先看重点
在30项于临床和真实环境中使用可穿戴传感器的研究中,67%(20/30)使用惯性测量单元,4项研究(13%)报告对跌倒风险和活动能力下降有较高预测准确性(AUC最高0.97)。研究多为观察性,传感器位置和方法不一,最佳准确率未必适用于日常使用。
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
可穿戴运动传感器可持续追踪步行、活动能力和功能,但传感器位置、数据处理和真实环境验证尚未标准化。作者综述了这些设备如何用于评估活动能力、预测疾病风险和辅助康复,以及存在哪些局限。
研究了谁,如何研究
遵循PRISMA的系统评价,检索PubMed、Scopus和Web of Science至2025年3月9日,纳入在临床或真实环境中使用可穿戴传感器的研究,共30项研究进行定性综合。提取的数据包括研究设计、人群、传感器类型和位置、机器学习算法及临床结局。摘要未报告参与者人数和质量评价。
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研究设计中,43%(13/30)为观察性研究,27%(8/30)为实验研究,10%(3/30)为随机对照试验。
- 267%(20/30)的研究使用惯性测量单元传感器,最常见的是佩戴在手腕(13/20,65%)。
- 3机器学习应用广泛,以随机森林(6/30,20%)和深度学习(5/30,17%)为主。
- 4应用涉及帕金森病、卒中、多发性硬化和衰弱。4项研究(13%)报告对跌倒风险和活动能力下降有较高预测准确性,受试者操作特征曲线下面积最高达0.97。
局限与不确定性
- 1仅30项研究,且多为观察性并涉及多种疾病,综述无法说明某种传感器对某一疾病的效果如何。
- 20.97的AUC是4项研究中的最佳数值,摘要未说明是否在独立数据上验证,可能高估真实环境中的表现。
- 3作者指出传感器位置、数据分析和机器学习流程尚未标准化,使研究难以比较。
- 4摘要没有质量评价和参与者人数,以上解读仅基于摘要。
对日常健康的启示
包括腕戴设备在内的运动传感器正被用于监测步态、跌倒风险和康复进展,初步结果令人期待。但综述并未表明消费级手表能预测跌倒或诊断疾病。如果担心平衡或跌倒问题,应咨询医生。
如何联系自己的数据
如果你的设备提供步行速度、步数或步态稳定性,请用同一设备、佩戴在同一手腕上追踪趋势,因为综述显示各研究的佩戴位置和数据处理并不相同。若连续数周活动能力明显下降,应与医生讨论,而不是自行当作诊断。
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
Wearable sensor technologies such as inertial measurement units, smartwatches, and multisensor systems have emerged as valuable tools in clinical and real-world health monitoring. These devices enable continuous, noninvasive tracking of gait, mobility, and functional health across diverse populations. However, challenges remain in sensor placement standardization, data processing consistency, and real-world validation.
Objective
This systematic review aimed to evaluate recent literature on the clinical and research applications of wearable sensors. Specifically, it investigated how these technologies are used to assess mobility, predict disease risk, and support rehabilitation. It also identified limitations and proposed future research directions.
Methods
This review was conducted according to the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines. We searched the PubMed, Scopus, and Web of Science databases up to March 9, 2025. Inclusion criteria focused on studies using wearable sensors in clinical or real-world environments. A total of 30 eligible studies were identified for qualitative synthesis. Data extracted included study design, population characteristics, sensor type and placement, machine learning algorithms, and clinical outcomes.
Results
Of the included studies, 43% (13/30) were observational, 27% (8/30) were experimental, and 10% (3/30) were randomized controlled trials. Inertial measurement unit-based sensors were used in 67% (20/30) of the studies, with wrist-worn devices being the most common (13/20, 65%). Machine learning techniques were frequently applied, with random forest (6/30, 20%) and deep learning (5/30, 17%) models predominating. Clinical applications spanned Parkinson disease, stroke, multiple sclerosis, and frailty, with several studies (4/30, 13%) reporting high predictive accuracy for fall risk and mobility decline (area under the receiver operating characteristic curve up to 0.97).
Conclusions
Wearable sensors show strong potential for mobility monitoring, disease risk assessment, and rehabilitation tracking in clinical and real-world settings. However, challenges remain in standardizing sensor protocols and data analysis. Future research should focus on large-scale, longitudinal studies; harmonized machine learning pipelines; and integration with cloud-based health systems to improve scalability and clinical translation.
来源与署名
Advancements in Wearable Sensor Technologies for Health Monitoring in Terms of Clinical Applications, Rehabilitation, and Disease Risk Assessment: Systematic Review.
Gu B, Kim HS, Kim H, Yoo JI.
JMIR mHealth and uHealth · 2026-01-09
DOI: 10.2196/76084 ↗PubMed · 41511829 ↗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
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
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
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
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

