基于可穿戴设备数据的代谢综合征昼夜节律生物标志物检测与分析：一项横断面研究

推荐：研究人员针对代谢综合征(MetS)监测中昼夜节律生物标志物研究不足的问题，通过分析Fitbit设备采集的272名受试者心率(HR)和步数数据，创新性提出连续小波昼夜节律能量(CCE)指标，结合可解释人工智能(XAI)技术发现CCE和心率相对振幅(RA_HR)是识别MetS的关键生物标志物，为可穿戴设备在代谢疾病管理中的应用提供新思路。

　　

代谢综合征(Metabolic Syndrome, MetS)作为包含肥胖、高血压、糖尿病等多种代谢异常的综合征，其全球患病率持续攀升，给个人健康和社会经济带来沉重负担。尽管健康饮食、规律运动和压力管理可降低患病风险，但传统监测方法依赖医院检查，难以实现持续评估。可穿戴设备的普及为健康监测带来新机遇，但关于MetS的昼夜节律生物标志物研究仍处于起步阶段，且现有研究多局限于统计分析方法，缺乏对复杂生物节律模式的深入解析。

韩国医学大田市民队列(Korean Medicine Daejeon Citizen Cohort, KDCC)的研究人员开展了一项横断面研究，通过分析Fitbit Versa/Inspire 2设备采集的272名受试者（88名MetS患者和184名健康对照）的分钟级心率、步数和睡眠数据，创新性地将连续小波变换(CWT)技术应用于昼夜节律分析，提出连续小波昼夜节律能量(Continuous Wavelet Circadian rhythm Energy, CCE)新指标，并采用可解释人工智能(eXplainable Artificial Intelligence, XAI)技术（包括SHAP、EBM和TabNet）评估26项生物标志物的临床价值。该研究发表在《JMIR Medical Informatics》期刊，为可穿戴设备在代谢疾病管理中的应用提供了重要理论依据。

研究主要采用五种关键技术方法：1) 基于5天连续穿戴数据的线性插值处理；2) 传统昼夜节律指标计算（包括MESOR、振幅等cosinor参数和RA、IS等非参数指标）；3) 创新性开发CCE指标，通过Morlet小波分析69-80分钟（中频）和900-1100分钟（低频）两个特征频段能量；4) 应用三种XAI模型（SHAP+XGBoost、EBM和TabNet）进行特征重要性排序；5) 五折交叉验证评估模型稳定性。

研究结果部分：

1. 昼夜节律指标与MetS的关联性分析

   统计分析显示，心率相关指标比步数指标与MetS关联更强，其中CCE中频段能量在MetS组显著降低0.005(P<0.001)，低频段能量增加0.005(P=0.003)，中低频能量比降低0.382(P<0.001)。传统睡眠指标（如 midsleep time和total sleep time）未达统计学显著性。

2. XAI模型的重要指标分析

   三种XAI模型一致显示CCE中频段能量(CCE_MF)是最重要的MetS预测指标，其次为心率相对振幅(RA_HR)。EBM模型可视化显示，CCE_MF值低于0.0245时MetS风险显著增加，而RA_HR>0.15时非MetS可能性增大。值得注意的是，虽然睡眠指标在统计检验中不显著，但在TabNet模型中部分睡眠指标进入前十重要特征。

3. 混杂因素调整后的稳健性验证

   在调整年龄、性别和BMI后，CCE_MF仍保持高度预测价值，证实其作为独立生物标志物的可靠性。模型预测准确率加入CCE后，EBM从64.31%提升至65.44%，XGBoost从89.70%增至90.43%。

研究结论与讨论指出，CCE_MF和RA_HR作为新型昼夜节律数字生物标志物，在MetS识别中展现出超越传统睡眠指标的优越性。该研究的创新点在于：首次将小波时频分析应用于可穿戴设备数据解析，发现1小时周期的心率能量变化与MetS密切相关；通过多模型XAI验证提高了结论的可信度；为开发基于智能手表的MetS预警系统提供了理论支持。未来研究需扩大样本量以验证CCE在深