姿态与活动量全景

截至 2026-09-23。服务对象：Relty（胸前 AI Pin + iPhone/HealthKit，识别坐/站/躺/移动、久坐时段、活动量、活动变异性）。

阅读说明

• 取证方式：文献摘要通过 Europe PMC 接口（收录 PubMed 摘要）逐篇按 DOI 拉取原文摘要；指南和监管文件读官方原文（WHO 指南全文、美国指南 PDF、加拿大官网、中华流行病学杂志页面、FDA 指南 PDF、EMA 意见书 PDF）。表中数字全部来自摘要或官方原文，没取到原文的单列在文末"未核实"清单，正文不引用其数字。
• 标注：
• 【设备】= 加速度计/计步器等客观测量；【自报】= 问卷。
• 【观察】= 队列/横断面，只能说"相关"；【RCT】= 随机对照试验，能说"导致"；【急性】= 实验室里几小时的交叉试验。
• "对 Relty 的意义"一列是本调研的解读，不是原文结论。
• 收录 73 条（71 篇论文/指南 + 2 份监管文件），编号 [1]–[73]。

主题一：官方指南

结论：WHO、美国、中国三份指南对成人的推荐量一致——每周 150–300 分钟中等强度或 75–150 分钟高强度有氧活动，外加每周至少 2 天肌肉力量练习；WHO 和美国已取消"每次至少连续 10 分钟才算数"的要求。三者都要求"少坐"，但都明确说证据不足以给出久坐总时长上限或打断频率；只有加拿大 24 小时指南给了具体数字（久坐 ≤8 小时、娱乐屏幕 ≤3 小时、尽量经常打断久坐）。全球约 31% 成人达不到推荐量。

主题二：活动量的剂量-反应

结论：设备测量的每日步数越多，全因死亡和心血管风险越低，但收益曲线会变平。最新荟萃（Ding 2025）显示 7000 步/日比 2000 步/日全因死亡风险低 47%，拐点在 5000–7000 步；Paluch 2022 显示 60 岁以上在 6000–8000 步趋平、60 岁以下在 8000–10000 步趋平。任何强度的活动都算，轻度活动也与更低死亡相关。步频（走得快）是否在总步数之外另有好处，结论不一致。自报活动和设备测量的相关性只有低到中等，而且设备佩戴位置本身会改变结果。全部是观察性证据，不能排除"身体差的人走得少"这种反向因果。

主题三：久坐、站立与活动模式

结论：久坐多和死亡风险高相关，而且"一次坐很久"本身也与风险相关。自报研究（Ekelund 2016）估计每天 60–75 分钟中等强度活动可抵消久坐风险，设备测量研究（Ekelund 2020）把这个数降到约 30–40 分钟。实验室随机交叉试验证实每 20–30 分钟起身走 2–5 分钟可降低餐后血糖，但都是几小时的急性试验、样本小。站立不是"活动"：站立时长与主要心血管病无关，每天站超过 2 小时反而与静脉曲张等体位性循环病风险升高相关；把坐改成站的代谢收益很小，改成中高强度活动收益最大。短时高强度碎片（如爬楼、赶车）和"周末集中运动"都与更低风险相关，总量比分布更重要。

主题四：体态与肌肉骨骼

结论：

• 坐姿、弯腰、脊柱弧度、低头看手机与腰痛颈痛之间，多篇系统综述找不到因果证据；成人前倾头与颈痛在横断面上相关，但分不清谁因谁果。
• "手机用得多"与颈痛相关，但直接测的低头角度与颈痛无关。
• 姿势反馈传感器在大型 RCT（RESTORE）中没有比不用传感器带来额外获益；矫正练习能改善姿势角度，但疼痛和功能改善不一致。
• 老年人驼背（临床测量）与跌倒、死亡风险升高相关。
• 久站与腰腿不适、静脉曲张相关。
• 仰卧加重的睡眠呼吸暂停很常见，体位治疗有 RCT 证据但疗程都短。

4a 坐姿、脊柱弧度与腰痛

4b 低头、前倾头与颈痛

4c 姿势矫正与姿势反馈设备

说明：本次检索没找到消费级姿势提醒器（背夹、振动提醒类）以疼痛为主要结局的高质量 RCT。

4d 老年人驼背

4e 久站的职业健康证据

4f 睡姿与睡眠呼吸暂停

主题五：临床应用与监管

结论：在 COPD、心衰、手术、晚期肿瘤人群里，设备测量的活动量或步数是很强的预后指标，而且能发现传统 6 分钟步行测试发现不了的药物效果。步速与老年人生存率紧密相关。EMA 已把真实生活中的"步速第 95 百分位"（SV95C）认可为杜氏肌营养不良试验的主要终点，这是第一个可穿戴设备得出的主要终点。FDA 2023 年指南要求数字健康设备先证明"测得准"，再证明"在目标人群里测的是对的东西"。跌倒检测在真实跌倒中的灵敏度远低于实验室模拟。

主题六：中国与亚洲人群

结论：中国慢性病前瞻性研究（CKB）已在 2020–2021 年给 2 万多人戴了 7 天腕部加速度计，但目前公开的只有描述性结果，本次未检索到基于这批设备数据的疾病结局研究。CKB 的自报数据显示，中国成人的活动主要来自职业劳动，总活动越多心血管病风险越低；但在受教育程度高的城市职工中，体力劳动型工作反而与更高死亡风险相关。

