相关实验视频
Updated: Aug 8, 2026

07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.7K
11个可穿戴,可靠和可空气的消费者睡眠追踪器的准确性:前性的多中心验证研究
Taeyoung Lee1, Younghoon Cho1,2, Kwang Su Cha1
1Asleep Co., Ltd., Seoul, Republic of Korea.
JMIR mHealth and uHealth
|November 2, 2023
概括
这项研究对11个消费者睡眠追踪器 (CST) 进行了验证,针对多睡眠学,发现了不同的准确性. 一些CST显示出睡眠监测的潜力,但性能因设备类型和睡眠阶段而异.
科学领域:
- 生物医学工程 生物医学工程
- 睡眠科学 睡眠科学
- 可穿戴技术可穿戴技术
背景情况:
- 消费者睡眠追踪器 (CST) 非常受欢迎,用于自我监测睡眠.
- 对于广泛使用的CST存在有限的验证研究.
- 评估CST性能与多重睡眠学相比是至关重要的.
研究的目的:
- 为了验证各种消费者睡眠追踪器 (CST) 的准确性,使用多睡眠学.
- 为医院环境中CST绩效提供全面的见解.
- 评估CST在睡眠监测中的适用性.
主要方法:
- 对比了11个商业CST (可穿戴设备,可靠设备,可通风设备) 与多重睡眠学.
- 对75名参与者进行了多中心研究,并分析了3890小时的睡眠数据.
- 在睡眠阶段分类中评估时代对时代的一致性.
主要成果:
- 在11个CST中观察到显著的性能差异,宏观F1得分从0.26到0.69.
- 特定的CST在某些睡眠阶段表现出色 (例如,SleepRoutine用于唤醒/REM,可穿戴设备用于深度睡眠).
- 设备类型影响了准确性:可穿戴设备显示睡眠效率偏差,可穿戴设备显示睡眠延迟偏差.
结论:
- 某些CST显示出与多重睡眠学实质上的一致性,表明睡眠监测的潜力.
- 其他CST显示部分一致性,突出显示性能变化.
- 结果提供了对不同类别的CST优势的洞察力,以健康为中心的睡眠管理.
关键词:
在Fitbit Sense 2,亚马逊Halo Rise,SleepRoutine等平台上使用.空中可飞的人物人工智能的人工智能是人工智能.这是一项比较性研究.消费者睡眠追踪器的使用深度学习是一种深度学习.多中心研究多中心研究.接近的可见物.聚类人体图像 (polysomnography) 是一种多人体图像.睡眠监测 睡眠监测 睡眠监测睡眠阶段 睡眠阶段可穿戴设备可以穿戴.更多相关视频
15:00Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies
Published on: February 3, 2023
2.5K
05:51Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health
Published on: February 21, 2025
486