Apple Watch 的睡眠监测有多准确？
简单来说，Apple Watch 可以作为回顾是否处于睡眠或清醒状态，以及总睡眠时长大致趋势的参考。但它不能像多导睡眠监测（PSG）那样准确地确定“深睡了多少分钟”。
最重要的是，不要把下面三类数字混在一起。
- Apple 对自家“睡眠阶段”功能的验证结果
- 独立研究者将市售 Apple Watch 与 PSG 比较的结果
- Feelmo Paper 17 对使用心率衍生信息和时间上下文的研究模型进行的评估结果（具体特征设计、预处理和模型架构未公开）
Apple 官方开发数据集包含 1,171 个夜晚。相比之下，Paper 17 中同时包含 Apple Watch 心率和 PSG 的公开数据只有 31 人。即使数字看起来相似，厂商开发数据和 Feelmo 内部分析也是不同的研究。
什么是 PSG？
PSG 会同时记录脑活动、眼球运动、肌肉活动、ECG 和呼吸等多种信号。受过训练的专业人员每 30 秒判定一次睡眠阶段。它是比较睡眠阶段时使用的参考标准。
Apple Watch 通过手腕上的小型传感器估计睡眠。这样便于每晚测量，但它观察的信号与 PSG 并不相同。
Apple 官方验证显示了什么？
根据 Apple 2025 年的技术文件，原生“睡眠阶段”分类器以加速度计数据为输入，并不是仅凭 HRV 来分类。它根据包含呼吸相关细微腕部动作的加速度信号，每 30 秒将状态分为清醒、REM、核心睡眠和深度睡眠。
| Apple 文件中的人群 | 人数 | 记录数 | 主要结果 |
|---|---|---|---|
| 开发数据 | 858 | 1,171 个夜晚 | 用于开发模型，并非独立评估 |
| 未用于开发的验证数据 | 166 | 299 个夜晚 | 较早版本四阶段平均 κ 为 0.63（SD 0.13） |
| 同一验证数据上的 watchOS 26 更新版本 | 166 | 299 个夜晚 | 四阶段 κ 中位数为 0.68（SD 0.11） |
| 更新版本的独立临床 PSG 队列 | 236 | 390 次手表记录 | 四阶段 κ 中位数为 0.66（SD 0.16） |
Kappa（κ）衡量扣除随机一致后仍有多大一致性。数值越接近 1，一致性越高；0 附近约等于随机水平。来自不同人群和操作系统版本、分别以平均数和中位数报告的结果，不能直接并排视为可比数字。
这是一份规模较大且重要的报告，但仍是厂商验证报告。原始训练数据和模型未公开，Apple 本身也没有把“睡眠阶段”定位为临床用途。
Apple 之外的独立研究发现了什么？
一项 2024 年研究让 35 名没有睡眠障碍的成年人接受一晚 PSG，其中 29 人的 Apple Watch Series 8 数据可用于分析。Apple Watch 与 PSG 在睡眠/清醒二分类上的一致率为 93%、κ=0.60；四阶段一致率为 75.0%、κ=0.60。
但与 PSG 相比，Apple Watch 平均少估计 43 分钟深度睡眠，多估计 45 分钟浅睡眠。样本较小，而且只包含健康成年人一个夜晚，因此结果不能原样应用到不同年龄或有睡眠障碍的人群。该研究独立于 Apple，但接受了竞争对手 Oura Ring Inc. 的资助，第一作者也是 Oura 医学顾问委员会成员。解读时需要同时考虑结果、资助来源与利益冲突。
2026 年发表的一篇系统综述也认为，Apple Watch 区分睡眠与清醒的表现相对较好，而区分相似睡眠阶段的能力为中等到偏低。换句话说，总睡眠时间和分配到各睡眠阶段的分钟数，确定性并不相同。
Paper 17 评估了什么？
Paper 17 并没有复现 Apple 原生“睡眠阶段”功能。它是一项未经同行评审的内部可行性研究，使用来自公开队列、结合心率衍生信息与时间上下文的研究模型来估计五个 PSG 阶段。具体特征设计、时间参考范围、预处理和模型架构未公开。
| Feelmo 内部模型评估 | 样本 | Macro AUROC | κ | 结果 |
|---|---|---|---|---|
| 公开 Walch Apple Watch / PSG 数据 | 31 人 | 0.708 | 0.221 | 未达到内部目标 |
| HMC 临床 PSG 数据（参与者层面的五折评估） | 35 人 | 0.711 | 0.244 | 即使在同一队列内也未达到内部目标 |
| HMC + CAP + SLPDB 临床 PSG 数据（LODO） | 共 67 条记录 | 平均 0.639（SD 0.013） | 平均 0.132（SD 0.028） | 在未见过的队列上表现进一步下降 |
AUROC 表示各睡眠阶段与其他阶段的排序区分能力；κ 表示最终阶段的一致性。在 HMC 队列内，AUROC 为 0.711，但五阶段一致性的 κ 只有 0.244。在留一数据集验证（LODO）中，整个未参与训练的队列被用于测试，平均 AUROC 降至 0.639，平均 κ 降至 0.132。来自不同评估设计的数字不能当作同一种性能指标比较。
对三个队列共 67 条记录，根据预测阶段计算的五项睡眠汇总指标与 PSG 的 Pearson 相关系数介于 −0.007 到 0.417，没有一项达到预先设定的内部目标。另一项探索性分析中，深度睡眠比例的最高相关系数为 0.545，但所有五项汇总指标仍未达到修订后的内部目标。另一次分析中，将异质数据从 53 条增加到 101 条后，κ 几乎没有变化，从 0.336 变为 0.330。简单增加混合数据没有解决问题。模型的特征设计、时间参考范围、预处理和架构属于专有信息，均未公开。
Paper 17 支持怎样的结论？
在这些公开数据和该研究模型下，基于心率衍生信息与时间上下文的五阶段估计不能替代 PSG。这既不是对 Apple 原生功能的评估，也不能证明所有未来模型都会失败。
每天早上应该如何看这些数字？
- 使用相同设备和设置观察几周的趋势，不要根据一个夜晚下结论
- 不要假定总睡眠时间与标注为 REM、核心睡眠或深度睡眠的分钟数具有相同确定性
- 不要因为某一晚“深度睡眠较少”就断定生病或恢复不足
- 操作系统更新可能改变算法，应留意更新前后是否出现阶跃式变化
- 如果严重嗜睡、打鼾、呼吸暂停或失眠持续，不要只依赖手表数字，应咨询医疗专业人员
参考文献
- Apple. Estimating Sleep Stages from Apple Watch. October 2025. 官方技术文件
- Robbins R, et al. Accuracy of Three Commercial Wearable Devices for Sleep Tracking in Healthy Adults. Sensors. 2024;24:6532. doi:10.3390/s24206532
- Lambe R, et al. The accuracy of Apple Watch measurements: a living systematic review and meta-analysis. npj Digital Medicine. 2026. doi:10.1038/s41746-025-02238-1
- Walch O, et al. Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable device. Sleep. 2019;42(12):zsz180. doi:10.1093/sleep/zsz180
- Walch O. Motion and heart rate from a wrist-worn wearable and labeled sleep from polysomnography, version 1.0.0. PhysioNet. doi:10.13026/hmhs-py35
医疗提示
Apple Watch、Feelmo 和 Paper 17 模型都不能代替基于 PSG 的诊断。本页用于解释研究结果，不提供诊断或治疗建议。
※ 本研究说明不能证明 Feelmo 应用有效。