设备与设置
把佳明、Apple 健康、Oura、WHOOP 的数据合到一处,并用 AI 分析
想做多个设备数据合并,光把表格拼在一起还不够:每个数值都要保留来源,重复的训练要合并,之后再让 AI 帮你总结趋势才靠谱。

要点速览
- 设备数据对不上,是因为传感器、佩戴位置、统计时间段和统计量都不同:WHOOP 和 Oura 报告 RMSSD,苹果健康则一直存储 SDNN。
- 好的数据汇总平台会让每个数值保留服务商和设备来源,合并重复训练但不删除原始记录,并让你按指标选数据源,而不是把两个算法平均。
- AI 适合总结 7、30、90 天趋势,帮你起草要问教练或医生的问题,但不能诊断疾病,也不能调整用药。
- 分享时给带单位和来源的每日或每周汇总,而不是原始逐拍文件,并说明哪些天缺失:没有数据的一天是未知,不是零。
- 出现胸痛、晕厥或心悸伴头晕时,应就医,而不是去问模型。
为什么设备之间数据对不上
戴在手指上的戒指、戴在一只手腕上的手环、戴在另一只手腕上的手表,本质上是三台不同的仪器:测量位置不同,统计的时间段不同,再套用各自的专有模型。两台设备的 HRV 差几毫秒、深睡差二十分钟,并不意外。
| 差异来源 | 举例 |
|---|---|
| 传感器与佩戴位置 | 手指与手腕的光学心率;做间歇训练时,手腕心率可能滞后 |
| 统计时间段 | 整晚平均的 HRV,与深睡阶段几分钟的 HRV |
| 统计方法 | WHOOP 和 Oura 给出的是 RMSSD,Apple 健康历来存的是 SDNN |
| 算法 | 睡眠分期、卡路里、步数、最大摄氧量都是估算值,各家算法不同 |
| 专有评分 | 恢复分(Recovery)、准备度(Readiness)、身体电量(Body Battery)是不同的模型,不是同一把尺 |
验证研究总体上认为,消费级穿戴设备测静息心率、区分睡着与清醒还算可靠,测睡眠分期、测剧烈或不规则运动中的心率则较弱。可参阅穿戴设备心率准不准、睡眠监测准不准和各品牌睡眠评分对比。
怎么把数据从各平台导出来
菜单名称经常变动,下面是各平台常见的导出路径(包括佳明数据导出),具体请以厂商的帮助页面为准。
| 平台 | 常见路径 | 得到什么 |
|---|---|---|
| Apple 健康 | “健康”App → 点右上角头像 → 导出所有健康数据(iPhone) | 一个含 export.xml 的压缩包;只能整体导出,常有几百 MB |
| 佳明(Garmin) | 网页版 Garmin Connect → 账户设置 → 导出您的数据;单次活动可导出 FIT、TCX 或 GPX | 含原始活动文件和汇总的压缩包;数据量大时需要等一阵 |
| WHOOP | App → 数据导出,CSV 文件的下载链接会发到邮箱 | 恢复周期(恢复、HRV、Strain)、睡眠、训练和日志;是每日汇总,不含逐次心跳数据 |
| Oura | Membership Hub → 导出数据 → 申请你的数据;或在网页仪表盘下载选定指标 | 每日与睡眠指标文件;完整申请可能要等几天 |
导出文件只是列名、单位各不相同的快照,更适合当备份,而不是实时看板;里面有敏感的健康信息,请妥善保存。
好的数据汇总平台要做什么
- 保留来源。 每个数值都带着它的服务商、原始设备和统计时间段,你随时能看到数字从哪来。
- 合并重复训练。 同一次运动从两个平台进来时只算一次,原始记录不删除。
- 按指标选择主数据源,而不是把两套算法平均成一个哪台设备都没测过的数。
- 不同指标不混用: RMSSD 和 SDNN,或者 WHOOP 恢复分、Oura 准备度、佳明身体电量,不合并也不换算。
表格软件做不到这些,步数和训练被重复计算就是典型症状。详见MoveVitals 如何处理多设备数据。
用 AI 分析健康数据:能做什么,不能做什么
“ChatGPT 能分析苹果健康数据吗”是个很合理的问题:模型读几周的数字,比你翻图表快得多。它可以把最近 30 天和之前 30 天做对比,指出不太一样的夜晚,再整理成想问教练或医生的问题。就目前所知,个别通用 AI 助手已经提供自己的 Apple 健康连接(限美国、需 iPhone),而且变化很快。至于原始的 export.xml,体积太大、也没有标注,没法直接贴进对话框。
| 适合让 AI 做 | 不适合让 AI 做 |
|---|---|
| 按 7、30、90 天总结趋势,并写明日期和数值 | 诊断疾病,或判断某个症状是否严重 |
| 找出同时发生变化的指标(睡眠、静息心率、训练量) | 解释“为什么”:相关不等于因果 |
| 帮你起草要问教练或医生的问题 | 调整药物、补剂或治疗方案 |
| 解释某项指标是什么意思 | 跨品牌比较专有评分,或把 RMSSD 和 SDNN 放在一起算 |
更稳妥的做法:
- 提供汇总数据(带单位和来源的每日或每周数值),不要给逐次心跳的原始文件。
- 说明哪些天没有数据:没记录的一天是未知,不是零。
- 搞清楚数据去了哪里。消费级聊天服务有自己的隐私与留存设置;用你自己掌控的 API 密钥,则适用该服务商的条款。
- 如果出现胸痛、晕厥,或心悸伴头晕,请直接就医,不要去问模型。如果看数字开始让你焦虑,请读健康数据别用过头(睡眠焦虑与数据焦虑)。
在 MoveVitals 中
MoveVitals 是免费、开源(AGPL-3.0)的数据汇总平台,围绕上面这几步来设计:
