跳到正文
穿戴裝置與測量科學證據回顧3 分鐘閱讀

用穿戴式裝置識別焦慮:多訊號組合優於單一訊號,81.94%對76.85%

MoveVitals 編輯部 · 研究發表 · 解讀更新

原文:Wearable devices for anxiety assessment: a systematic review. · Communications medicine · 2026 · 論文原文 ↗

先看重點

在26項研究中,組合多種訊號的穿戴式方法識別焦慮的合併準確率為81.94%,高於單一訊號的76.85%,其中心電圖是最可靠的單一訊號(12項研究合併準確率80.34%)。單感測器研究少、方法不一,比較較為粗略,研究環境中的準確率也未必適用於日常生活。

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

利用穿戴式裝置的心臟活動、呼吸、皮膚電導和光電脈搏等訊號來識別焦慮,受到越來越多關注。作者綜述了這些訊號單獨和組合使用時如何用於檢測焦慮,以及結果的準確性如何。

研究對象與方法

系統評價,納入2014年至2024年發表的26項使用穿戴式裝置採集訊號來檢測焦慮的研究。作者提取了研究設計、訊號型別、特徵、分類方法和準確率結局,並計算合併準確率,以比較單訊號和多訊號方法。摘要未報告參與者人數、焦慮的判定方式,以及結果是否在新參與者中驗證。

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
    組合多種訊號的方法優於單一訊號,合併準確率分別為81.94%和76.85%。
  2. 2
    心電圖是最可靠的單一訊號,12項研究的合併準確率為80.34%。
  3. 3
    作者提醒,單感測器研究數量有限,方法差異也大,因此不能斷言某一種訊號最好。
  4. 4
    常用特徵包括:心電圖的平均心率和心率變異性,呼吸訊號的平均吸呼氣時間比,皮膚電活動的平均皮膚電導,光電容積脈搏波的平均心率。支援向量機是最常用的分類器。

限制與不確定性

  1. 1
    合併準確率是對任務、標籤和方法各異的研究取平均,多訊號與單訊號約5個百分點的差距只具有提示意義。
  2. 2
    當焦慮狀態少見時,準確率不能反映區分焦慮與非焦慮狀態的能力,摘要也未報告靈敏度和特異度。
  3. 3
    作者呼籲擴大樣本量並探索更多情境,意味著許多研究樣本較小、情境單一。
  4. 4
    以上解讀僅基於摘要。

日常健康啟示

穿戴式裝置的心臟和皮膚訊號確實包含與焦慮相關的一些資訊,多種訊號合用似乎比單一訊號更好。但這並不是經過驗證的焦慮障礙診斷或監測方法,讀數高低不能告訴你自己有多焦慮。如果焦慮影響了生活,應諮詢醫師。

如何連結自己的資料

穿戴式裝置的靜息心率和HRV可以長期記錄,並同時記下壓力或情緒,使用同一裝置、條件相近。把變化當作理解自身感受的參考,而不是焦慮的衡量指標。

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

There is growing interest in using biosignals from wearable devices to assess anxiety disorders. Among these, electrocardiography is the most widely used due to its ability to monitor cardiovascular activity. Other signals, such as respiratory, electrodermal activity, and photoplethysmography, also show promise. This review aims to evaluate how these signals, individually and in combination, have been used for anxiety detection.

Methods

We systematically reviewed 26 studies published between 2014 and 2024 that used wearable devices to collect signals for anxiety detection. Extracted information included study design, signal types, features, classification methods, and accuracy outcomes. Pooled accuracies were calculated to compare single-signal and multi-signal approaches.

Results

Here we show that approaches combining multiple signals outperform those using a single signal, with a pooled accuracy of 81.94% compared to 76.85%. Electrocardiography was the most reliable individual signal, with a pooled accuracy of 80.34% across 12 studies. However, the limited number of single-sensor studies and methodological variability limit conclusions about the superiority of any one modality. The most common features included mean heart rate and heart rate variability for electrocardiography, the mean inspiratory-to-expiratory time ratio for respiratory signals, mean skin conductance for electrodermal activity, and the mean heart rate for photoplethysmography. Support vector machine was the predominant classifier.

Conclusions

This review underscores the clinical potential of wearable devices for anxiety detection, emphasizing the value of multimodal approaches. Future research should focus on refining algorithms, expanding sample sizes, and exploring diverse contexts to improve the accuracy and generalizability of these methods.

來源與署名

Wearable devices for anxiety assessment: a systematic review.

Elgendi M, Markov K, Liu H, De Vos M, Khalaf K, Khandoker A, Jelinek HF, Goswami D, Menon C.

Communications medicine · 2026-01-09

DOI: 10.1038/s43856-025-01234-6 ↗PubMed · 41513763 ↗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 →