手表手环测的深睡和 REM，到底准不准？

其实是三个不同的问题，只是被打包成了一个数字

「我的睡眠追踪准不准」本身不是一个问题，至少拆成三个，而且答案的可信度完全不一样：

实际结论是：设备告诉你「你从晚上 11:14 睡到早上 6:52」这件事相对可信；但在同一晚数据基础上拆出的「深睡 1 小时 42 分、REM 1 小时 58 分」，是一个软得多的估算。

为什么分期比「睡没睡」难得多

临床多导睡眠监测是同时记录脑电图（脑电波模式）、眼动图（眼球运动）和肌电图（肌肉张力）来定义睡眠分期的——正是这个组合，才能让受过训练的睡眠技师有把握地说「这 30 秒是 REM」而不是「这 30 秒是深睡」。这是对分期定义信号本身的直接生理读数。

消费级可穿戴设备完全没有这些。它们是从一组运动信号（加速度计）、心率、心率变异性里推断睡眠分期的，偶尔再加上皮肤温度或血氧趋势——这些信号都跟睡眠分期相关，但不像脑电波那样定义分期。手腕或手指能测到你的心率降了、你也不动了，然后根据人群统计规律推断「这大概率是深睡」，但它读到的始终是一个代理信号，不是分期本身。这是所有品牌、所有价位设备共同面对的结构性天花板——更好的传感器和更聪明的算法能缩小差距，但没有一个能真的加上一路脑电通道。

还有一点值得知道：「金标准」本身也不是完美无缺的。受过训练的睡眠技师各自独立给同一份 PSG 录音打分，逐阶段来看也不总是完全一致，只是他们之间的一致性明显高于任何一个「设备 vs PSG」的对比。这不代表多导睡眠监测不可靠——它依然是每个可穿戴设备拿去验证的参照系——但这提醒我们，「精确到分钟」这件事，不管是设备还是人工判读，本来就不在睡眠分期这个问题的能力范围之内。

各家设备的对比研究到底发现了什么

过去几年里，多项独立验证研究把腕带型和指环型设备——包括 WHOOP、Apple Watch、Oura、Fitbit、Garmin——拉进实验室，让受试者戴着它们同时接受一整夜多导睡眠监测，参与人数通常是几十人这个量级。几个反复出现的规律：

• 睡眠/清醒判断是相对容易的部分，主流品牌表现都还可以。这一项区分度也最低——多数设备在这里表现接近。
• 四分期分类（浅睡/深睡/REM/清醒）才是设备真正拉开差距的地方，各研究测出的 kappa 从大约 0.2（基本接近扣除运气因素后的「勉强及格」）到最佳设备/代际组合的约 0.65（「中等」区间偏高的一端）不等。
• 深睡通常是最难测准的单一阶段，比大多数对比研究里的 REM 更难——有的设备会低估深睡占比，有的会把模糊的时段过多地判成深睡，而且偏差方向在不同品牌之间并不一致。
• 新一代设备确实比自家老一代测得更准。 在多项公开的前后代对比中，算法和传感器升级——加入皮肤温度、优化心率变异性输入、用更大的验证数据集重新训练模型——让好几款设备自身的 kappa 分数相比上一代有可衡量的提升。这是个真实的进步，不只是营销话术。

不该把这些结论读成「A 品牌绝对比 B 品牌准」——同一个研究换个样本量、换个受试人群、换个软件版本，结果就会挪动，任何一条头条式的数字都只是「某个算法版本在某一时刻」的快照，不是一个永久排名。如果你在纠结 WHOOP 和 Apple Watch、Oura 该选哪个，Vita 的 WHOOP 搭配应用对比里讲的功能和生态差异，对日常使用的影响比半个 kappa 点的差异更值得权衡。

那这个数字到底该信到什么程度

实操上，深睡和 REM 这两个数字该按「有噪音但仍有方向性参考价值的测量」来用：

1. 总睡眠时长和入睡/起床时间点最值得信。 这是设备给出的、验证最扎实的数字，睡眠债务、规律性这些派生分数，大部分权重也压在这个数字上。
2. 把深睡和 REM 百分比当成趋势看，不要当成事实。 几周的平均值往上还是往下移动，比任何单夜的数字更有意义——夜间测量噪音大到单独一个「差」夜，本身说明不了太多问题。这也是怎么真正增加深睡这篇里的同一个逻辑：真正有效的干预，是在几周的平均值上体现出来，不是靠某一晚的读数。
3. 不要跨设备互相比较。 你的 Oura 指环测出 22% 深睡，伴侣的 Apple Watch 测出同一类夜晚是 15%，这不一定说明谁睡得更差——很可能只是两套算法在同一份生理数据上跑出了不同结果。
4. 不要拿分期数字给自己下诊断。 一台跟 PSG 一致性只能算「一般到中等」的设备测出深睡偏低，并不等于有睡眠障碍的临床证据。如果你已经稳定获得足够的在床时间，却还是觉得没睡够，同时又有明显打鼾、憋气或晨起头痛，这该是找医生聊、可能安排院内或居家睡眠监测的事，而不是靠比较设备品牌来解决。

Vita 的睡眠分析有意把深睡/REM 分期和更长周期的睡眠效率、睡眠债务、规律性趋势放在一起呈现，而不是孤立地摆出单夜数字——原因正在这里：一个「一般到中等」准确度的信号，放到几周的模式里看依然有价值。如果你想弄清楚是自己的习惯真的改变了深睡，还是只是算法噪音在波动，让 Vita 的 AI 教练去对比这一周的趋势和你近期的基线，比自己徒手翻几周数据快得多、也更可靠。

结论

设备回答「有没有睡、睡了多久」这件事，已经扎实到可以拿来建立习惯和看趋势。它回答「其中多少是深睡、多少是 REM」这件事，是一个真实的估算——有方向性用处，也有（哪怕只是一般到中等的）验证研究支撑，并且随着每一代硬件和算法迭代在变准，但依然不该当成临床级精度去对待。按科学本身支持的方式去判断它：值得关注的是几周维度的趋势，不是值得逐夜追着小数点较劲的分数。