Fitbit设备的准确性:定量数据的系统回顾和叙述综合

介绍

商用可穿戴活动追踪器自十多年前问世以来，迅速普及。1］．虽然它们背后的技术在快速而不断地变化，但总的来说，它们是一种小型设备，通常戴在手腕上或附着在衣服上。它们旨在为用户提供日常活动的各个方面的实时反馈，例如所走的步数、能量消耗、睡眠时间以及在不同级别的活动中所花费的时间。它们通常还提供个人目标设定选项、汇总数据和可视化，通过与基于移动和计算机的交互式应用程序同步，以及连接社交媒体和其他健康和健身应用程序的机会。这些设备主要针对注重健康和健身的消费者，旨在激励和支持个人自我监控和增加日常身体活动。

Fitbit (Fitbit Inc .， San Francisco, CA, USA)是最受欢迎的商业可穿戴活动追踪器之一，占据了可穿戴追踪设备约20%的市场份额，在过去10年里，全球销售了超过6300万台设备[2］．2017年，该公司销售了1500万台设备，拥有2500万活跃用户。2］．经典款于2009年推出，是一种夹在身上的装置;2011年，随着Ultra、Zip和One型号的推出，新型夹式设备开始商业化。2013年，Fitbit推出了一系列腕带活动追踪器:Force、Flex(2款)、Charge(2款)和Alta(2款)。

Fitbit设备使用微电子三轴加速度计来捕捉三维空间中的身体运动，并使用专有算法对这些运动数据进行分析，以识别运动模式，从而识别每天的步数、能量消耗、睡眠、距离和不同强度活动所花费的时间。虽然Fitbit是作为一种消费产品设计的，目的是帮助鼓励个人进行体育锻炼，但它作为体育活动和健康促进研究的测量工具越来越受欢迎，也经常用于告知患者与健康专业人员的互动[3.-7］．2011年至2017年期间，在ClinicalTrials.gov上注册的共有171项临床试验使用Fitbit作为结果测量工具;其中97宗是在过去3年内注册的[8］．大多数已登记的试验将采取的步数确定为感兴趣的结果，其次是活动时间、睡眠时间、能量消耗和行走距离。

Fitbit设备，尤其是腕带设备，已经证明了可靠性、耐用性和可接受性[9，10］．2015年，Evenson等人进行了一项系统综述，研究了“……的有效性和可靠性”。［Fitbitdevices] and their ability to estimate steps, distance, physical activity, energy expenditure, and sleep” [11］．他们得出结论，Fitbit设备与测量步数、睡眠和距离的标准参考设备的相关性中等，与测量能量消耗和活动时间的标准参考设备的相关性从差到中等不等[11］．他们还发现，Fitbit在所有结果测量中都具有很高的设备间可靠性。此外，本文还为测量精度提供了一些数据;然而，它没有全面检查设备测量精度或研究质量。测量精度，即测量值接近“真实”的程度，是一个重要的考虑因素，因为Fitbit设备正被用作研究中的结果测量工具，并为医疗保健决策提供信息[12，13］．因此，本综述的目的是系统地检查和报告Fitbit设备中三轴加速度测量数据的准确性，即步数、能量消耗、睡眠、距离和活动时间的测量，当成年人在受控和自由生活环境中使用时。

方法

搜索策略

我们对PubMed、EMBASE、CINAHL和SPORTDiscus数据库进行了电子文献检索，并通过Google Scholar进行了额外的补充检索。每个数据库搜索中的关键字包括以下术语的变化:Fitbit AND Accuracy (accura*)或Validity / Validation (valid*)或Comparison / Comparative (compare *)或Relationship (relation*)或Association (associa*)或Equivalence (equival*)或Agreement (多媒体附录1）.我们使用语言过滤器将结果限制为英语，并将日期限制从2011年1月1日(Fitbit设备在此日期之前未上市)到2017年10月31日(我们的搜索结束日期)。我们没有应用进一步的搜索限制或过滤器。我们还手动检索了纳入研究的参考文献列表，以寻找可能符合条件的研究。