对 Relty 最有用的 10 条证据结论

1. 步数是有强证据的主指标，默认目标可定 7000 步/日并按年龄分档。 7000 步比 2000 步全因死亡低 47%，拐点 5000–7000 步（Ding 2025）；60 岁以上 6000–8000 步趋平，60 岁以下 8000–10,000 步趋平（Paluch 2022）。
2. 轻度活动和碎片活动都该算进活动量。 WHO 和美国指南都取消了"至少连续 10 分钟"要求（WHO 2020、美国指南）；轻度活动最高四分位死亡 HR 0.38（Ekelund 2019）；每天几段 1–2 分钟的生活高强度爆发与死亡低 38–40% 相关（Stamatakis 2022）。
3. "连续久坐时段"有死亡结局证据。 平均每段久坐时长最高四分位 HR 1.96，久坐总量大且每段 ≥10 分钟者风险最高（Diaz 2017）。
4. 打断久坐的"30 分钟"阈值有随机试验依据，但只证明了短期代谢效果。 每 20 分钟走 2 分钟降低餐后血糖和胰岛素（Dunstan 2012）；≤30 分钟打断一次比更稀疏打断更降血糖，证据质量低（Yin 2024）；控血糖需"每 30 分钟走 5 分钟"（Duran 2023）。
5. 久坐的"补偿量"按设备口径约每天 30–40 分钟中高强度，而不是自报研究的 60–75 分钟。（Ekelund 2020 vs Ekelund 2016）
6. 站立不是活动，不该当目标去奖励。 站立时长与主要心血管病无关，站立 >2 小时/日后每多 30 分钟体位性循环病风险高约 11%（Ahmadi 2024 IJE）；坐换成中高强度收益最大，换成站立收益很小（Blodgett 2024）；连续站立 >40 分钟易出现腰腿不适（Coenen 2017）。
7. 周总量比每天是否均匀更重要。 "周末战士"与规律活动者的心血管和 200 多种疾病风险相近（Khurshid 2023、Kany 2024）。
8. 看什么屏幕、在什么场景坐，比"坐了多久"信息量更大——这是第一视角摄像头的独特价值。 高活动量能消除总坐姿时间的风险，但不能消除看电视时间的风险（Ekelund 2016）；工作中活动与休闲活动的健康意义可能不同（Luo 2022）。
9. 体态功能不能做"改善腰颈痛"的健康声明。 坐姿、脊柱弧度与腰痛无因果共识（Swain 2020、Roffey 2010）；低头角度与颈痛无关（Correia 2021）；传感器姿势反馈在 492 人 RCT 中无额外获益（RESTORE 2023）。可以做的是老年人驼背风险提示方向（驼背与死亡 HR 1.40，Kado 2004），但需先完成测量验证。
10. 胸前佩戴的所有阈值都要自己验证，不能照搬腕/髋研究的数字。 髋部与腕部、计步器研究的剂量曲线不同（Stens 2023）；佩戴位置可造成 1.5–2 倍的活动量差异（Ahmadi 2026）；FDA 要求先证明测得准、再证明在目标人群有效（FDA 2023）。

证据空白与争议

阈值没有官方数字

• WHO 和美国指南都明确说：无法给出久坐总时长上限，也无法给出打断频率（#1、#2）。
• 加拿大的"久坐 ≤8 小时"是专家共识，不是剂量-反应的切点（#5）。
• Relty 的久坐提醒阈值只能引用急性试验（#22–24），要标明"短期代谢证据"。

胸前佩戴无结局数据

• 本次收录的步数、中高强度、久坐研究全部基于髋、腕或大腿佩戴。
• 没有找到胸前 IMU 的大型结局研究或姿态分类验证研究。
• 中高强度切点、坐/站区分、步数算法都需要 Relty 自建验证集：视频或 activPAL 作真值，并覆盖老人、慢病步态等目标人群。

步频是否独立有益

• 认为无独立作用：Saint-Maurice 2020、Lee 2019、Paluch 2022（控制总步数后步频无显著关联，#7–9）。
• 认为有额外作用：del Pozo Cruz 2022、Stens 2023（#10、#11）。

站立是好是坏

• 设备研究：站立与主要心血管病无关，但与静脉性疾病风险升高相关（#27）。
• 自报职业研究：以站为主的职业心脏病风险约为坐姿职业的 2 倍（#55）。
• 两类研究的暴露定义不同：职业站立混杂了体力劳动、社会经济地位等因素。
• 腕部设备识别站立本身只有 71–78% 准确（#36）。

"活动变异性"定义不统一，结论方向相反

• 每小时活动量起伏大，与风险低相关（#34）。
• 活动碎片化（频繁由动转静、每段活动短），与风险高相关（#35）。
• Relty 定义自己的"活动变异性"时，必须说明它对应哪一种，不能混用两类证据。

因果证据薄弱

• 步数、久坐与死亡的关系全部来自观察性研究，可能存在反向因果（病人本来就走得少）。
• 减坐 RCT（#25、#26）只证明能减少坐姿时间和改善自评指标，未证明能降低疾病。
• 打断久坐的 RCT 都是几小时的急性试验。

