درجہ حرارت اور بنیادی جسمانی درجہ حرارت کے درمیان تعلق ہے، لیکن وہ ایک جیسے نہیں ہیں۔ جلد کا درجہ حرارت کمرے کے درجہ حرارت، موسمی حالات، اور جلد کی سطح کے ارد گرد خون کے بہاؤ میں تبدیلیوں کی وجہ سے درجہ حرارت میں تبدیلی جیسے عوامل کا جواب دیتا ہے۔

بہر حال، جلد کے درجہ حرارت کی مسلسل رات بھر نگرانی روایتی بیسل جسمانی درجہ حرارت (BBT) کے مقابلے میں بہتر معلومات فراہم کر سکتی ہے۔ زرخیزی سے متعلق آگاہی ٹیکنالوجی کے ساتھ، آپ بستر سے اٹھنے سے پہلے، ہر صبح ایک ہی وقت میں اپنا درجہ حرارت لیتے ہیں۔ پیمائش سے محروم ہونا یا رات کی خراب نیند آپ کے نتائج کو منفی طور پر متاثر کر سکتی ہے۔

پہننے کے قابل ایک مختلف انداز اختیار کرتے ہیں۔ رات بھر درجہ حرارت کا ڈیٹا اکٹھا کر کے، آپ طویل مدتی رجحانات کی شناخت کر سکتے ہیں اور قلیل مدتی اتار چڑھاو کے اثرات کو کم کر سکتے ہیں۔

کچھ آلات، جیسے کہ Apple Watch Series 8 اور بعد میں، Fitbit Sense، اور Oura Ring، میں درجہ حرارت کے سینسر ہوتے ہیں۔ زیادہ تر سمارٹ رِنگز درجہ حرارت کی تبدیلیوں کو خود مطلق درجہ حرارت کی بجائے انفرادی بنیادوں پر ٹریک کرتے ہیں۔ جسم کے درجہ حرارت میں اضافے کی نشاندہی کرنا آسان ہے جو بیضہ دانی کے بعد ہوتا ہے۔

الگورتھم کیسے کام کرتا ہے۔

کیلنڈر پر مبنی اور فزیالوجی کی بنیاد پر پتہ لگانا

شاید آپ کے ماہواری کا پتہ لگانے کا سب سے بنیادی طریقہ کیلنڈر ماڈل کے ذریعے ہے۔ جب کوئی صارف اپنی ماہواری کے پہلے دن میں داخل ہوتا ہے، تو ایپ ان کے ماہواری کے اوسط کا حساب لگاتی ہے اور وہاں سے ان کی مستقبل کی زرخیزی کی پیش گوئی کرتی ہے۔

Clue، Flo، اور Apple کے پیریڈ ٹریکر کے پرانے ورژن جیسی ایپس اسے اپنی بنیاد کے طور پر استعمال کرتی ہیں۔ یہ ایک سادہ الگورتھم ہے جس میں کسی بھی سینسر ڈیٹا کی ضرورت نہیں ہے۔

کیلنڈر الگورتھم کا مسئلہ درستگی کا ہے۔ اس قسم کا طریقہ باقاعدہ سائیکلوں کے ساتھ کام کرتا ہے، جو بہت سی خواتین کے لیے عام نہیں ہے۔ مثال کے طور پر، ovulation کا پتہ لگانے کے لیے، مطالعات سے پتہ چلتا ہے کہ صرف کیلنڈر کے طریقہ کار میں اوسطاً 3.44 دن کی غلطی ہوتی ہے۔

مزید برآں، جب کہ کیلنڈر نقطہ نظر صرف صارف کی درج کردہ تاریخوں کی بنیاد پر ماہواری کی پیش گوئی کرتا ہے، فزیالوجی پر مبنی نقطہ نظر سینسر ڈیٹا جیسے درجہ حرارت، دل کی شرح، اور HRV کا تجزیہ کرتا ہے تاکہ بیضوی اور سائیکل سے متعلق تبدیلیوں کا پتہ لگایا جا سکے۔ مثال کے طور پر، اوورا 1.26 دنوں کی اوسط درستگی کے ساتھ بیضہ دانی کا پتہ لگانے کے لیے دل کی دھڑکن اور جسمانی درجہ حرارت کا استعمال کرتا ہے۔

مشین لرننگ کس طرح سائیکل کے مراحل کی درجہ بندی کرتی ہے۔

مشین لرننگ الگورتھم اس بات کا تعین کرنے کے لیے ایک میٹرک کا استعمال نہیں کرتے ہیں کہ آپ اپنے ماہواری کے دوران کہاں ہیں۔ بلکہ، وہ پہننے کے قابل اشیاء سے لیے گئے متعدد جسمانی میٹرکس کے نمونوں کی جانچ کرتے ہیں، جیسے کہ جلد کا درجہ حرارت، دل کی دھڑکن، دل کی شرح میں تغیر (HRV)، اور بعض صورتوں میں، الیکٹروڈرمل سرگرمی (EDA)۔

وقت گزرنے کے ساتھ، مشین لرننگ الگورتھم سیکھتے ہیں کہ سائیکل کے کون سے مراحل کس جسمانی نمونوں سے مطابقت رکھتے ہیں۔ مثال کے طور پر:

• luteal مرحلے میں جلد کے درجہ حرارت میں اضافہ اور قلبی پیرامیٹرز میں تبدیلی کی خصوصیت ہے۔

• Ovulation درجہ حرارت اور دل کی شرح کے لحاظ سے پیٹرن میں تبدیلی کا سبب بنتا ہے.

