智能穿戴设备与临床检测的心率数据存在差异，影响健康评估的准确性。

随着智能手表和戒指的普及，西弗吉尼亚大学的研究人员发现，这些设备报告的心率变异性(心跳间的时间差)与临床环境中的记录存在差异。

“心率变异性作为自主神经系统的非侵入性测量手段，已有近100年的历史，与整体死亡率、心血管健康和压力相关，”西弗吉尼亚大学洛克菲勒神经科学研究所人类表现研究与数据科学项目主任Matt Tenan说。

他指出，消费者可穿戴设备的心率变异性数据与以往只能在医院或实验室中获得的数据不同。

可穿戴设备通过光电容积描记法(PPG)记录心率，它通过光线照射皮肤，并反射出血液在指尖或手腕下方流动的情况。而医院中的心电图(ECG或EKG)设备则通过放置在身体上的电极测量心脏的电活动。

“你在看两种不同的东西，一种是血流，另一种是心脏的电信号，”Tenan解释道。

心率变异性是衡量患者总体健康状况的一个生物标志物，尽管很多人可能并不会关注自己穿戴设备上的这个指标，它仍然是设备评估健康状况的重要组成部分。

“很多设备会给出一个‘准备度分数’或‘睡眠分数’，这些分数的主要组成部分之一就是心率变异性，”Tenan解释说。“但如果一个综合指标包含了偏差数据，那它的准确性就值得怀疑了。”

Tenan和他的同事在《体育医学》期刊上发表了一项研究，验证了可穿戴设备报告的心率变异性数据的有效性。他们通过模拟心脏到手指或手腕之间血液流动的过程，分析了脉搏到达时间与心率变异性数据之间的关系。

“从心脏跳动到血液到达手臂或手腕的过程很复杂，”Tenan解释道。“通过模拟我们发现，消费者穿戴设备测量的东西与心脏活动本身是不同的。这并不是说这些设备不好或没用，而是它们的测量方法不同。”

研究人员与加拿大滑铁卢大学的心血管实验室合作完成了这项研究。研究还发现，不同品牌的穿戴设备在健康测量的计算方法上差异很大。

Apple使用的标准差(SDNN)方法是最准确的，而其他品牌采用的均方根标准差(RMSSD)方法误差更大。Tenan希望这项研究能促使厂商改用SDNN算法。

研究结果还可以用于开发适用于可穿戴设备的机器学习算法，用于在日常生活中监测人们的健康状况。

Tenan计划未来继续进行更多关于消费级可穿戴设备的研究，可能会更多地与患者合作，进行临床实验。

本文译自 WVU Today，由 BALI 编辑发布。

PREV : 数百万美国人依赖井水，但很少有人定期检测水质
NEXT : 选择独处能让你更快乐