体态研究质量低

• 以横断面为主，无法判断先后。
• 驼背结论依赖测量方法：木块法与死亡、跌倒相关，X 光 Cobb 角无关（#49、#50）。
• 驼背没有统一阈值（#52）。
• 可穿戴测的躯干前倾角与这些临床测法的对应关系，没有研究。

夜间佩戴和跌倒检测

• 体位性睡眠呼吸暂停很常见，体位治疗有效但研究周期都短（#56–58）。
• 胸前 Pin 夜间佩戴的可行性和舒适度未知。
• 跌倒检测在真实跌倒中的灵敏度只有约 57%（#70，2012 年数据）。本次未取到更新的真实世界大样本评估。

中国人群

• CKB 加速度计数据目前只有描述性结果（#71），本次未检索到其疾病结局分析。
• 中国人群的剂量-反应仍主要依赖自报数据（#72、#73）。

佩戴依从性

• 心衰药物试验中只有 26% 的患者交回了合格的加速度计数据（#61）。
• 术后随访中，数据回收率受疫情封控影响跌到 0–7%（#63）。
• 依从性是可穿戴临床应用的实际瓶颈。

未核实条目

以下内容检索到来源但没能读到原文或摘要里的数字，正文未引用其数字：

1. Hansraj 2014（Surg Technol Int，PubMed）"低头 60° 颈椎受力约相当于 27 kg"等常被引用的力学模型数字：摘要没有数字，未核实，未纳入正文。
2. Fritz & Lusardi 2009 白皮书（#66）：只核实了题目、期刊、年份，正文论据未核实。
3. Chen X 等 2018（Phys Ther，职场干预与办公人群颈痛荟萃，PubMed）：未取到摘要，未纳入。
4. Cochrane 工作场所减坐综述（#26）2018 年之后是否有新版：未核实。
5. 美国指南 2023 中期报告（#3）：只核实了题目和定位，"未修改推荐量"是根据官网摘要未提及而作的判断，未读全文。
6. EMA 2019 年 SV95C 次要终点资格意见原文：未直接阅读，通过 Servais 2022（#67）摘要和 EMA 2023 文件中"此前已被认可为次要终点"的表述间接核实。
7. 加拿大指南 65 岁以上部分：只核实了 18–64 岁推荐。

调研日期：2026-09-23 范围：学术界和工业研究院在"姿态（坐/站/躺/移动）"和"活动量"上的方法、数据集和准确度证据，以及对 Relty 的启示。Relty 是胸前佩戴的 AI Pin，带第一视角相机和 IMU，配 iPhone 和 HealthKit，看不到腿。

读法说明：

• 每条事实都附可点击来源，数字取自原文摘要、正文表格或官方页面。
• "对 Relty 的意义"一列是本文作者的分析，不是原文结论；标"推算"的数字是作者用原文数字算出来的。
• "机构"栏写第一作者单位或发布方；写"—"表示本次没有核实到。
• 查不到或只查到一部分的标"未核实"，汇总在文末清单。
• 核实过程：网页搜索额度在调研中途用完，后半段改用 Europe PMC、arXiv、Crossref、Semantic Scholar 的公开接口，按 DOI 或标题取原文摘要，关键数字再对照论文 PDF 正文。

术语速查（下文首次出现时不再解释）：

• counts（活动计数）：ActiGraph 把加速度做带通滤波后按时间窗累加得到的数，过去是专有算法，2022 年公开。
• MIMS：一种开放、与设备无关的运动量单位，美国 NHANES 2011–2014 采用。
• ENMO：三轴合加速度减去 1 g 重力后的值，单位 mg（千分之一重力加速度）。
• 切点：把活动量数值划分成久坐、轻度、中度、高强度的阈值。MVPA 指中到高强度活动。
• F1、κ（Cohen's kappa）：分类一致性指标，1 表示完全一致；κ 扣除了碰巧一致的部分。
• MAPE：平均绝对百分比误差。
• 自由生活：受试者在日常环境里自由活动，区别于在实验室按脚本做动作。
• LOSO（留一受试者交叉验证）：每次拿一个人做测试，其余人训练，保证测试的人从没出现在训练集里。
• HMM（隐马尔可夫模型）：利用"状态不会乱跳"的规律，把逐窗预测平滑成连续片段。
• 真值：用来判对错的参照标准，如录像、直接观察、大腿 activPAL。

1. 活动量计算：计数单位、强度切点与开源工具

活动量的通行做法，是把加速度去掉重力，按分钟累加成一个"运动量"数，再用切点划分强度。三种主流单位（counts、MIMS、ENMO）的数值不能直接互换；切点只在"同一单位、同一佩戴部位、同一人群"下有效。跨设备最稳定的是 MIMS，NHANES 已采用。步数的算法差异更大：同一批 NHANES 数据换 5 种算法，人均日步数从 2,453 到 12,169。现有切点全部来自髋部或腕部，胸前没有可直接套用的切点。

2. 姿态分类：佩戴部位决定准确率上限

大腿是公认最准的姿态部位：大腿水平即坐、竖直即站，activPAL 与录像对比，坐和站的时间误差都在 2% 以内。腕部只能靠手腕朝向"猜"姿态，自由生活中与 activPAL 一致约 77%–85%，站着看书、做饭、开车时最容易错；最新的 ProPASS 自训练模型把腕部整体准确率做到 91.8%，但"站"仍只有 71%–78%。胸/躯干能很准地判出"躺"，但坐和站时躯干都竖直，胸前方案普遍靠检测"坐下/起立"这个转换动作来区分。胸前 IMU 做全天坐/站的自由生活大样本验证，本次没有找到。