• ماہواری کے مراحل جسمانی تبدیلیوں کا ایک انوکھا امتزاج پیش کر سکتے ہیں۔

• بالوں کے پٹک کا مرحلہ عام طور پر پہچاننا سب سے مشکل مرحلہ ہوتا ہے کیونکہ اس کی اہم علامات واضح طور پر بیان نہیں کی جاتی ہیں اور یہ دوسرے مراحل سے میل کھاتی ہیں۔

2025 کے ایک مطالعے سے معلوم ہوا ہے کہ مشین لرننگ الگورتھم مؤثر طریقے سے ماہواری، بیضہ دانی اور لیوٹیل مرحلے کا تعین کر سکتے ہیں۔ فولیکولر اسٹیج کو اسٹیج کی فہرست میں شامل کرنے سے نتائج کی درستگی کم ہوگئی۔

اس وجہ سے، جدید ماہواری سے باخبر رہنے والی ایپس زیادہ پیچیدہ ہو گئی ہیں اور اب صرف درجہ حرارت پر انحصار نہیں کرتی ہیں۔ ڈیوائس کے پکڑے گئے تمام اضافی جسمانی سگنلز کے ساتھ، آپ کے ماہواری کے مرحلے کی شناخت کرنا آسان ہو گیا ہے۔

دیگر ٹیکنالوجیز، جیسے کہ Vivoo FlowPad، بھی حیض سے متعلق صحت کے ڈیٹا کو پہننے کے قابل سینسر سے اندازہ لگانے کے بجائے براہ راست جمع کرنے کی کوشش کر رہی ہیں۔

درستگی کا فرق کیوں موجود ہے۔

پہننے کے قابل آلات کے ساتھ مسئلہ اس حقیقت پر آتا ہے کہ ماہواری کے مرحلے سے وابستہ بہت سے اشارے ماہواری کے لیے مخصوص نہیں ہیں۔

مثال کے طور پر، ان اشارے پر غور کریں جیسے کہ آرام کرنے والی دل کی تیز رفتار، HRV میں کمی، اور جلد کے درجہ حرارت میں اضافہ۔ یہ رجحان luteal مرحلے کے دوران دیکھا جا سکتا ہے، لیکن یہ بیماری، نیند کی کمی، تناؤ، شراب، اور جیٹ لیگ سمیت متعدد دیگر عوامل کی وجہ سے بھی ہو سکتا ہے۔

ماہواری سے باخبر رہنے میں ایک اور رکاوٹ کا تعلق انفرادی اختلافات سے ہے۔ اس کی وجہ یہ ہے کہ کچھ خواتین اپنے ماہواری کے دوران جسمانی درجہ حرارت اور HRV میں نمایاں تبدیلیوں کا تجربہ کر سکتی ہیں، جبکہ دیگر ان اشارے میں کم سے کم تبدیلیوں کا تجربہ کر سکتی ہیں۔

یہی وجہ ہے کہ زیادہ تر ماہواری سے باخبر رہنے والے الگورتھم کو آبادی کی بنیاد کے بجائے انفرادی بنیاد کی ضرورت ہوتی ہے۔ دوسرے لفظوں میں، ہم ایک عورت کے ماہواری کے حوالے سے جتنا زیادہ ڈیٹا اکٹھا کریں گے، ہم انفرادی پیٹرن کی شناخت کرنے میں اتنے ہی بہتر ہوں گے۔

اصل سائیکل ریکگنیشن الگورتھم کیسا لگتا ہے۔

2025 تک، زیادہ تر پہننے کے قابل ٹریکنگ سائیکل اور ریکوری کو دو الگ الگ تصورات کے طور پر غور کریں گے۔ اورا ان دونوں کو جوڑنے والی پہلی بڑی کمپنی بن گئی۔

اپ ڈیٹ شدہ الگورتھم آرام کرنے والی دل کی دھڑکن میں اضافہ، HRV میں کمی، اور جسم کے درجہ حرارت میں اضافہ جو عام طور پر luteal مرحلے کے دوران ہوتا ہے۔ آپ کی حالت کے سکور کو خود بخود کم کرنے کے بجائے، ہم یہ دیکھنے کے لیے چیک کرتے ہیں کہ آیا یہ تبدیلیاں آپ کے ماہواری کا ایک عام حصہ ہیں۔

اس نے ماہواری کے دوسرے نصف حصے میں غلط وصولی کے اسکور کی تعداد کو کم کردیا ہے۔ 2026 میں، اورا نے سائیکل، زرخیزی، حمل، اور رجونورتی پر توجہ مرکوز کرنے والے AI ماڈلز کے ساتھ مزید آگے بڑھا۔

