对于基本睡眠指标（如总睡眠时间和睡眠效率），它们的准确度如何？
在追踪总睡眠时长和睡眠效率等基础睡眠指标时，消费级设备虽具备中等准确性，但始终存在高估睡眠质量的倾向。一项整合了24项研究、涉及798名参与者的大型荟萃分析显示，腕戴式设备平均高估总睡眠时长约17分钟、睡眠效率约5%，同时低估入睡潜伏期（即入睡所需时间）约2.5分钟，并高估入睡后清醒时间约13分钟[1]。这意味着你的设备可能会告诉你，你睡得比实际更久、效率更高。
一项针对Oura Ring、Fitbit Sense 2和Apple Watch Series 8的独立研究，以35名健康成年人为对象，将其与金标准多导睡眠监测（PSG）进行对比，发现这三款设备在估算总睡眠时长方面与PSG结果相近，但在睡眠阶段的判定上存在中度至显著差异[2]。例如，Apple Watch将深睡眠低估了惊人的43分钟，同时将浅睡眠高估了45分钟[2]。因此，尽管总卧床时间可能接近准确，但睡眠阶段的细分数据可能偏差较大。
这些设备能诊断睡眠呼吸暂停等睡眠障碍吗？
不，消费级睡眠追踪器在诊断阻塞性睡眠呼吸暂停（OSA）等睡眠障碍方面并不可靠，尽管它们可能具备一定的筛查潜力。一项研究发现，与多导睡眠监测（PSG）相比，基于光电容积脉搏波的活动监测设备（PAD）显著高估了睡眠时长和入睡潜伏期，并且无法预测呼吸暂停低通气指数（AHI）——这是诊断睡眠呼吸暂停的关键指标[3]。该设备预测AHI的能力几乎为零（调整后R² < 0.01），意味着它在评估呼吸严重程度方面毫无用处[3]。
然而，有证据表明，通过智能手表在家庭环境中连续多晚采集的数据，可用于以中等准确度预测阻塞性睡眠呼吸暂停（OSA）。一项针对59人的研究发现，当智能手表记录的最低血氧饱和度为85%时，预测呼吸暂停低通气指数（AHI）≥5的灵敏度为85.7%，特异度为70.6%，曲线下面积（AUC）达到0.901，属于良好水平[5]。这表明，虽然单晚的消费级设备数据无法诊断睡眠呼吸暂停，但追踪数晚的血氧饱和度变化趋势，或有助于识别需要接受正式睡眠监测的人群。对于患有综合征型颅缝早闭的儿童，动态家庭睡眠监测被证实可用于诊断年龄较大儿童的OSA，但该研究使用的是专业医疗设备，而非消费级可穿戴设备[6]。
它们对追踪趋势和预测行为有用吗？
是的，尽管睡眠追踪器在精确测量方面存在局限，但它们在追踪长期趋势甚至预测次日行为方面相当有用。一项使用睡眠追踪游戏应用（《宝可梦睡眠》）且涵盖2000多名参与者的研究发现，在90天内，平均总睡眠时间增加了约0.8小时（从5.5小时增至6.3小时），而睡眠参数的改善与身体质量指数的下降相关[8]。这表明，追踪行为本身就能激发积极的改变。
更令人惊叹的是，非接触式睡眠监测技术（利用红外摄像头和麦克风）能够预测自闭症患者白天的异常行为。基于超过2000个夜晚的数据，该系统对晨间异常行为的预测平衡准确率达到71%，其效果强度足以表明具有中等临床实用性（Cohen's d = 0.45）[4]。这表明，即使设备在测量睡眠阶段方面并非完美，它所检测到的模式仍能对健康和行为产生真实的预测能力。另一项研究显示，通过运动传感器和睡眠追踪设备的数据，甚至能以76.8%的准确率检测出痴呆症患者是否有访客到访[7]。
关于这些来源
该回答基于8篇经同行评审的研究——发表于2022年至2026年间，其中6篇为2024年或之后发表，1篇发表于Q1期刊，累计被引用56次——这些研究是从15篇通过质量筛选的文献中选出的最具相关性的成果，而该15篇文献又源自从超过5亿篇论文数据库中检索到的80篇论文。
本文引用的文献
与多导睡眠监测相比，消费者腕戴式睡眠追踪设备的性能：一项荟萃分析
这项涵盖24项研究、共798名参与者的荟萃分析发现，腕戴式睡眠追踪器会显著高估总睡眠时间约17分钟、睡眠效率约5%，同时低估入睡潜伏期并高估入睡后觉醒时间。研究结论认为，此类设备虽不适用于临床诊断，但可用于追踪一般睡眠模式。
三款商用可穿戴设备在健康成年人睡眠追踪中的准确性
在35名健康成年人中，Oura Ring、Fitbit Sense 2和Apple Watch Series 8在区分睡眠与清醒状态时均表现出超过95%的灵敏度，但在睡眠阶段识别上的准确率仅为50%至86%，其中Apple Watch将深度睡眠时间低估了43分钟。
0542 一种PAD睡眠监测设备与实验室多导睡眠监测相比的准确性和预测价值
基于光电容积描记法的活动监测设备（PAD）在59晚的数据中，与多导睡眠监测（PSG）相比高估了睡眠时长和入睡潜伏期，且无法预测呼吸暂停低通气指数（AHI），因此不适用于诊断睡眠呼吸障碍。
0325 非接触式睡眠监测技术用于预测自闭症中的不良行为
通过在14名自闭症患者中超过2000个夜晚使用非接触式红外摄像头和麦克风，该系统以71%的平衡准确率预测了次日的不良行为，表明睡眠模式可以预测白天的行为表现。
智能手表持续睡眠追踪在预测睡眠呼吸暂停中的实用性
在59名受试者中，智能手表记录的最低血氧饱和度为85%时，预测呼吸暂停低通气指数（AHI）≥5的敏感性为85.7%，特异性为70.6%（AUC 0.901），这表明多晚的智能手表数据有助于筛查睡眠呼吸暂停。
使用便携式睡眠监测对综合征型颅缝早闭患者阻塞性睡眠呼吸暂停的检测准确性
在123名患有综合征性颅缝早闭的儿童中，研究发现便携式家庭睡眠监测对诊断较大儿童的阻塞性睡眠呼吸暂停（OSA）具有可靠性，并可为临床决策提供指导，不过该研究使用的是医疗级设备。
使用运动传感器和睡眠追踪设备识别失智症患者家中的社交访客活动
通过使用运动传感器和睡眠追踪设备，基于床和卧室活动模式的变化，机器学习模型能够以76.8%的准确率检测出痴呆症患者是否有访客。
使用带有游戏化功能的睡眠追踪应用后，睡眠参数与身体质量指数的时间变化。
在2063名日本成年人连续90天使用睡眠追踪游戏应用（宝可梦睡眠）后，平均总睡眠时间增加了0.8小时，且睡眠参数的改善与身体质量指数的下降相关。