跳到正文
可穿戴与测量科学证据综述3 分钟阅读

可穿戴设备上的睡眠障碍人工智能:46项研究,以睡眠呼吸暂停筛查为主

MoveVitals 编辑部 · 研究发表 · 解读更新

原文:Wearable Artificial Intelligence for Sleep Disorders: Scoping Review. · Journal of medical Internet research · 2025 · 论文原文 ↗

先看重点

一项范围综述纳入46项研究,发现可穿戴设备上的人工智能主要用于睡眠呼吸暂停的筛查和诊断,没有研究将其用于治疗;46项中有30项(65%)使用了商用设备。该综述只描绘现状,没有合并准确性数据,因此无法说明这些系统的实际效果。

证据类型

证据综述

解读依据

公开摘要

阅读重点

方法与适用范围

研究在问什么

30%至45%的成年人有睡眠障碍,这与糖尿病和心血管疾病相关,但实验室检测费用高,不适合长期监测。作者想梳理有哪些人工智能可穿戴设备被用于睡眠障碍研究、这些研究的特点、设备测量什么,以及使用了哪些人工智能方法。

研究了谁,如何研究

这是一项范围综述,检索了MEDLINE、PsycINFO、Embase、IEEE Xplore、ACM Digital Library、Google Scholar和Scopus共7个数据库中2024年3月前发表的同行评审文献。纳入的研究需利用可穿戴设备数据,通过人工智能算法检测或预测睡眠障碍。两名评价者独立筛选研究并提取数据,分歧通过协商解决,结果以叙述方式汇总。

主要发现

以下为作者报告的结果。数字须连同人群和不确定性一起阅读。

  1. 1
    检索到615篇文章,其中46篇符合标准;多数研究聚焦睡眠呼吸暂停。
  2. 2
    可穿戴人工智能被广泛用于疾病的诊断和筛查,没有研究将其用于治疗。
  3. 3
    30项(65%)研究使用商用设备,品牌多样,并无某一品牌占主导;19项(41%)使用腕戴设备。
  4. 4
    25项(54%)研究以呼吸数据作为模型的主要输入,其次是心率(22/46,48%)和身体活动(17/46,37%)。卷积神经网络见于17项(37%)研究,随机森林14项(30%),支持向量机12项(26%)。

局限与不确定性

  1. 1
    范围综述描述的是研究现状,并不对结果做统计合并,因此没有汇总准确性和疗效;作者表示还需要更多综述来完成这一点。
  2. 2
    针对睡眠呼吸暂停以外的睡眠障碍,可穿戴设备的研究仍然有限,对失眠等其他疾病的结论较薄弱。
  3. 3
    各研究使用了多种商用品牌,结论无法对应到具体的某一款设备。
  4. 4
    作者呼吁用来自可穿戴设备的临床数据验证机器学习方法;以上解读仅基于摘要。

对日常健康的启示

可穿戴人工智能正被研究用于筛查睡眠问题,尤其是睡眠呼吸暂停,但这项综述并未显示任何消费级设备能够诊断这些疾病。设备的提示只是就医的理由,而不是诊断。治疗决定应由医疗专业人员做出。

如何联系自己的数据

夜间心率、呼吸相关指标(如呼吸频率或血氧)和活动,是这些模型依赖的信号,不少设备也能看到类似数据。请用同一台设备观察自己数周的趋势;如果持续出现异常模式,或有大声打鼾、白天嗜睡等症状,应告知医生。

如何理解这类证据

先看纳入了哪些设计、检索与偏倚评估如何完成,以及检索截止日期;发表新不代表底层证据都是最新的。

作者的结构化摘要 English

以下英文摘要按记录的开放许可转载,属于作者原始材料,不是 MoveVitals 的解读。上方已提供研究解读,分别说明作者结果与本站解释;重要结论可直接核对原文。

Background

Worldwide, 30%-45% of adults have sleep disorders, which are linked to major health issues such as diabetes and cardiovascular disease. Long-term monitoring with traditional in-lab testing is impractical due to high costs. Wearable artificial intelligence (AI)-powered solutions offer accessible, scalable, and continuous monitoring, improving the identification and treatment of sleep problems.

Objective

This scoping review aims to provide an overview of AI-powered wearable devices used for sleep disorders, focusing on study characteristics, wearable technology features, and AI methodologies for detection and analysis.

Methods

Seven electronic databases (MEDLINE, PsycINFO, Embase, IEEE Xplore, ACM Digital Library, Google Scholar, and Scopus) were searched for peer-reviewed literature published before March 2024. Keywords were selected based on 3 domains: sleep disorders, AI, and wearable devices. The primary selection criterion was the inclusion of studies that utilized AI algorithms to detect or predict various sleep disorders using data from wearable devices. Study selection was conducted in 2 steps: first, by reviewing titles and abstracts, followed by full-text screening. Two reviewers independently conducted study selection and data extraction, resolving discrepancies by consensus. The extracted data were synthesized using a narrative approach.

