评估用于心血管和身体活动监测的健身智能手表数据的准确性：数字健康的验证研究

该研究旨在通过将低成本健身智能手表的数据与临床环境中使用的黄金标准测量值进行比较来验证它们的准确性。该协议评估了健身智能手表的准确性和可靠性，随着其受欢迎程度的提高，解决了在理解其实际性能方面的差距。我们的研究结果将为健身智能手表数据的准确性和可靠性提供有价值的见解，这对于在研究或临床环境中使用这些设备的研究人员和医疗保健专业人员至关重要。

首先，让参与者将健身智能手表戴在他们的非惯用手腕上。将参与者连接到多导睡眠图或 PSG 机器的设备上。使用健身智能手表，在参与者处于仰卧位时测量两次血氧饱和度水平。

确保参与者最多睡 6 小时。参与者醒来后，使用健身智能手表在保持仰卧位时额外进行两次血氧饱和度测量。将 PSG 机器和健身智能手表的睡眠趋势导出到 csv 文件中。

包括有关深度睡眠持续时间、浅睡眠持续时间、快速眼球运动时间、总睡眠持续时间、心率和血氧饱和度水平的数据。为了验证健身智能手表的步数测量，首先让参与者将健身智能手表戴在非惯用手腕上，另一只手拿着智能手机进行脚步视频录制。将健身智能手表上的步数设置为零，然后开始智能手机录制，并让参与者进行步数测试。

记录健身智能手表测量的步数。对于 3 分钟步行测试或 3-M WT，指导参与者在平坦的表面上以正常稳定的速度行走 3 分钟。对于爬楼梯或 SC 测试，让参与者以正常稳定的速度按上升和下降顺序走两段楼梯。

手动计算在视频录制中观察到的步数。将此数据记录到 csv 文件中，然后将健身智能手表的步数导出到同一文件中。将所需的软件包导入 Python 的工作区，然后将测量数据导入 Python 的工作区。

将文件名替换为 measurement_data。csv 替换为所选的文件名。使用函数中的放置删除每个测量数据的任何空值。

使用 Python 中的 SciPy stats Shapiro 包执行 Shapiro-Wilk 正态性检验以确定数据是否具有正态分布。现在，如果数据呈正态分布，则使用 Python 中的 SciPy stats T-test TestRail 软件包执行配对样本 T 检验。如果没有，请使用 SciPy stats Wilcoxon 包执行 Mann-Whitney Wilcoxon 检验。

将 measure1_toolA 和 measure1_toolB 替换为代码中所选的相应列名。然后使用 co 和 d 方法测量仪器之间差异的大小。采用 Bland-Altman 分析来评估两种工具之间的一致性，包括平均值或中位数差异、标准差和偏倚的 95% 置信区间。

使用 Python 中的 Matplotlib 饼图包绘制 Bland-Altman 分析以进行可视化。浅睡眠时间显示出 27.77 分钟的大偏差，一致性范围很广，表明与 PSG 相比，智能手表的测量存在显着差异。总睡眠时间高估了 41.5 分钟，一致性限制更大，表明跟踪睡眠持续时间偶尔会出现不匹配。

REM 时间显示出最小的偏差和标准差，表明智能手表和 PSG 在该参数上具有良好的互换性。智能手表高估了唤醒时间，差异有明显的聚类和上升趋势，表明测量偏倚。平均心率在偏倚线附近表现出最小的偏倚和良好的聚类，表明一致性很强。

最小心率显示一些异常值，表明难以检测低心率，尽管总体一致性是合理的。最大心率表现出显着的离散度，反映了智能手表跟踪峰值的可变性。血氧饱和度显示最小偏倚和窄一致性限，反映了设备之间的高度一致性。

智能手表明显低估了 3-M WT 的步数平均低估了 31.33 步，SC 步数低估了 11 步。