研究选择和资格标准

我们筛选了所有的引用，删除了重复，并评估了剩余的标题和摘要的潜在资格。检索所有可能符合条件的引文，由2名独立审稿人(JYY, JG)进行全文评审，并通过协商一致解决分歧。最初的入选标准是发表在同行评议期刊上的英文全文、短文或信函格式的原创研究。我们使用基于web的串行目录数据库(ULRICHSWEB, ProQuest LLC, Ann Arbor, MI, USA)来验证期刊的同行评审状态。这些研究还必须包括或单独报告成人(≥18岁)的数据，并检查以下一个或多个结果域的测量准确性:步数、能量消耗、活动时间、距离或睡眠。研究可以在任何控制测试(即使用标准化测试协议)或自由生活(即在日常活动中)环境中进行，并可以包括患有任何健康、疾病或行动能力或功能状态的个人。在受控环境中检查准确性的研究必须将Fitbit测量值与预定义的参考标准标准测量值进行比较，而在自由生活环境中进行的研究必须将Fitbit测量值与预定义的研究标准标准测量值进行比较(多媒体附录2）.要纳入最终评价，研究必须具有以下一项或多项准确性分析的可提取数据:组平均或百分比差异，平均或中位数绝对百分比误差(MAPE)，或一致水平分析[14］．如果这些数据未在出版物中报道，我们不会联系作者。如果准确性评估在10名或更少的参与者中进行，我们将排除研究(或比较)。我们还排除了检测心率准确性的研究(或比较)，因为心率测量不是由加速度计数据得出的。

数据提取

数据由第二位独立审稿人(JYY, JG, AME, LMF)提取并检查准确性，通过讨论和共识解决差异。提取的数据包括研究、参与者和Fitbit设备的特征，以及有关研究设置、检查结果和使用参考标准的详细信息(多媒体附录2）.提取Fitbit设备组和标准组的组平均值或百分比差值，用于每项研究中报告的所有准确性比较。如果未报告组间百分比差异，我们计算组间百分比误差([Fitbit_的意思是标准_的意思是/标准_的意思是×100)，以便使用一个共同的度量单位(标尺)来比较结果域内和跨结果域的准确性度量(多媒体附录3）.当可用时，我们还提取了报告的MAPE或协议级别准确性数据。

Risk-of-Bias评估

所有文章均由2名独立审稿人(JG, CP)独立评估偏倚风险，使用评估健康状态测量工具测量特性研究方法学质量的检查表中的验证子量表进行修改(基于共识的健康状态测量工具选择标准[COSMIN]) [15］．所有差异均通过讨论和共识解决，或由第三方独立审稿人(LMF)解决。质量评价包括5个设计或方法学组成部分(缺失数据百分比、缺失数据管理、足够的样本量、可接受的标准比较、设计或方法学缺陷)和一个分析组成部分(可接受的准确性分析)。根据对COSMIN验证子量表评分标准的先验修改，我们将每个维度分为优秀、良好、一般或较差的质量(多媒体附录4) [16］．

数据处理

我们将每个准确性比较分为以下结果域之一:(1)步骤，(2)能量消耗，(3)睡眠，(4)活动时间，或(5)距离。在每个领域内，我们对单个精度比较进行编码，以确定可能影响测量精度的测试参数，例如测试环境中的变化，设备的放置，或所检查的步行或活动或任务类型的变化(多媒体附录5）.所有编码都由第二审稿人独立审查，差异通过讨论和共识解决(LMF, JG)。

合成

鉴于报告的结果的多样性，以及在不同研究中检查和报告准确性测量的测试条件的多样性，我们无法进行荟萃分析。作为替代方案，并且根据英国经济和社会研究委员会进行和报告叙述性综合的指导方针的建议，我们对定量数据进行了叙述性综合，其中我们探索了每个结果域(即步骤，能量消耗，睡眠，活动时间和距离)内的测量准确性，使用组百分比差异作为测量误差比较的常用标准[17，18］．我们对在控制或自由生活环境中测量精度的预定义截止点内外的百分比误差比较的频率(数量和百分比)进行了描述性分析。我们还探讨了测量误差方向的潜在趋势(即潜在的测量偏差)，定义了平均值和中位数百分比误差的点估计，负值表示与标准设备相比，Fitbit设备被低估的趋势。此外，我们通过定义百分比误差测量的范围(最大值-最小值)来探索测量误差分散。考虑到测试条件的多样性，我们进行了进一步的二次探索性分析，以比较受控环境下的步数和能量消耗精度，以检查不同测试参数(如身体放置位置的变化、步行速度的变化或活动类型的变化)对测量精度的潜在影响。只有在每个亚组中有10个或更多的准确性比较时，我们才完成这些二次探索性分析。

