综述：老年人商用腕戴式可穿戴设备的范围综述

这篇综述系统评价了商用腕戴设备（如智能手环/手表）在老年健康监测中的应用，涵盖跌倒风险预测、房颤检测、步态分析等7大领域，指出其作为IoT技术组件在实时监测生理参数（PPG/IMU/GPS）和促进主动健康管理中的潜力，但存在算法透明度低、人群异质性大等局限。

　　

老年人腕戴式健康监测设备的应用进展

跌倒风险预测

商用腕戴设备通过多传感器融合展现跌倒预测潜力。Mi Band Pulse 1S通过加速度计和心率监测实现高精度跌倒分类，其机制与睡眠质量参数显著相关。研究显示，睡眠紊乱导致的平衡功能下降可使跌倒风险提升47%，而设备采集的夜间活动数据能有效识别高风险人群。

设备可用性

三星（Simband 2/Gear S3）和Fitbit Flex 2在不同老年群体中呈现差异化接受度：80岁以上用户对设备舒适度评分降低23%，而肥胖人群对减肥干预的依从性达89%。值得注意的是，Mi Band较微软手环具有更优的人机交互设计，其单键操作界面使认知障碍老年用户的操作错误率降低62%。

房颤检测技术

基于PPG技术的三星设备在房颤检测中展现临床级精度。与ECG金标准对比，Gear S3对不规则脉搏的识别灵敏度达98.6%，特别在卒中后患者随访中实现连续72小时监测。但设备在冠状动脉搭桥术后患者中可能出现17%的假阳性率，提示需个性化校准。

步态识别创新

DW9F1智能手表通过机器学习实现步态分类：

• 双腕佩戴准确率：92.4%

• 单腕佩戴准确率：89.1%

• 干扰步态识别误差：6.3%

  Garmin Vivofit^?4在户外步数计数中误差率<3%，但上下楼梯场景误差骤增至12%。

移动能力评估

GPS数据揭示膝关节疼痛与活动半径的负相关（r=-0.71，p<0.01）。TicWatch Pro 3在社区环境中可持续追踪7天，其IMU模块能识别15种日常活动模式，但定位漂移导致超市室内导航误差达±8米。

运动参数验证

多设备比较研究显示：

• Fitbit Charge 2步数误差：±4%

• Garmin Vívosmart HR+能耗误差：±9%

• 中高强度活动识别特异性：88.2%

  值得注意的是，设备在85岁以上人群的能耗计算普遍偏高22%，需年龄特异性算法优化。

睡眠监测争议

Fitbit系列设备在睡眠分期判定上与多导睡眠图（PSG）存在差异：

• 深睡眠低估：34分钟

• 清醒期高估：28分钟

  但睡眠效率参数与生活质量评分（SF-36）显著相关（β=0.43，p=0.02），提示其筛查价值。

现存挑战

1. 算法黑箱问题：87%商用设备未公开原始数据处理流程

2. 纵向数据缺失：现有研究平均随访期仅8.3周

3. 特殊人群盲区：痴呆患者佩戴脱落率达41%

临床整合前景

需建立跨学科标准框架，将腕戴设备数据与电子病历（EMR）系统对接。试点研究显示，整合监测数据可使社区护士随访效率提升35%，但需解决HIPAA合规性等隐私问题。未来5年有望通过联邦学习（FL）技术实现多中心数据安全共享。