3. 大型数据集与公开基准

公开数据按真值来源分三档：实验室脚本（PAMAP2、WISDM、Opportunity、HHAR、RealWorld，几人到几十人）；自由生活 + 相机或录像真值（Capture-24、HARTH、PAAWS）；只有传感器、没有活动标签的超大队列（UK Biobank、NHANES、All of Us、Apple Heart & Movement Study）。与 Relty 最相关的是 Capture-24（相机真值、151 人、2,562 小时标注），以及含胸部传感器的 PAMAP2、RealWorld。第一视角数据集（Ego4D、Ego-Exo4D、Aria 系列）都是头戴设备，没有胸前视角。

4. 模型演进：从随机森林到传感器基础模型

演进路线是：手工特征 + 随机森林 + HMM 平滑 → 深度网络 → 在无标签大数据上自监督预训练 → 多模态和大语言模型。自由生活标注数据足够多时，换模型的收益不大：Capture-24 上随机森林加 HMM 的 F1 是 0.789，最好的 CNN 加 HMM 是 0.800；而单是给随机森林加上 HMM，F1 就从 0.711 升到 0.789。自监督预训练在小数据集上提升最大（最高 +130.9%），在 Capture-24 上只提升 2.5%。大语言模型直接读 IMU 只在 4 类粗分类、降采样到 10 Hz 的小实验里成立，不宜做主判定。

5. 视觉方法：第三人称姿态估计与第一视角自身姿态推断

摄像头从外面看到全身时，姿态估计已是成熟工具（OpenPose；BlazePose 33 个关键点、手机上每秒 30 帧以上；Apple Vision 提供 2D 和 3D 接口），但需要有摄像头对着人，不适合全天随身。第一视角估计佩戴者自己的姿态是另一类问题：胸前或头戴相机基本看不到腿，方法靠"场景怎样随身体移动""对面的人在做什么""头部轨迹 + 动作先验"去推断。直接证据：胸前 GoPro 单帧判坐/站，坐 65%、站 78%，加上时间动态后才可用。视频 + IMU 的联合模型（IMU2CLIP、EgoLM）来自 Meta，全部是头戴 IMU。电脑/手机摄像头做坐姿提醒的学术验证，本次没有查到。

6. 可穿戴相机在身体活动研究中的用途与伦理

可穿戴相机在身体活动研究里的主要角色是"真值标注器"：给加速度片段补上活动类型和情境，81% 的片段能归类。它也暴露了传统切点的毛病：100 counts/分钟的久坐切点会把站着算进久坐、把开车算出久坐，每天差近 30 分钟。但胸前相机画面本身判"站"很差：人工看胸前 Autographer 图像，坐判对 85.69%，站只有 54.87%，移动 69.41%。伦理上有成熟框架（Kelly 2013），通行做法是参与者先回看并删除不想要的图像，公开数据只发文本标注。

7. 非接触与其他部位方案：射频、坐垫、耳机

非接触方案只在固定场所成立：毫米波和 Wi-Fi 能穿墙、不拍脸，姿态精度接近视觉，但只覆盖一个房间。压力坐垫在椅子上分坐姿很准（99.47%），但只知道"坐在这把椅子上"。耳机 IMU（AirPods 头部运动接口、eSense）能测头部角度，比如低头，但对躯干只能间接估计，而且只有戴耳机时才有数据。TI 毫米波跌倒/姿态参考方案本次未核实。

8. 准确度证据：消费设备、实验室到自由生活、特殊人群

消费级设备在实验室测步数大体准，心率次之，能量消耗没有一个品牌准（158 篇文献的综述）。自由生活比实验室差一截：同一批算法实验室约 91%–95%，日常生活掉到 72%–76%；腕部步数对着相机真值误差常超过 20%。慢速、助行器、轮椅人群误差更大：宽速度范围下腕式 Nike Fuelband 与视频一致仅 33%；Apple Watch 低频推轮计数 MAPE 22%，轮椅能量消耗 MAPE 约 29%。

9. 评测规范：按人切分、自由生活真值与验证框架

评测最容易出假高分的地方是"同一个人既在训练集又在测试集"：同一 CNN 用 10 折交叉验证 99.85%，换成 LOSO 只有 85.1%。自由生活真值的主流组合是：大腿 activPAL 管姿态，录像或胸前/颈挂相机管活动类型，直接观察用于短时校验。INTERLIVE 网络给出了步数和能量消耗验证的 6 个设计维度和清单；Keadle 等主张分阶段评估，最终必须在自然条件下验证。

同类做法已在上文数据集里体现：Capture-24 用 100 人训练、51 人测试且互不重叠（3.3、4.3）；HARTH 用 LOSO（3.11）；PAAWS 在同一批人上同时采实验室和自由生活数据（3.12）；ProPASS 自训练模型用独立的 53 人录像数据做留出验证（2.9）。