我们以表格形式提供所有描述性分析的摘要。对于选定的次要亚分析，我们还提供了修改后的散点图，描绘了组百分比误差的准确性比较分布，用测试参数的变化进行颜色编码，以便直观地解释测试参数的变化如何影响测量误差。

我们将测量精度的解释集中在受控环境中预定义的测量精度可接受限度为±3%的百分比差异和自由生活环境中相对精度可接受限度为±10%的百分比差异[19-22］．我们使用SAS version 9.4软件(SAS Institute Inc .)完成所有描述性分析和绘图。

在本综述中，我们纳入了未报告数据的准确性研究，以便对报告MAPE或一致水平数据的组百分比测量误差进行检查。这些研究被纳入研究特征综合和偏倚风险评估。此外，我们还提供了叙述性的总结，说明这些研究报告的准确性是否与我们对测量误差百分比的评估一致。

结果

研究选择

我们确定了711篇引用，其中516篇标题和摘要在删除重复后筛选了潜在的合格性。筛选后，我们排除了275个标题，对剩余的241个全文进行了审查。在全文审查后，我们随后排除了174篇文章。共有67项研究符合最终纳入标准，其中57项研究提供了足够的数据纳入定量分析。其中，40项研究调查了步数(实验室:n=27;自由生活环境:n=13)， 21个解决了能量消耗问题(实验室:n=18;自由生活环境:n=3)， 8个测试了在自由生活环境中不同强度活动所花费的时间，6个测试了睡眠测量(实验室:n=3;自由生活环境:n=3)， 2在受控测试环境中检查步行距离(图1) [23］．

研究与参与者特征

发表日期从2012年和2013年各1篇，到2014年和2015年各8篇，2016年及之后发表的研究有49篇。出版物来自北美、西欧、南亚和澳大利亚的11个国家。发表论文最多的是美国(n=39)，其次是澳大利亚(n=9)和加拿大(n=5)。在67篇出版物中，61篇是完整的研究论文，5篇是简短的报告，1篇是给编辑的信(多媒体附录6）.

67项研究共纳入2441名受试者，平均36人(SD 25)，从12到166人不等。在报告年龄的61项研究中，参与者的平均年龄为37岁(SD 18)，从21岁到84岁不等。在报告性别的65项研究中，53.95%(1251/2319)的参与者为女性。共有55项研究仅包括健康参与者，其余12项研究包括患有各种慢性疾病或行动不便的参与者，或两者兼而有之(多媒体附录6）.研究使用了几种型号的Fitbit设备，包括佩戴在躯干(腰部、臀部或胸部)上的Ultra、Classic、Zip或One，佩戴在手腕上的Flex、Charge HR、Force或Surge，以及佩戴在脚踝上的One。

‎ 查看此图

偏倚风险

我们将67项研究中的绝大多数评为优秀或良好，包括研究设计、缺失数据的报告和可接受的参考标准测量(多媒体附录7）.对于34项研究(43项准确性比较)，尚不清楚在分析中如何处理丢失的数据(多媒体附录7）.我们没有从基于该标准的百分比测量误差的描述性分析中排除这些准确性比较。然而，我们确实在描述性分析中排除了21个准确性比较，因为没有报告Fitbit与标准组的平均值或百分比差异(多媒体附录7）.我们并没有将这些准确性比较(或研究)完全排除在综述之外，而是提供了一个叙述性的总结，说明报告的MAPE或一致性精度数据如何与我们对百分比测量误差的探索相一致。

我们也没有排除55项研究(85项准确性比较)在样本量上被评为公平或差(<50名参与者)，因为只有2项研究有100名或更多的参与者(优秀评价)，10项研究有50至99名参与者(良好评价)(多媒体附录7）.相反，我们排除了10人或更少参与者的研究(或准确性比较)。此外，对于受控环境下的步数和能量消耗，我们通过使用改进的散点图(图2）.在这些探索性分析中，我们没有看到测量误差的明显系统性偏差，除了在两项少于50名参与者的研究的4个比较中存在极端低估步数的轻微倾向。然而，当我们进一步探索这些极端的异常值时，我们确定它们很可能是在非常慢的步行活动中，当设备佩戴在躯干上时，低估步数的更大趋势的真实反映，而不是由于小样本量。因此，在我们的描述性分析中，我们包括了所有百分比误差准确性比较，独立于样本量。

步数

共有27项研究(191项准确性比较)将Fitbit设备的步数测量与对照环境中直接观察和计数步数的参考标准(多媒体附录3) [12，24-49］．其中，21项研究招募了平均年龄37.2岁(SD 18.3)的健康成年人;其余6名招募活动受限或患有慢性疾病的成年人，平均年龄为64.8岁(SD 14.8)。Fitbit设备被佩戴在躯干、手腕或脚踝上。在对照设置中检查步数的191项准确性比较中，46% (n=88)的测量误差在±3%以内，51% (n=97)的测量误差低于-3%，3% (n=6)的测量误差高于3%，Fitbit设备总体倾向于低估步数(估计平均[中位数]差异为-9%[-3%])。多媒体附录8和图2）.

