跳到正文
穿戴裝置與測量科學證據回顧3 分鐘閱讀

用於步態和跌倒風險的穿戴式運動感測器:30項研究,多為腕戴裝置加機器學習

MoveVitals 編輯部 · 研究發表 · 解讀更新

原文:Advancements in Wearable Sensor Technologies for Health Monitoring in Terms of Clinical Applications, Rehabilitation, and Disease Risk Assessment: Systematic Review. · JMIR mHealth and uHealth · 2026 · 論文原文 ↗

先看重點

在30項於臨床和真實環境中使用穿戴式感測器的研究中,67%(20/30)使用慣性測量單元,4項研究(13%)報告對跌倒風險和活動能力下降有較高預測準確性(AUC最高0.97)。研究多為觀察性,感測器位置和方法不一,最佳準確率未必適用於日常使用。

證據類型

證據回顧

解讀依據

公開摘要

閱讀重點

方法與適用範圍

研究在問什麼

穿戴式運動感測器可持續追蹤步行、活動能力和功能,但感測器位置、資料處理和真實環境驗證尚未標準化。作者綜述了這些裝置如何用於評估活動能力、預測疾病風險和輔助康復,以及存在哪些侷限。

研究對象與方法

遵循PRISMA的系統評價,檢索PubMed、Scopus和Web of Science至2025年3月9日,納入在臨床或真實環境中使用穿戴式感測器的研究,共30項研究進行定性綜合。提取的資料包括研究設計、族群、感測器型別和位置、機器學習演算法及臨床結局。摘要未報告參與者人數和質量評價。

主要發現

以下為作者報告的結果。數值須連同族群和不確定性一起閱讀。

  1. 1
    研究設計中,43%(13/30)為觀察性研究,27%(8/30)為實驗研究,10%(3/30)為隨機對照試驗。
  2. 2
    67%(20/30)的研究使用慣性測量單元感測器,最常見的是佩戴在手腕(13/20,65%)。
  3. 3
    機器學習應用廣泛,以隨機森林(6/30,20%)和深度學習(5/30,17%)為主。
  4. 4
    應用涉及帕金森病、中風、多發性硬化和衰弱。4項研究(13%)報告對跌倒風險和活動能力下降有較高預測準確性,受試者操作特徵曲線下面積最高達0.97。

限制與不確定性

  1. 1
    僅30項研究,且多為觀察性並涉及多種疾病,綜述無法說明某種感測器對某一疾病的效果如何。
  2. 2
    0.97的AUC是4項研究中的最佳數值,摘要未說明是否在獨立資料上驗證,可能高估真實環境中的表現。
  3. 3
    作者指出感測器位置、資料分析和機器學習流程尚未標準化,使研究難以比較。
  4. 4
    摘要沒有質量評價和參與者人數,以上解讀僅基於摘要。

日常健康啟示

包括腕戴裝置在內的運動感測器正被用於監測步態、跌倒風險和康復進展,初步結果令人期待。但綜述並未表明消費級手錶能預測跌倒或診斷疾病。如果擔心平衡或跌倒問題,應諮詢醫師。

如何連結自己的資料

如果你的裝置提供步行速度、步數或步態穩定性,請用同一裝置、佩戴在同一手腕上追蹤趨勢,因為綜述顯示各研究的佩戴位置和資料處理並不相同。若連續數週活動能力明顯下降,應與醫師討論,而不是自行當作診斷。

如何理解這類證據

先看納入了哪些設計、文獻搜尋與偏誤評估如何完成,以及搜尋截止日期;發表新不代表底層證據都是最新的。

作者的結構化摘要 English

以下英文摘要依所記錄的開放授權轉載,屬於作者原始材料,並非 MoveVitals 解讀。上方已提供研究解讀,分別說明作者結果與本站解釋;重要結論可直接查核原文。

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.

來源與署名

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 · 所記錄的開放授權: cc by ↗

摘要著作權歸原作者,依來源紀錄的開放授權轉載。中文譯文協助閱讀,英文摘要供查核術語及具體數值;本站的方法學解釋與作者結論分別呈現。

MoveVitals 編輯解讀 · 健康教育內容 · 未記錄個人臨床審閱

來源查核日期 2026-11-01

實用健康指南

放在一起讀

·世代研究

加速度計處理方法不同,身體活動與中風、心肌梗死的關聯曲線也不同

在英國生物銀行中,基線無心血管疾病的90237名成年人追蹤至2022年12月,共發生1298例中風和2031例心肌梗死;中高強度身體活動(MVPA)與這兩種結局的關聯曲線形狀,取決於加速度計資料的處理方法。就中風而言,只有機器學習法得到直線下降的風險;就心肌梗死而言,機器學習法和LFENMO法呈曲線下降,活動計數法呈直線下降。摘要沒有給出風險比,只能說明不同方法的結論不一致,不能說明哪種方法更正確,而且這些只是觀察性關聯。

Preventive Medicine

重點論文精講閱讀論文 →
·測量驗證研究/回顧

智慧手錶資料能當「證人」嗎:心率驗證得最充分,其餘證據參差

一項圍繞數字取證展開的系統評價和統合分析,梳理了四大主流品牌智慧手錶的驗證研究,發現心率是研究最多、也最準確的指標。步數、距離、能量消耗、活動分類和睡眠的驗證不夠一致,結果因品牌、方案和報告方式而異。摘要沒有給出彙總資料,且多數研究是在健康族群中、於實驗室內完成的,所以無法說明某一塊手錶對某個人在日常生活中的表現。

Forensic Science International

重點論文精講閱讀論文 →
·回顧的回顧

活動追蹤器:每天多走約1800步,對其他健康指標影響較小

這項傘形綜述彙總了39篇系統評價和統合分析,涉及163992名參與者;結果顯示使用活動追蹤器與身體活動增加相關(標準化均數差SMD為0.3–0.6),相當於每天多走約1800步、多步行40分鐘,體重減輕約1公斤。對血壓、膽固醇、糖化血紅蛋白、生活質量和疼痛的影響通常很小,且多數不顯著。摘要沒有說明這些專案裡追蹤器還搭配了什麼,也沒有說明各評價之間重疊多少,因此不能把效果完全歸功於裝置本身。

The Lancet Digital Health

重點論文精講閱讀論文 →
·測量驗證研究/回顧

七款睡眠追蹤裝置:識別睡著很準,識別醒著和睡眠分期較差

在睡眠實驗室裡,34名健康的年輕成年人連續三晚佩戴七款消費級睡眠追蹤裝置中的若干款。與多導睡眠監測相比,所有裝置識別睡眠都很準(靈敏度均不低於0.93),但識別清醒較差(特異度0.18–0.54),七款中有五款與研究用活動記錄儀(特異度0.39)持平或更好;睡眠分期的估計結果不穩定。受試者是18至35歲的健康成年人,臥床時間固定為8小時,每款裝置只在其中11至20人身上測試,因此對有睡眠問題的人幾乎沒有參考價值。

Sleep

重點論文精講閱讀論文 →
穿戴裝置與測量科學 →