《Sensors》:Consumer Smartwatch Technology in Health and Performance Research: Validity, Limitations, and Real-World Applications
编辑推荐:
消费者智能手表越来越多地被用于在现实世界环境中监测健康、体力活动、康复和表现。尽管这些设备提供连续且可扩展的数据,但许多面向用户的输出并非直接的生理测量值,而是由传感器信号、专有算法、用户特征和情境假设生成的估计值。本综述文章通过区分相对直接的传感器测量和更高
消费者智能手表越来越多地被用于在现实世界环境中监测健康、体力活动、康复和表现。尽管这些设备提供连续且可扩展的数据,但许多面向用户的输出并非直接的生理测量值,而是由传感器信号、专有算法、用户特征和情境假设生成的估计值。本综述文章通过区分相对直接的传感器测量和更高级的算法输出,提供了一个评估智能手表衍生指标的实用框架。研究人员回顾了常见和新兴指标是如何生成的,包括心血管测量(cardiovascular measures)、能量消耗(energy expenditure)、有氧能力(aerobic capacity)、睡眠和准备状态评分(sleep and readiness scores)、身体成分(body composition)、运动力学(movement mechanics)、无袖带血压(cuffless blood pressure)、汗液流失与水分(sweat loss and hydration)以及无创血糖监测(non-invasive glucose monitoring)。在这些领域中,效度因设备、算法、人群、活动类型、环境和预期应用而异。智能手表衍生数据可能最适用于跟踪个体内趋势,并补充实验室、临床或自我报告评估,但在将这些输出用于精确生理量化、诊断分类或跨设备比较时应谨慎。未来的进展将需要更强的验证框架、更高的算法透明度、标准化报告、协调的数据基础设施,以及可穿戴指标与有意义的健康、康复和表现决策之间的仔细对齐。
1. 引言
消费者智能手表技术在过去十年中迅速发展,广泛应用于临床研究、人口健康监测、运动表现追踪和个性化健康管理。尽管其能收集纵向数据,但大多数智能手表输出并非直接生理测量,而是通过专有算法从原始传感器信号推断出的预测值,例如能量消耗(EE)、有氧能力(VO
2max)、睡眠分期和身体成分等。因此,智能手表衍生指标的价值取决于其效度、可靠性和可解释性,而非简单的可用性。本综述旨在提供一个实用框架,用于评估智能手表技术在健康、运动、康复和表现研究中的应用,讨论度量如何生成、如何解释直接和算法衍生测量,以及效度、生理相关性和现实世界背景如何指导数据解读。
综述方法
本文采用叙述性综述方法,旨在综合并解释现有证据,而非重复系统综述和荟萃分析。通过迭代主题搜索PubMed、SPORTDiscus和Google Scholar至2026年6月,结合相关术语(如智能手表、可穿戴技术、验证、准确性、光电容积描记法(PPG)、惯性测量单元(IMU)等),并补充参考文献筛选和制造商技术文件。
2. 可穿戴衍生测量的概念框架
智能手表测量是一个多阶段过程:传感器捕获原始数据,信号经算法处理,输出旨在代表生理或行为构念,最终用于决策。需区分直接传感器测量(如原始加速度)和算法衍生输出(如能量消耗)。评估需考虑分析效度(传感器捕获信号准确性)、算法效度(信号转换准确性)、构念效度(输出代表目标构念的程度)和生态效度(在现实环境中的表现)。智能手表技术的效用不应由指标数量定义,而应看指标与预期目的的对齐程度。
3. 表盘之下:智能手表中的传感器与信号集成
智能手表的核心是微控制器,它协调多传感器采样。运动传感主要通过惯性测量单元(IMU)实现,包括加速度计(检测线性加速度)、陀螺仪(测量角速度)和磁力计(估计方向)。全球定位系统(GPS)提供位置数据。光学传感器(光电容积描记法,PPG)使用发光二极管(LED)和光电探测器估算心率(HR)、心率变异性(HRV)和血氧饱和度(SpO
2),但信号质量受运动伪影、皮肤接触、肤色等因素影响。一些设备还包含气压高度计、温度传感器和单导联心电图(ECG)。智能手表是多传感器融合设备,常见输出(如能量消耗、睡眠估计)整合了多个传感器流、用户特征和专有算法。设备可分为活动追踪器、通用智能手表和性能导向高端型号,选择应基于具体指标、人群和场景。
4. 手表究竟在测量什么?传感器衍生指标的详细评估
4.1. 心血管指标
心率(HR)和外周血氧饱和度(SpO