‎ 查看此图

当我们进一步探索可能影响步数准确性的因素时，我们观察到，在受控环境下，步数的准确性似乎随步行速度(慢跑、正常、自定节奏、缓慢或非常缓慢)而变化[50，51]，身体的位置(躯干、手腕或脚踝)，以及身体在活动中如何移动的变化(正常、受限、变化或夸张)(多媒体附录8）.在整个任务或活动过程中，身体运动受限可能是由于疾病相关的行动限制，行走时需要辅助行走或推着婴儿车。在执行一系列不同的模拟家务或进行模拟敏捷性依赖的体育活动时，身体运动水平可能会发生变化。在模拟的家庭或体育活动中，当设备佩戴在手腕上，涉及夸张的手臂动作时，可能会发生夸张的动作。

在不同的步行速度下，慢跑(14/24)和正常(25/48)步行速度的测量误差在±3%以内。超过50%的时间，自定步速(35/70)、慢速(12/23)和极慢速(19/26)的测量误差低于-3%。在每个步行速度内，Fitbit倾向于低估步数(平均[中位数]误差估计从-24%[-12%]到-4%[-2%]不等)(多媒体附录8和图3）.

与躯干(65/114)或脚踝(8/16)放置位置相比，在不同的身体放置位置，测量误差在±3%以内的时间超过50%，而手腕放置位置的测量误差在-3%以下的时间占70%(43/61)。在每个身体位置中，Fitbit倾向于低估步数(估计平均[中位数]误差从-11%[-2%]到-3%[-1%]不等)(多媒体附录8和图4）.

在活动期间身体运动的变化范围内，测量误差比正常身体运动时的50%(82/154)多±3%。在90%以上的时间里，涉及受限(19/24)或可变(10/10)身体运动的活动的测量误差低于-3%，Fitbit倾向于低估这些活动中的步数(估计平均[中位数]误差从-35%[-26%]到-21%[-12%]不等)。相反，当Fitbit设备在夸张的手臂运动时佩戴在手腕上时，3个比较中有2个高于3% (多媒体附录8和图5）.

我们还观察到，在不同的行走速度下，步数的准确性似乎进一步受到装置在身体上放置的影响(图3和4）.对于躯干放置，测量精度在正常(24/30)，自主步调(28/44)和缓慢(7/11)行走速度的60%以上的±3%以内。超过60%的慢跑(9/14)和超过90%的极慢步行(14/15)的时间，躯干放置低于-3%。此外，我们观察到，在非常缓慢的行走中，当设备佩戴在躯干上时，对步数的低估最大，这15个比较中有7个测量误差低于-25%。对于踝关节放置，70%(11/16)的准确度比较在缓慢或非常缓慢的步行速度下的测量误差在±3%以内。在正常速度和慢跑速度下，没有对踝关节位置的准确性进行比较，在自定节奏步行时，只有1个踝关节位置的比较。对于手腕放置，90%(9/10)的时间测量误差在慢跑速度的±3%以内，75%(38/51)的时间测量误差在所有其他速度的-3%以内。

‎ 查看此图

‎ 查看此图

‎ 查看此图

共有13项研究检验了Fitbit在自由生活条件下计算步数的准确性(20项准确性比较;多媒体附录3) [36，52-63］．其中，有8项研究是在健康的年轻人中进行的;对老年人进行了5项研究，其中3名是健康、活跃的老年人，2名是行动不便的老年人。磨损时间从1天到14天不等。将Fitbit设备与ActiGraph、activPAL或actitical加速计、欧姆龙或Shimmer计步器进行比较。

