综述：可穿戴人工智能在睡眠障碍中的应用：范围综述

这篇范围综述系统回顾了AI驱动的可穿戴设备（WDs）在睡眠障碍监测中的应用，聚焦设备特性、AI算法（如CNN、随机森林）及临床验证方法（PSG作为金标准）。研究揭示了84.7%的文献集中于睡眠呼吸暂停（SA），并指出腕戴式设备（41%）和加速度传感器（74%）的主导地位，为未来开发低成本、精准的睡眠诊疗工具提供了方向。

　　

背景
全球30%-45%的成年人受睡眠障碍困扰，其与糖尿病、心血管疾病等重大健康问题密切相关。传统实验室检测（如多导睡眠监测PSG）因成本高昂难以长期使用，而结合人工智能（AI）的可穿戴设备（WDs）提供了可及、可扩展的连续监测方案。根据国际电工委员会标准，可穿戴设备分为近体、贴体、植入和电子纺织品四类，其中贴体设备（如智能手表）因皮肤接触式传感成为研究主流。

研究目标与方法
本综述通过检索MEDLINE、PsycINFO等7个数据库（截至2024年3月），筛选出46项符合标准的研究。纳入标准包括：使用WDs采集数据、应用AI算法分析睡眠障碍（排除仅评估睡眠质量的研究）。采用PRISMA-ScR框架，两名评审员独立完成文献筛选与数据提取。

结果

1. 研究特征：84.7%研究聚焦睡眠呼吸暂停，65%使用商用设备（如Fitbit、Belun Ring），腕部佩戴占41%。呼吸数据（54%）、心率（48%）和体动（37%）是主要建模指标。
2. 技术特性：加速度传感器（74%）和光电容积描记术（PPG，30%）最常用，96%设备采用被动式数据采集。
3. AI模型：卷积神经网络（CNN，37%）占比最高，随机森林（30%）和支持向量机（26%）次之。模型验证以PSG为金标准（76%），K折交叉验证（46%）为主流方法。

讨论与展望
当前局限包括：

• 地域差异：亚洲研究占比41%，但开源数据集仅15%，阻碍算法泛化性验证。
• 技术缺口：尚无研究将AI模型嵌入设备端（如TinyML），且缺乏针对失眠、昼夜节律障碍等疾病的探索。
  未来应开发性别特异性算法（女性慢波睡眠占比更高）、融合大语言模型（LLMs）的干预推荐系统，并通过产学研合作推动设备标准化。

结论
可穿戴AI在睡眠呼吸暂停筛查中展现潜力，但需扩大疾病覆盖范围并加强临床转化。制造商应整合边缘计算技术，研究者需共享脱敏数据以促进算法优化，最终实现从诊断到个性化治疗的闭环管理。