10. 胸前 IMU + 第一视角相机组合：已证实的结论与空白

已证实的结论：

1. 胸/躯干能准确判出"躺"和姿势转换。 Najafi 2003 胸前单传感器：躺的灵敏度/特异度 98.4%/99.7%，转换检测总体灵敏度 99%（2.10）；Nazarahari 2018 胸前单加速度计：自由生活下各类转换 97%–100%（2.11）。
2. 胸前单点可以通过"抓转换"间接区分坐和站，短时观察下可用。 Najafi 2003 日常观察：坐 90.2%/93.4%，站+走 92.2%/92.1%（2.10）。
3. 胸前相机单帧判坐/站很弱。 自动方法：坐 65.09%、站 77.97%，推算综合约 75%，不如"永远猜站"（5.5）；人工看胸前图像：站只有 54.87%（6.3）。
4. 胸前或颈挂相机作为"活动类型和情境"的真值工具是成立的。 HARTH 胸前相机标注 κ=0.96（3.11）；Capture-24 标注员 κ>0.8（3.3）；Doherty 2013 能给 81% 的片段归类（6.1）。
5. 视频和 IMU 可以对齐学习、互相补足（IMU2CLIP、EgoLM，5.11、5.12），但这些研究用的是头戴 IMU。
6. 躯干佩戴在正常步速下测步数更准（Feehan 2018，8.2），慢速时腕部明显吃亏（Fortune 2014，8.6）。

尚未证实的空白（本次没有找到证据；第 2 条含作者推论）：

1. 胸前 IMU + 胸前相机融合、对照大腿 activPAL 的全天自由生活坐/站验证。 没有找到任何一篇。
2. 胸前方案的全天累计误差。 现有胸前研究观察时长为 45–60 分钟或更短、样本约 10 人（2.10、2.11），没有报告全天坐时间和连续久坐时段的误差。作者推论：漏检一次"起立"，后面整段都会判错，这类误差会随时长累积，需要专门测。
3. 胸前佩戴的强度切点。 现有切点来自髋（Freedson）和腕（Hildebrand），胸前的 MIMS 或 ENMO 切点没有找到（1.1、1.4）。
4. 胸前视角的大规模数据集。 Ego4D、Aria、Nymeria 都是头戴（3.13、3.16）；HARTH 有胸前相机，但 IMU 在大腿和下背，且只有 22 人（3.11）。
5. 老人、助行器、轮椅人群下胸前方案的准确度。 没有找到；腿部/背部方案已证明老人必须进训练集（8.7）。
6. 消费产品全天胸前相机的隐私可接受度。 Kelly 框架针对科研参与者（6.4），消费场景的验证没有找到。

11. 姿态与活动量的十条可借鉴做法

1. 真值分工：大腿 activPAL 管姿态，胸前相机管活动类型和情境。 activPAL 坐/站时间误差在 2% 以内（2.1）；胸前相机图像判站只有 54.87%（6.3），不能当站的真值。
2. 坐/站以"转换事件"为核心，躺用躯干倾角直接判。 胸前方案的有效证据都来自抓"坐下/起立"（2.10、2.11），再用状态机保持状态。开机时已处在静止竖直状态、还没看到转换的时段，标"姿态未知"，不默认成坐或站。
3. 一定加时间平滑。 Capture-24 上随机森林加 HMM，F1 从 0.711 升到 0.789，比换深度模型收益大（4.3）。
4. 相机只做时间窗上的辅助证据，不做单帧判定。 单帧场景分类坐 65%、站 78%（5.5）；应结合帧间场景运动、视野高度变化和前后文。
5. 活动量底层存 MIMS，并记录算法版本；胸前切点自己标定。 MIMS 跨设备变异最小（1.5），与 counts 相关 0.988、可映射回旧文献（1.6）；髋/腕切点不能直接套用，需要在实验室用测热或心率为胸前单独标定。
6. 步数和能量消耗对外口径保守。 同一批数据换步数算法，日均步数 2,453–12,169（1.10），自算步数不与 HealthKit 步数混加或覆盖；没有消费设备的能量消耗误差低于 20%（8.4），若要给能量消耗，应融合 Apple Watch 心率（8.3），并只给范围。
7. 评测按人切分，自由生活结果单独报告。 同一模型 10 折 99.85%、LOSO 85.1%（9.1）；实验室约 95% 到日常约 75%（8.5）。
8. 验证集必须包含老人、慢速、助行器和轮椅人群，验证方案按 INTERLIVE 的 6 个维度写清单。 老人数据进训练集后，助行器使用者从 87% 升到 93%（8.7）；轮椅低频推轮误差 22%（8.8）；清单维度见 9.2。
9. 先用自己的无标注数据做自监督预训练或自训练，再用少量人工标注微调。 标注少时提升最大（最高 +130.9%，4.4）；ProPASS 自训练腕部模型达到 91.8%（2.9）。
10. 相机数据按 Kelly 框架处理。 参与者回看并删除不想要的图像，标注员接受伦理培训，公开或共享时只给文本标注、不给图像（6.4、6.6）。