在检查自由生活环境中步数的20个准确性比较中，55% (n=11)在±10%的测量误差范围内，30% (n=6)低于-10%的测量误差，15% (n=3)高于10%的测量误差，相对于研究级标准，Fitbit倾向于高估自由生活条件下的步数。当进一步探索时，在自由生活条件下，步数的测量误差似乎取决于所使用的参考标准、设备的身体位置以及研究参与者的年龄和活动状态。与ActiGraph或activPAL加速度计相比，在健康的年轻人中，Fitbit步数在8次躯干比较中有6次误差在±10%以内，在5次手腕比较中有3次误差在±10%以内，在没有行动限制的老年人中，Fitbit步数在1次躯干比较中误差在±10%以内。在一项针对没有行动限制的老年人的比较中，佩戴在躯干上的Fitbit设备比佩戴在脚踝上的欧姆龙计步器高估了35%以上的步数。

相比之下，在对行动不便的老年人进行的3次精度比较中，有2次Fitbit的步数误差比佩戴在躯干上的Shimmer计步器或佩戴在脚踝上的practical加速度计低约-25% (多媒体附录9）.

我们对自由生活环境中步数准确性的评估与其他5项研究一致，这些研究检查了Fitbit与佩戴在躯干上的加速计或佩戴在脚踝上的计步器相比，健康成年人每日步数测量的MAPE或一致性差异[42，64-67］．这些研究报告称，与ActiGraph加速计、欧姆龙(Omron)或New Life计步器相比，Fitbit高估了每天700到1800步的中位数，或者MAPE值高于10%。相比之下，一项研究显示，Fitbit每天的中位数步数与Yamax计步器相似(-55步/天)[67］．

能量消耗

共有18项研究(98项准确性比较)检验了受控环境下Fitbit设备能量消耗测量的准确性，并与参考标准的直接(2项研究)或间接(16项研究)量热法(多媒体附录3) [29，34，37，39，46，68-80］．所有18项研究都招募了健康的成年人。Fitbit设备被佩戴在躯干或手腕上。在准确性比较中，88个测量了活动期间的能量消耗，10个测量了休息时的能量消耗。

研究结果表明，在88个活动比较中，测量误差很少在±3%以内(4% [n=4]在±3%以内，47% [n=41]在-3%以内，49% [n=43]在3%以上)。总体而言，Fitbit显示出高估活动期间能量消耗的倾向(估计平均[中位数]误差为4%[2%])。在其余的10个比较中，3个测量误差在±3%以内，6个低于-3%，1个高于3%，有低估能量消耗的倾向(估计平均[中位数]误差为-3% [-6%])(多媒体附录8和图6）.

当我们进一步探索可能影响能量消耗测量准确性的因素时，我们观察到准确性似乎随步行速度、身体位置和活动期间身体运动的变化而变化。此外，能量消耗的准确性似乎受到步行类型的影响。行走类型包括在斜坡或平面上连续行走，以及在进行常见的模拟家庭或体育活动时间歇性行走(走走停停)(多媒体附录8）.

在不同的身体放置位置中，躯干放置的能量消耗测量误差小于-3%，超过60%(32/52)(估计平均[中位数]误差为-5%[-8%])，手腕放置的能量消耗测量误差大于3%，超过60%(24/36)(估计平均[中位数]误差为18% [9%])(多媒体附录8和图7）.

在不同的步行速度中，超过50%的慢跑(8/15)和正常(17/24)速度的能量消耗比较大于3%(估计平均[中位数]误差从7%(5%)到18%(12%)不等)。相反，超过50%(25/39)的自定步行走比较低于-3%(估计平均[中位数]误差为-6%[-9%])。在缓慢和非常缓慢的行走速度下的能量消耗比较不到10次，没有明显的趋势或模式记录测量误差(多媒体附录8和图8）.

‎ 查看此图

‎ 查看此图

‎ 查看此图

在不同的身体运动参数中，超过50%(34/58)的正常身体运动的能量消耗误差大于3%(估计平均[中位数]差为12%[9%])。相比之下，在受限(6/10)或可变(13/16)身体运动活动的准确性比较中，超过60%的能量消耗误差低于-3%(估计平均[中位数]差异从-14%[-15%]到-8%[-10%]不等)。同样，在4个夸张运动的比较中，有3个的能量消耗测量误差也低于-3% (多媒体附录8和图9）.

在不同类型的行走中，超过60%(35/53)的平坦表面连续行走活动的能量消耗误差大于3%(估计平均[中位数]差异为17%[13%])。超过60%的时间，在斜坡上连续行走(7/11)或在模拟家庭或体育活动中间歇行走(18/24)的误差低于-3%(估计平均[中位数]误差从-19%[-21%]到-12%[-12%]不等)(多媒体附录8和图10）.