ڈبلیو ایچ او او پی نے ایک میٹرک کے ساتھ ایک مختلف راستہ اختیار کیا جسے کارڈیو ویسکولر ایمپلیٹیوڈ کہا جاتا ہے، جو پورے چکر میں دل کی شرح اور HRV کی تغیرات کی پیمائش کرتا ہے۔ انفرادی اقدامات پر توجہ مرکوز کرنے کے بجائے، ہم ہارمونل تبدیلیوں کے مجموعی جسمانی اثرات کو دیکھتے ہیں۔

نیچرل سائیکلز پہننے کے قابل سینسر جیسے Apple Watch، Oura Ring، Garmin، یا اس کے اپنے مخصوص NC بینڈ کی مدد سے صارفین سے جسمانی درجہ حرارت کا ڈیٹا اکٹھا کرتا ہے، جس سے یہ مانع حمل کے استعمال کے لیے FDA کی منظوری حاصل کرنے والی پہلی حاملہ ایپ بنتی ہے۔

Garmin، Fitbit، اور Samsung آپ کے ماہواری کو ٹریک کرتے ہیں، لیکن یہ بصیرتیں بڑی حد تک بحالی اور تیاری کے اشارے سے منقطع ہیں۔

ختم

اس کے نتیجے میں پہننے کے قابل اور ریکوری الگورتھم کی طرف سے لی گئی پیمائش کے درمیان مماثلت پیدا ہوتی ہے جسے وہ ہینڈل کرنے کے لیے بنائے گئے ہیں۔

پی پی جی سینسر اور ٹمپریچر سینسر پہننے کے قابل کو ماہواری کے دوران ہونے والی تبدیلیوں کا پتہ لگانے کی اجازت دیتے ہیں، اور وہ کافی حد تک کام کرتے ہیں۔ ملٹی پیرامیٹر مشین لرننگ سائیکل کے مراحل کی قابل اعتماد درجہ بندی کی اجازت دیتی ہے، خاص طور پر وہ جو ovulation کے دوران ہوتے ہیں۔

تاہم، مسائل پیدا ہوتے ہیں کیونکہ بہت سے ریکوری الگورتھم کو مردانہ نمونوں کی طرف متعصب ڈیٹا پر تربیت دی جاتی ہے، جہاں ہارمونل سائیکل کی تبدیلیوں کو شور سمجھا جاتا ہے۔ ان ریکوری الگورتھم میں luteal فیز فزیالوجی اور بیماری کے ابتدائی مراحل کے درمیان فرق کرنے کا کوئی ذریعہ نہیں ہے۔ سینسر اس مسئلے کو حل نہیں کرتے ہیں، لیکن الگورتھم ڈیزائن کرتا ہے۔

پہننے کے قابل ڈیوائس APIs کا استعمال کرتے ہوئے ہیلتھ ایپس تیار کرنے کے معاملے میں، ہمارے پاس پہلے سے ہی ہیلتھ میٹرکس تک رسائی ہے جو سائیکل کے موجودہ مرحلے کے بارے میں معلومات کو شامل کرتی ہے۔ Oura اسے مخصوص اختتامی نقطوں پر فراہم کرتا ہے، Apple اسے HealthKit کے HKCategoryTypeIdentifier کے ساتھ مربوط کرتا ہے، اور WHOOP اسے ریکوری ماڈل سے جوڑتا ہے۔

یہاں چیلنج یہ ہے کہ ان پلیٹ فارمز پر متعدد APIs، ڈیٹا ماڈلز، اور انٹیگریشن ٹیکنالوجیز کے ذریعے ڈیٹا تک رسائی حاصل کی جا سکتی ہے۔ اگرچہ اورا، ایپل ہیلتھ کٹ، اور ڈبلیو ایچ او او پی اسی طرح کے ہیلتھ میٹرکس کو بے نقاب کر سکتے ہیں، پھر بھی نمونے لینے کی فریکوئنسی، پری پروسیسنگ کے طریقوں، اور میٹرک تعریفوں میں فرق ہو سکتا ہے، جس سے الگورتھم بنانا مشکل ہو جاتا ہے جو پلیٹ فارمز پر مستقل طور پر کام کرتے ہیں۔

معیاری کاری کی یہ کمی ڈیٹا کے مسائل کی تربیت میں بھی معاون ہے۔ اورا، ایپل واچ، اور ڈبلیو ایچ او او پی کے ذریعے جمع کردہ ڈیٹا کو ہمیشہ آسانی سے جوڑا نہیں جا سکتا کیونکہ ہر پلیٹ فارم ڈیٹا کو مختلف طریقے سے اسٹور اور استعمال کرتا ہے۔ نتیجے کے طور پر، محققین اور ڈویلپرز کو ماڈلز کو تربیت دینے کے لیے استعمال کرنے سے پہلے اپنے ڈیٹا کو تیار کرنے اور معمول پر لانے کے لیے اضافی کام کرنا چاہیے۔

سینسر موجود ہیں اور ماڈلز بہتر ہو رہے ہیں، لیکن حقیقت یہ ہے کہ APIs بکھرے ہوئے ہیں اور تربیتی ڈیٹا کی کمی ہے۔ وہیں کام ہے۔