附：未核实与部分核实清单

• 5.4 电脑/手机摄像头坐姿提醒的学术验证：未找到可引用研究。
• 7.4 TI 毫米波跌倒/姿态参考方案：未核实，表中无数字。
• 2.13 Zisou 2026 腕/大腿/髋可比性：研究设计已核实，具体相关系数和换算方程未核实。
• 3.2 NHANES 2011–2014 佩戴人数：未核实。
• 3.6 Apple Heart & Movement Study 总规模：官方页未给，只能引用 Apple 论文中使用的人数。
• 5.6 You2Me 关节误差的具体厘米数：原文表 1 有，本次未摘录。
• 机构栏为"—"的条目：PAMAP2、WISDM、Opportunity、HHAR（3.7、3.9）、HARGPT（4.10）、eSense（7.7）、Gholamiangonabadi 2020（9.1），机构未核实。
• 1.4 Hildebrand 切点的具体 mg 数值：取自 GGIR 官方文档转引，论文摘要本身不含这些数值。

2026-10-20 补充：个人 AI 助理

新增两款，原有条目保留原调研日期。详细能力、版本与来源见对应卡片。

调研范围：全球 + 中国市场，共 55 个 App/产品。数据来源：iTunes/App Store 公开查询接口（itunes.apple.com/lookup、/search），评分与评分数为查询当天数值，会随时间变化。功能描述除标注外均引自对应 App Store 页面本身；状态类结论（停服、收购、改名等）另附新闻来源链接。未能核实的地方明确标"未核实"，不编造。

Relty 背景：胸前佩戴 AI Pin（第一视角摄像头 + IMU）+ iPhone App，识别全天姿态（坐/站/躺/移动）、地点、日常活动，统计活动量和连续久坐——不需要用户主动打卡或面对摄像头。

1. 体态矫正 / 坐姿提醒

这类 App 几乎都靠手机摄像头或 AirPods 的运动传感器判断低头、驼背，配合震动或提示音提醒；临床级的（PostureScreen、APECS）主要是卖给理疗师、教练用来拍照测量角度的专业工具，不是给普通用户日常戴着用的产品。共同短板：纯手机传感器判断准确率有限，且必须让用户保持在摄像头前或戴着耳机才能工作，做不到 Relty 那种全天候、不挑姿势、不需要配合动作的持续监测。

2. 活动量 / 久坐（大厂）

这些 App 本质是手表/手环的数据看板：靠加速度计和光电心率传感器算步数、心率、睡眠，再包装成一个环形进度条或单一分数（PAI、Recovery、Readiness）。它们的"久坐提醒"基本只是整点提醒站起来的简单规则，不区分坐/站/躺，也不知道用户在哪、在做什么——这正是 Relty 用第一视角摄像头+定位能补上的空白。

3. 独立活动量 / 久坐 App

多数是在苹果健康数据基础上做的二次包装（计步器外观、连续打卡、AI 教练话术），差异化集中在 UI 和激励机制上，底层数据来源相同，很少有自己独立的传感判断能力。少数例外：Welltory 用手机摄像头测指尖脉搏（PPG）；Gentler Streak 明确反对"连续打卡不中断"式的高压激励设计。

4. 康复 / 数字医疗（摄像头动作识别）

这类产品服务对象是有明确医嘱或雇主/保险买单的病人，核心价值是把治疗师的动作纠正能力搬到线上，商业模式是 B2B2C（保险、雇主）而非 C 端订阅付费。App Store 页面普遍不公开具体传感器技术细节，实际是"可穿戴传感器"还是"摄像头姿态识别"，本次调研在 App Store 层面大多未能核实，Kemtai、Kaia 通过官网确认为摄像头计算机视觉方案。

5. 科研 / 临床数据采集

都是基于 ResearchKit 或类似框架的研究工具，靠手机自带传感器+问卷收集数据反哺科研机构，不追求日常留存体验，界面朴素、评分人数很少，属于"数据采集器"而非消费产品。

6. AI 可穿戴伴侣 App（与 Relty 形态最接近）

这类硬件的核心功能是环境音频/对话记录与摘要，姿态或活动检测都不是重点。过去两年经历了明显洗牌：Humane 停服、Bee 被 Amazon 收购、Friend 口碑差——说明"贴身佩戴 + 纯 AI 记忆/陪伴"如果没有刚性健康或生产力价值，很难撑起独立生意，这对 Relty 的定位是直接的参照。