‎ 查看此图

‎ 查看此图

共有3项研究检查了Fitbit设备在自由生活条件下测量健康成年人能量消耗的准确性，与双标签水(1项准确性比较)或SenseWear加速度计(4项准确性比较;多媒体附录3) [56，77，81］．一项研究发现，与双标签水相比，手腕上佩戴的Fitbit在15天内往往会略微低估(-7%)能量消耗[77］．与SenseWear加速度计进行的所有4次精度比较均低于-10%的测量误差(估计平均[中位数]差为-15% [-15%])(多媒体附录9）.这些发现与另外两项准确性研究一致，报告了Fitbit对每日能量消耗的低估，与ActiGraph或Actiheart加速计的测量结果相比，Fitbit设备的MAPE值从16%到30%不等[58，70］．

活动时间

共有8项研究(28项准确性比较)检验了Fitbit设备在自由生活环境中测量不同强度活动所花费的时间，并将其与佩戴在身体上的ActiGraph加速计或佩戴在脚踝上的实际加速计(多媒体附录3) [52，53，56，57，59-62］．在这些研究中，5项是对健康的年轻人进行的，3项是对患有各种慢性疾病的老年人进行的。磨损时间从2天到9天不等。研究调查了在醒着的时间里静坐、轻度、中度、剧烈或中度到剧烈的身体活动所花费的时间。

值得注意的是，在研究中，Fitbit设备和参考标准加速度计使用可变截止点来定义身体活动的强度水平。尽管存在这些差异，与ActiGraph(躯干)或actual(脚踝)加速度计相比，4个久坐时间准确度比较中有3个误差低于-10%。与Actical(脚踝)或ActiGraph(躯干)加速度计相比，超过80%(21/24)的轻度活动时间与剧烈活动时间的准确度比较的测量误差大于10%(估计平均[中位数]差从44%[52%]到632%[390%]不等)(多媒体附录9）.

我们观察到的高强度运动时间的明显高估与另外两项研究一致，这些研究报告了与ActiGraph加速度计相比，Fitbit高估了自由生活环境中中度至剧烈运动的时间(mape >30%) [58，66］．与我们发现Fitbit低估了白天的久坐时间相反，一项研究报告称，与佩戴在大腿上的activPAL加速度计相比，Fitbit高估了夜间(睡眠)和白天的久坐时间(MAPE ~10%)。［66］．

睡眠

共有3项研究检查了受控环境下的睡眠(12个准确性比较)，将佩戴在手腕上的Fitbit与参考标准的多导睡眠仪在实验室睡眠一晚(多媒体附录3) [82-84］．所有3项研究都包括年轻人，2项包括健康参与者，1项包括抑郁症患者。这3项研究都检查了正常模式下的睡眠测量，都报告了Fitbit对总睡眠时间和睡眠效率的高估超过10%。另一方面，一项研究检查了敏感睡眠模式下的总睡眠时间和睡眠效率，报告称Fitbit对两者的低估都超过了15% [82］．一项研究还检查了正常和敏感睡眠模式下的睡眠开始潜伏期(从开始睡眠的分钟数)和睡眠开始后的清醒时间，报告的测量误差从12%到180%不等，而根据睡眠模式设置，这些睡眠参数的高估或低估的趋势相反(多媒体附录8）.

共有3项研究(5项准确性比较)报告了自由生活环境中健康年轻人的睡眠测量准确性，将佩戴在手腕上的Fitbit设备与佩戴在手腕上的SenseWear或Actiwatch加速计(多媒体附录3) [56，81，85］．穿戴时间从1到13个晚上不等。与SenseWear加速度计相比，在床上的时间测量有4个比较，所有4个测量误差都在±10%以内。一项研究也报告了Fitbit设备与Actiwatch加速计对床上时间的测量结果非常相似(-0.4%)。一项研究还报告，与Actiwatch加速计相比，Fitbit的睡眠时间略微高估(6%)。85] （多媒体附录9）.这些发现与另外两项研究一致，报告称与便携式睡眠监测仪(MAPE约为10%)或Actiwatch加速计(约为每晚10分钟)相比，Fitbit高估了睡眠时间[66，86］．