Results

The initial search yielded 615 articles, of which 46 met the eligibility criteria and were included in the final analysis. The majority of studies focused on sleep apnea. Wearable AI was widely deployed for diagnosing and screening disorders; however, none of the studies used it for treatment. Commercial devices were the most commonly used type of wearable technology, appearing in 30 out of 46 (65%) studies. Among these, various brands were utilized rather than a single large, well-known brand; 19 (41%) studies used wrist-worn devices. Respiratory data were used by 25 of 46 (54%) studies as the primary data for model development, followed by heart rate (22/46, 48%) and body movement (17/46, 37%). The most popular algorithm was the convolutional neural network, adopted by 17 of 46 (37%) studies, followed by random forest (14/46, 30%) and support vector machines (12/46, 26%).

Conclusions

Wearable AI technology offers promising solutions for sleep disorders. These devices can be used for screening and diagnosis; however, research on wearable technology for sleep disorders other than sleep apnea remains limited. To statistically synthesize performance and efficacy results, more reviews are needed. Technology companies should prioritize advancements such as deep learning algorithms and invest in wearable AI for treating sleep disorders, given its potential. Further research is necessary to validate machine learning techniques using clinical data from wearable devices and to develop useful analytics for data collection, monitoring, prediction, classification, and recommendation in the context of sleep disorders.

来源与署名

Wearable Artificial Intelligence for Sleep Disorders: Scoping Review.

Aziz S, A M Ali A, Aslam H, A Abd-Alrazaq A, AlSaad R, Alajlani M, Ahmad R, Khalil L, Ahmed A, Sheikh J.

Journal of medical Internet research · 2025-05-06

DOI: 10.2196/65272 ↗PubMed · 40327852 ↗Europe PMC · 记录的开放许可: cc by ↗

摘要版权归原作者,依据来源记录的开放许可转载。中文译文辅助阅读,英文摘要用于核对术语与具体数值;本站的方法学解释与作者结论分别呈现。

MoveVitals 编辑解读 · 健康教育内容 · 未记录个人临床审阅

来源核验日期 2026-11-01

实用健康指南

放在一起读

·队列研究

加速度计处理方法不同,身体活动与卒中、心肌梗死的关联曲线也不同

在英国生物银行中,基线无心血管疾病的90237名成年人随访至2022年12月,共发生1298例卒中和2031例心肌梗死;中高强度身体活动(MVPA)与这两种结局的关联曲线形状,取决于加速度计数据的处理方法。就卒中而言,只有机器学习法得到直线下降的风险;就心肌梗死而言,机器学习法和LFENMO法呈曲线下降,活动计数法呈直线下降。摘要没有给出风险比,只能说明不同方法的结论不一致,不能说明哪种方法更正确,而且这些只是观察性关联。

Preventive Medicine

重点论文精讲阅读论文 →
·测量验证研究/综述

智能手表数据能当“证人”吗:心率验证得最充分,其余证据参差

一项围绕数字取证展开的系统评价和荟萃分析,梳理了四大主流品牌智能手表的验证研究,发现心率是研究最多、也最准确的指标。步数、距离、能量消耗、活动分类和睡眠的验证不够一致,结果因品牌、方案和报告方式而异。摘要没有给出汇总数据,且多数研究是在健康人群中、于实验室内完成的,所以无法说明某一块手表对某个人在日常生活中的表现。

Forensic Science International

重点论文精讲阅读论文 →
·综述的综述

活动追踪器:每天多走约1800步,对其他健康指标影响较小

这项伞形综述汇总了39篇系统评价和荟萃分析,涉及163992名参与者;结果显示使用活动追踪器与身体活动增加相关(标准化均数差SMD为0.3–0.6),相当于每天多走约1800步、多步行40分钟,体重减轻约1公斤。对血压、胆固醇、糖化血红蛋白、生活质量和疼痛的影响通常很小,且多数不显著。摘要没有说明这些项目里追踪器还搭配了什么,也没有说明各评价之间重叠多少,因此不能把效果完全归功于设备本身。

The Lancet Digital Health

重点论文精讲阅读论文 →
·测量验证研究/综述

七款睡眠追踪设备:识别睡着很准,识别醒着和睡眠分期较差

在睡眠实验室里,34名健康的年轻成年人连续三晚佩戴七款消费级睡眠追踪设备中的若干款。与多导睡眠监测相比,所有设备识别睡眠都很准(灵敏度均不低于0.93),但识别清醒较差(特异度0.18–0.54),七款中有五款与研究用活动记录仪(特异度0.39)持平或更好;睡眠分期的估计结果不稳定。受试者是18至35岁的健康成年人,卧床时间固定为8小时,每款设备只在其中11至20人身上测试,因此对有睡眠问题的人几乎没有参考价值。

Sleep

重点论文精讲阅读论文 →
可穿戴与测量科学 →