对 Relty 最有启示的 8 个设计做法

1. 用已戴设备的运动传感器做零硬件姿态判断——Posture Pal、PodPosture 都靠 AirPods 自带运动传感器识别低头，不需要额外硬件。Relty 的 AI Pin 本身带 IMU，同样可以在摄像头不便使用的场景（如运动中、光线差）退化到纯 IMU 判断，保证连续性。
2. 把姿态数据变成可爱的即时反馈而不是单纯惩罚——顶瓜瓜用"低头西瓜掉落"、NeckGo 用"户外日记"互动把纠正过程游戏化。Relty 的久坐/姿态提醒可以借鉴这种情绪友好的呈现方式，而不是单纯弹窗警告。
3. 摄像头类 App 主动亮出"完全本地离线、不联网"作为信任背书——好坐姿 App 在 App Store 描述里明确写"数据本地处理，不请求网络权限"。Relty 作为胸前摄像头产品，隐私顾虑比手机自拍类 App 更高，需要同样明确、可验证的本地处理承诺。
4. 把多维数据收敛成一个一眼能看懂的分数/圆环——Apple 健身三环、Oura Readiness、WHOOP Recovery、Zepp PAI 都是把睡眠、心率、活动量等揉成单一指标。Relty 全天坐/站/躺+活动量+久坐数据也需要一个类似的"每日总览分数"入口，而不是一堆独立图表。
5. 自动识别活动类型、不需要手动打卡——Garmin Move IQ 能自动判断步行/跑步/骑行并回填记录。Relty 靠第一视角摄像头+定位做姿态和场景识别，天然比手环更适合做到"全自动记日记"，这是相对手环类产品的核心差异化。
6. 按当天状态给建议，不用连续打卡惩罚用户——Gentler Streak 明确反对"断签就清零"的高压设计，改成按身体状态给个性化建议。Relty 的目标用户本身可能活动量偏低、久坐严重，更需要这种不制造挫败感的激励方式。
7. 识别放在硬件端、手机只做展示，兼顾省电和隐私——Upright GO 的姿态判断在硬件夹上完成，手机 App 只接收结果做展示提醒。Relty 的 AI Pin 也可以让敏感的图像/姿态推理尽量在设备本地完成，手机侧只处理脱敏后的姿态标签和趋势，减少原始画面外传。
8. 陪伴型 AI 硬件的生死教训：光有"记录+聊天"撑不住独立生意——Humane AI Pin 停服、Friend 口碑差、被 Museum of Failure 收录、Bee 被 Amazon 收购转型，三个案例都指向同一个问题：常时佩戴设备如果没有刚需价值，用户留存和商业模式都很难成立。Relty 用"久坐/体态健康"这种明确刚需做核心卖点，比纯 AI 陪伴型产品的定位更扎实，这也是对外沟通 Relty 差异化时可以直接引用的反面案例。

数据与方法说明

• 已核对每个 JSON 中的 trackName/sellerName 与目标 App 一致，排除同名山寨 App（例如排除了搜索"WHOOP"时混入的 Instagram、WhatsApp 等无关结果）。
• 评分、评分数、价格会随时间变化，仅反映查询当天（2026-09-23）快照。
• 传感器/实现机制优先取自 App Store 官方描述；未在描述中说明、且本次未能通过官网/第三方信源交叉验证的，一律标注"未核实"，不做推测性断言。

调研目的：为 Relty（胸前佩戴 AI Pin，第一视角摄像头+IMU，配合 iPhone/HealthKit 识别全天姿态、地点、活动，统计活动量和久坐时长）找同类硬件的参照系。

调研方法：WebSearch/WebFetch 逐个核实厂商官网、论文、权威媒体、FDA 数据库。每条事实带来源链接；查不到的字段标注"未核实"，不编造参数、价格、状态；停产/收购信息核实具体日期。

一、科研级活动监测器 + 动作捕捉金标准

这类硬件分两拨。一拨是"贴身佩戴的加速度计"（activPAL、ActiGraph、Axivity、GENEActiv、SENS motion、movisens、Shimmer、Actical、Fibion、Verily Study Watch），靠加速度计/陀螺仪原始信号，用算法把全天数据切成坐/站/躺/走几类，再算步数和能耗；精度对比金标准时常见指标能到85%~98%，但只戴大腿的设备分不清"坐"和"躺"，"站立"识别率也普遍偏低（70%~85%区间），这正是需要视觉信息补充的地方。另一拨是"动作捕捉金标准"（Xsens惯性动捕、Vicon光学动捕、APDM Opal步态分析），不做粗粒度的坐/站/躺分类，而是精确重建全身关节角度和步态参数，常被科研界当作验证前一拨设备准确率时的"裁判"。两拨设备的共同点：全靠固定部位（腰/大腿/腕/踝）的单点或多点惯性传感器，没有一个用第一视角摄像头，Relty 的胸前 AI Pin 方案在这个领域里没有直接对标物。

本节 19 条标注"未核实"，集中在 SENS motion、movisens Move 4 的价格来源和大型研究采用证据、Actical 传感器型号与停产具体日期、Verily Study Watch 定价等字段。

二、医疗级/远程监测可穿戴

这四家做的是贴在胸口或戴在手腕上的"医疗级"传感器，卖给医院、药厂做连续生命体征监测（心率、呼吸、体温、跌倒预警），大多已拿到FDA/CE认证，按患者/按天收费或一次性卖断，走的是医疗器械的路子，不是消费电子玩法。它们验证的核心是"测得准不准"（心率、呼吸、血氧这些数字），基本不做"坐/站/躺"姿态分类，这一点和 Relty 要做的"姿态+地点+活动量"不是一回事，参照价值主要在"怎么拿到医疗级认证""怎么和医院对接"上。

本节 5 处标注"未核实"：BioButton传感器型号与价格来源年份，VivaLNK具体定价，Byteflies姿态验证证据来源和价格来源年份。

三、消费级手腕/戒指/耳机可穿戴设备

这类设备的"姿态识别"其实都不是真的在识别姿态——几乎全部只用手腕/手指/耳道上的一个加速度计（少数加陀螺仪），靠"过去N分钟有没有动"这种粗粒度阈值判断是否久坐，逻辑高度趋同：苹果每小时未站立满1分钟提醒、Fitbit/Pixel Watch每小时未走满250步提醒、三星静止50分钟提醒、Garmin静止60分钟后提醒、Polar静坐55分钟提醒、Coros静止约50分钟提醒、华为/小米默认静止60分钟提醒——本质是同一套"整点计时器+运动阈值"参数微调。跌倒检测准确率在89%左右、假阴性率仍有16%，离医疗级有明显差距；活动能量消耗误差常超过20%。这些设备结构性做不到的是：只能猜"手腕/手指/耳朵在不在动"，猜不出人到底是坐、站、躺还是在做什么、在哪里，这正是 Relty 胸前摄像头+IMU 的差异化空间。