距离

有2项研究(17项准确性比较)在健康年轻人的受控环境中检验Fitbit设备距离测量的准确性(多媒体附录3) [33，48］．两项研究都报告了Fitbit倾向于高估较慢和自定节奏的步行速度(从5%[手腕]到25%[手腕])，低估快走或慢跑速度(从-15%[手腕]到-5%[躯干])的距离。在正常速度行走时，躯干放置倾向于高估距离(10%)，手腕放置倾向于略微低估距离(-3%)。这些发现与另一项研究一致，该研究报告称，在较慢的步行速度下，Fitbit会高估5%至15%的距离，而在跑步活动中，Fitbit会低估10%以上的距离(多媒体附录8) [87］．

讨论

主要研究结果

这篇综述是对现有文献的补充，因为据我们所知，这是第一次系统地检查和报告Fitbit设备在受控和自由生活环境中测量步数、能量消耗、睡眠、活动时间和距离的准确性，这些测量是在健康成年人或有任何健康状况或残疾的成年人中进行的。

许多研究的结果表明，在受控测试条件下，Fitbit设备大约有50%的时间可能提供准确的步数(在±3%以内)，总体倾向于低估步数。研究结果还表明，如果该设备在正常行走或自定节奏行走时佩戴在躯干上，在慢跑时佩戴在手腕上，在慢速或非常慢速行走时佩戴在脚踝上，则步数的准确性可能会提高。几项关于自由生活环境中步数的研究结果也表明，在大约50%的时间里，Fitbit设备与研究级加速度计或计步器相比，在没有行动限制的健康成年人的躯干或手腕上，可能提供相对准确的步数(在±10%以内)，在自由生活环境中有高估步数的倾向。

在受控测试设置的研究中，一致的发现表明，Fitbit设备在缓慢移动的活动中也更有可能显著低估步数，特别是当佩戴在躯干上时，身体运动可能受到行动限制或推着助行器或婴儿车行走的限制，以及在模拟家庭或体育活动时，在整个任务过程中涉及走走停停的活动。一些在自由生活条件下进行的研究结果表明，与佩戴在脚踝上的研究级加速度计或计步器相比，佩戴在躯干上的Fitbit设备可能会明显高估没有行动能力限制的老年人的步数，而明显低估行动能力有限的老年人的步数。

在受控环境下，许多检查能量消耗的研究也有一致的发现，表明Fitbit设备很少可能提供准确的能量消耗测量。研究结果表明，当Fitbit戴在手腕上时，以及在平坦的地面上以正常的成人行走速度行走时，它更有可能明显高估能量消耗。相反，佩戴在躯干上时，Fitbit更有可能低估能量消耗，在倾斜行走时，在整个活动过程中身体运动受限或可变的活动中，以及在涉及走走停停的模拟家庭或体育活动中，Fitbit倾向于明显低估能量消耗。一项关于自由生活环境下能量消耗测量的研究结果表明，Fitbit和双重标签水在两周内可以提供类似的总能量消耗测量。然而，在自由生活环境中进行的一些研究表明，与SenseWear加速度计相比，Fitbit设备可能明显低估了日常能量消耗。

一些研究检验了Fitbit在自由生活环境中不同强度活动所花费时间的测量准确性。在这些研究中，有一致的证据表明，与研究级加速度计相比，Fitbit设备可能会低估久坐时间，并随着活动强度的增加而逐渐高估活动时间。同样，一些研究也检验了在受控或自由生活环境下测量睡眠的准确性。来自这些研究的一致证据表明，在受控测试环境下，与多导睡眠仪相比，Fitbit可能无法提供准确的睡眠质量或睡眠时间测量。然而，有迹象表明，Fitbit可能会提供与SenseWear或Actiwatch加速度计相对类似的在床上花费的时间和在自由生活环境中睡觉的时间。最后，两项研究的结果表明，Fitbit可能会在步行速度较慢时高估距离，并随着步行速度的增加而逐渐低估距离。

本综述中包含的大多数研究都是在过去两年内发表的，这些研究主要检查了2015年之前推出的Fitbit活动追踪器模型的测量精度。纳入的研究主要关注步数和能量消耗结果测量的准确性，只有少数研究检查了睡眠、距离或活动时间的测量准确性。同样，绝大多数研究只包括健康的参与者，很少包括老年人，更少包括任何患有疾病或功能限制的成年人。总体而言，纳入研究的质量在研究设计、缺失数据报告和使用可接受的准确性评估方面是优秀的。然而，一些研究没有清楚地确定他们如何处理分析中缺失的数据，而且很少有超过50名参与者的研究。