- 通过官方 API 接入:WHOOP、Oura、Strava、Polar、COROS、Withings、Concept2 和 Dexcom;佳明、Suunto 和 Wahoo 仅在托管版提供,这几个适配器不在开源导出版里。
- Apple 健康暂时不能直连。 读取它需要 MoveVitals iOS App,目前仍在开发中。现在,已在 Strava 里的 Apple Watch 训练可以通过 Strava 连接进来;Apple 的睡眠、HRV 和静息心率则不行。详见Apple 健康指南。
- 保留与合并什么: 每个数值的服务商、设备、时间段和原始数据;来自不同服务商的重复训练合并成一条;每个指标可设数据源优先级;当不同来源的差距超过该指标的容差(HRV 为 10%)时给出冲突标记。它呈现的是各平台 API 开放的数据,而不是手表表盘上的每一个评分。
- 可选的 AI,用你自己的密钥: Anthropic Claude 或兼容 OpenAI 接口的模型(OpenAI、DeepSeek、通义千问;自托管实例可选择启用本地模型)。你决定模型能看到哪些数据来源,另外单独决定是否分享个人资料、训练标题和化验结果。预览会列出分享的内容:最多 365 天的每日趋势加近期读数。Strava 的数据默认不会发给 AI,因为它的 API 条款限制 AI 使用。生成的报告是健康参考,不是诊断。
- 数据可带走: 你的账户数据可以导出为 JSON。
实例

示例情景。 Mira 晚上戴 Oura 戒指,跑步戴佳明手表,同时用 Strava。她连接了 Oura 和佳明,并把 Oura 排在 HRV 和睡眠的第一位。某天夜里,Oura 显示 HRV 为 61 毫秒,佳明为 48 毫秒。MoveVitals 采用 Oura 的数值、保留两条记录,并标出约为所选值 21% 的差距,超过 HRV 10% 的容差。接着她接入自己的 AI 密钥,只允许 Oura 和佳明、不开放 Strava,请它对比最近 30 天和之前 30 天。结果是:平均睡眠 6 小时 52 分对 7 小时 18 分,静息心率 55 对 53 次/分,30 个夜晚中有 24 晚有记录,另外 6 晚按未知处理。它无法说明原因,只建议工作日早点睡,两周后再复查。数字仅为示例。
行动步骤
- 先列出每台设备负责什么(夜间、训练、体重秤),每个指标只保留一个主数据源。
- 在 MoveVitals 里连接你实际佩戴的设备,并为 HRV、睡眠和步数设置数据源优先级。
- 从各平台各导出一份备份,并妥善保存这些文件。
- 使用任何 AI 之前,先决定它能看什么:选好数据来源,不需要的就不给,提供汇总而不是原始文件。
- 让模型写明日期、数值和局限,自己核对两个数字,把问题而不是结论带给教练或医生。
相关指南
- MoveVitals 如何处理多设备数据:来源、去重与冲突
- Apple 健康与 Apple Watch:MoveVitals 当前接入方式
- Garmin Connect 与 MoveVitals:活动、健康数据与身体电量
- 个人基线:为什么“你的常态”比人群平均值更有用
常见问题
ChatGPT 能分析苹果健康数据吗? 部分可以。个别助手提供 Apple 健康连接(限美国、需 iPhone,变化很快),你也可以自己粘贴汇总数据。请检查隐私设置,只分享必要的内容,把回答当作提问的线索,而不是诊断。
两台设备同时记录了同一次跑步怎么办? 来自不同服务商的记录(比如佳明直连加 Strava)会被合并。两份副本如果都经 Strava 进来,就属于同一服务商,不会自动合并,所以每次运动只用一台设备记录。
一定要用 AI 才能合并数据吗? 不用。连接设备、合并重复训练、选择数据源都不需要 AI;AI 是可选的,需要你自己的密钥。
参考文献
- Miller et al. (2022). A Validation of Six Wearable Devices for Estimating Sleep, Heart Rate and Heart Rate Variability in Healthy Adults. Sensors. https://doi.org/10.3390/s22166317
- Bent et al. (2020). Investigating sources of inaccuracy in wearable optical heart rate sensors. npj Digital Medicine. https://doi.org/10.1038/s41746-020-0226-6
- Chinoy et al. (2021). Performance of seven consumer sleep-tracking devices compared with polysomnography. Sleep. https://doi.org/10.1093/sleep/zsaa291
- Shaffer et al. (2017). An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. https://doi.org/10.3389/fpubh.2017.00258
- Oura. Export & Share Your Oura Data. https://support.ouraring.com/hc/en-us/articles/360025441594
内容仅供一般参考,不构成医疗建议。涉及健康问题请咨询专业人士。