2)主要依赖PPG,在静息和稳态条件下平均绝对百分比误差(MAPE)通常低于10%,但在动态生理状态下准确性下降。PPG信号质量受运动、设备贴合度、肤色、年龄、体重指数和性别影响,例如表皮黑色素含量可导致心率低估和SpO
2高估。心率变异性(HRV)通过脉冲率变异性(PRV)估算,并非与ECG衍生的HRV严格互换,受PPG采样频率限制。单导联ECG可记录实际电活动,在识别房颤方面灵敏度和特异性超过90%,但依赖稳定的皮肤接触。
4.2. VO
2max与能量消耗(EE)估计
最大摄氧量(VO
2max)和能量消耗(EE)均为模型输出,通过结合传感器数据与用户输入(如性别、身高)的专有算法生成。VO
2max估算利用心率与速度的线性关系,MAPE约5-13%,在中等训练者中准确性较好。EE估算结合PPG心率、加速度计和GPS信号,误差常超过±10-20%,在超重人群中更差,且倾向于低估低强度活动、高估高强度活动。用户输入错误和活动类型会传播误差。
4.3. 睡眠与准备状态评分
睡眠通过加速度计和PPG间接推断,与多导睡眠图(PSG)相比,区分睡眠与觉醒的灵敏度≥95%,但多阶段分类较差(50-86%),且倾向于高估睡眠时间、低估觉醒。准备状态和恢复评分是复合健康评分,整合夜间心率、HRV、睡眠时长和活动负荷等输入,但缺乏金标准验证,专有权重方案未经验证,应视为算法摘要而非生理测量。
4.4. 身体成分指标
基于生物电阻抗分析(BIA),通过测量身体对微弱交流电的阻抗来估算脂肪百分比。与双能X射线吸收法相比,相关性虽强但存在性别差异和比例偏差(体脂率高者误差增大)。水合状态是主要混杂因素,脱水会高估脂肪比例,需标准化测量条件(空腹、避免运动等)。
4.5. 运动学指标:时空、距离、速度和运动指标
空间运动主要源自GPS和IMU融合信号。步骤计数在健康成人户外正常步速下可接受,但跑步机上会低估。更复杂的时空变量(如触地时间、步幅)一致性较差,受解剖放置和环境(室内外)影响。多频多星座全球导航卫星系统(GNSS)可提高户外定位精度。
4.6. 新兴指标:无袖带血压、汗液流失/水分和血糖监测
无袖带血压(BP)通过脉冲到达时间(PAT)或PPG波形特征估算,需个体校准,准确性随时间下降,2025年有设备获FDA 510(k)许可,但专家共识建议谨慎临床使用。汗液流失和水分指标通过算法模型估算,而非直接汗液采样,MAPE约25-33%。无创血糖监测仍处于开发阶段,FDA未批准任何智能手表用于血糖测量。
5. 从设备到数据集:互操作性与数据基础设施
不同品牌、型号和软件版本的智能手表生成的数据产品不同,即使用相同度量标签(如心率),其传感器输入、算法假设和处理方式也可能不同。这影响跨设备比较和组合。数据访问基础设施(API、SDK)差异大,一些平台提供高分辨率数据,其他仅提供摘要。研究中应报告设备型号、固件版本、数据源、采样分辨率、缺失数据处理等,以提高可重复性。
6. 从监测到意义:在研究、健康和表现中的应用
智能手表的优势在于收集连续、现实世界数据,补充实验室评估。在流行病学、临床试验和远程监测中,可提供客观、时间戳的行为和生理模式。在临床和康复中,支持返回活动追踪和行为反馈。运动场景中,帮助描述训练一致性和恢复模式。智能手表数据应视为实验室、临床和自我报告测量的补充,最适用于个体化趋势监测。
7. 智能手表数据的挑战与未来方向
主要挑战包括设备更新速度快(验证结果可能过时)、闭源算法缺乏透明度、数据过载、标准化不足以及跨设备可比性差。未来需加强验证框架、算法透明度、标准化定义、可重复数据管道和多设备集成平台。人工智能(AI)和多模态融合可能扩展效用,但需避免放大偏差。未来发展依赖透明算法、严格验证和公平测试。
8. 使用智能手表数据的实用建议
认识到消费者输出并非金标准测量。最适用于重复测量和个体内趋势监测(如静息心率、日常活动、睡眠时长)。谨慎用于横断面比较、诊断分类或精确量化复杂构念(如EE、VO
2max)。设备选择应基于目标人群和场景的验证证据,当缺乏证据时,仅用于探索或趋势监测。智能手表数据应整合而非替代实验室和临床评估。
局限性
本综述为叙述性综述,文献选择非穷尽,未进行系统性质量评估或定量合成。可穿戴技术文献异质性高(设备、算法、人群等),专有算法和报告不完整限制评估,技术快速演变使结果可能过时。
9. 结论
智能手表是现实世界中监测健康、活动、康复和表现的有力工具,但许多输出是间接估计,其价值取决于理解其效度和适用性。最适合追踪个体内趋势,补充实验室测量。谨慎用于精确量化、诊断分类或跨设备比较。未来需解决运动敏感信号采集、算法透明性、跨设备定义不一致等问题,转向测量有意义的指标并负责任地解释。