大多数研究集中在受控测试环境下的测量精度，将Fitbit设备的测量结果与参考标准标准进行比较。标准化和受控的测试环境允许评估“真实”测量精度，但不一定反映设备在非受控或自由生活环境中的测量精度，这些环境是Fitbit活动跟踪器使用的预期环境。然而，在自由生活的条件下，测量设备的真实精度是非常困难的，因为参考标准标准测量通常不能在某人进行日常活动的几天内使用。因此，在自由生活条件下检查Fitbit设备测量精度的研究检查了Fitbit设备测量相对于在自由生活条件下同时佩戴相同结果的既定研究级标准设备测量的准确性。

为了本综述的目的，我们根据先前公布的受控(±3%)和自由生活(±10%)环境下步数可接受精度的标准定义了令人满意的测量精度水平[19-22］．鉴于我们不能确定其他结果测量准确度的公开标准，我们对所有结果的测量准确度的可接受限度应用了相同的截止点。但是，我们在补充汇总表中提供了描述性分析的详细信息，并在图中提供了误差估计的可视化表示，以便独立评估Fitbit设备测量精度可接受极限的替代定义。

限制

我们的综述有一些潜在的局限性。其中包括决定只纳入发表在同行评议期刊上的数据，并排除非英语研究。这些决定可能在我们的分析和解释中引入了一定程度的偏见。此外，我们纳入了所有独立于潜在偏倚风险的研究。此外，描述性分析和随后的百分比测量误差点估计(即潜在偏差)对不同样本量和显著性水平变化的准确性比较给予了相同的权重，这可能会歪曲本综述中审查的某些测试条件下测量误差的真实点估计[17，18］．考虑到这些潜在的局限性，以及检验Fitbit测量睡眠、距离和活动时间准确性的研究数量有限，我们注意到，在考虑我们对这些结果域的潜在准确性评估时，应谨慎行事。为了弥补这一文献空白，有必要进一步开展高质量的研究，检验Fitbit测量睡眠、活动时间和距离的准确性。

我们还应该认识到，在自由生活环境中定义Fitbit设备的相对(in)精度并不能定义真正的测量(in)精度，因为Fitbit设备和参考设备都没有与参考标准进行比较。相反，Fitbit的相对不准确性只定义了Fitbit设备在自由生活条件下与研究级标准相比，对相同结果的测量结果提供不同值的可能性。

同样重要的是要澄清，我们在本综述中对Fitbit设备测量精度的估计来自使用不同型号的Fitbit的研究，这些型号可能具有不同版本的固件、软件和数据处理算法。由于设备和软件的设计细节是专有信息，我们无法确定该公司在过去的一段时间里是否进行了修改，以及做了哪些修改。尽管如此，我们通过使用设备的身体位置作为代理，间接探索了随着时间的推移模型设计差异的潜在影响，因为早期的模型(例如，Classic, One, Zip和Ultra)是佩戴在躯干上的，而后来的模型(例如，Flex, Charge和Surge)是佩戴在手腕上的。因此，不同身体位置的误差估计的一些可变性可能部分与设备设计或分析方案随时间的差异有关。

最后，我们发现Fitbit设备在各种测试条件下测量精度的潜在局限性并不意味着Fitbit设备的测量精度将保持不变。更确切地说，随着固件技术的进步，精度很可能会提高。此外，鉴于Fitbit能够利用来自全球数百万用户的元数据，并应用先进的算法来更好地识别复杂的运动模式，不断发展的软件升级很可能也会提高测量精度。此外，我们的研究结果并没有否定Fitbit活动追踪器的使用价值，它是为了自我监测身体活动模式，激励个人实现他们的身体活动目标。88-91］．

结论

当Fitbit设备佩戴在躯干上，以正常或自主步调的行走速度行走时，它最有可能为没有行动限制的成年人提供准确的步数测量。然而，Fitbit设备不太可能提供准确的能量消耗测量。有限的证据表明，Fitbit活动追踪器可能无法准确测量睡眠、距离或活动时间;然而，进一步的准确性研究是必要的。

影响

除了对于没有行动限制的成年人的步数测量，在考虑使用Fitbit设备作为研究结果测量工具或告知医疗保健决策时，应酌情考虑，因为似乎有有限数量的情况下，该设备可能提供准确的测量。