本节共 31 处标注"未核实"，主要集中在 Pixel Watch/三星Watch与Ring/Garmin主力表款价格、Polar/Coros/Ultrahuman的独立验证研究和大型队列采用情况、华为跌倒检测与"心脏健康研究"具体数字、小米/Amazfit的验证研究、AirPods跌倒检测功能和当前售价。华为心脏健康研究（Huawei Heart Study，房颤PPG筛查，已知发表于JACC 2019）本次因文献抓取受阻未能核实具体数字，不应用记忆中的数字顶替。

四、专门的体态/坐姿硬件

这一批里，专用传感器类硬件（Upright、Lumo、Alex+、Prana、ZIKTO）普遍是"单点检测+震动提醒"的简单逻辑，同行评审验证薄弱，且死亡率高——Lumo 已确认2018年停产，Darma、Alex+、ZIKTO 疑似停产但查不到官方公告。验证证据最扎实的反而是不主打"姿态"的 Hexoskin（官网称325+篇科研论文引用）和专业步态分析鞋垫 Moticon（有同行评审信效度验证），说明真正经得起学术检验的是用途明确、指标单一的生理/步态传感器，而不是消费级姿态提醒玩具。中国市场里，有道/作业帮/小度已经把"摄像头识别坐姿"做成规模化在售的消费级卖点，但都局限在书桌固定场景。

本节约 22 条标注"未核实"，集中在 Alex+ 的价格/在售状态、ZIKTO"Byte"型号是否存在、Darma 确切停产日期、智能座椅泛品类的价格与状态、儿童坐姿矫正器和学习灯类产品的第三方验证证据、Digitsole 专业版定价等。

五、非接触式感知

这类不用戴设备，靠毫米波雷达或WiFi信号隔空判断人在不在、在哪个房间、有没有摔倒，装在墙上或天花板，覆盖一个房间到一整层楼，便宜的几十美元一个。强项是"存在检测+跌倒/久坐提醒"，弱项是分不清是谁、看不清具体动作细节，而且很多厂商自称的"准确率"数字缺第三方论文验证——这份名单里同行评审证据最扎实的是 MIT Emerald 和 Google Nest Hub，营销数字最多、证据最少的是 Vayyar Care、Aqara FP2、Walabot。对 Relty 的参考价值主要在"怎么把位置/姿态判断做到低成本、隐私友好"，不是精度基准。

本节 19 处标注"未核实"，集中在 Vayyar Care/Walabot/Aqara FP2 的工作频段和第三方验证证据、Origin Wireless 授权费用、Emerald 定价、Nest Hub 当前售价和最新计费状态、Halo Rise 传感器细节来源。需特别提醒：Vayyar Care、TI 宣传语、Aqara FP2、Walabot 给出的"准确率"数字均为厂商自称、缺乏第三方同行评审验证；真正有扎实同行评审证据的非接触方案是 MIT Emerald（多篇顶刊）和 Google Nest Hub（百万小时级数据+多导睡眠图对照）。

六、第一视角/AI 伴侣硬件（与 Relty 形态最接近，重点）

这一类设备的佩戴位置和"贴身感知"思路和 Relty 最像，但绝大多数只做录音转录或对话助手，不做姿态/活动识别——这恰好是 Relty 的差异化空间。这类硬件 2023-2026 年经历了一轮集中的融资、发布、翻车、收购/转型，是判断"贴身 AI 硬件能不能活下来"的直接样本。老一代生活记录相机（SenseCam/Autographer/Narrative Clip）十年前就验证过第一视角相机可以用来做体力活动研究，但商业上全部失败。

七、佩戴位置对姿态和活动量判断的影响（手腕/大腿/腰/胸/头/耳对比）

同一颗加速度计，戴的位置不同，判断"坐/站/躺"和"做什么运动"的准确率能差出20-30个百分点。核心规律：越靠近躯干/大腿（重力方向随姿态变化最明显的部位），坐立判断越准；越靠外围（手腕、头/耳），运动类型识别越强但坐立判断越弱，因为手和头的动作跟身体姿态本来就可以是独立的（比如坐着也能大幅度挥手、转头）。

对 Relty 的意义：现有科研证据没有证明"胸部"是姿态判断精度最高的位置——大腿才是；但胸部是唯一能同时拿到躯干倾角信息+第一视角场景画面的位置，弥补了纯IMU方案"知道姿态但不知道在做什么/在哪"的短板。Relty 的准确率验证不能直接套用大腿设备的>99%指标做参照系，需要针对胸部+摄像头这个组合单独建立验证基准。

八、AI 伴侣硬件为什么大多失败或转型、对 Relty 的教训

把第六节里能查到明确结局的设备摆在一起看，失败或转型的原因高度集中在几点，和传感器精度、佩戴位置几乎无关：

1. 没有说清楚"每天离不开它"的场景：Humane AI Pin 定位是"替代手机"，但实际只能做语音问答和简单交互，评测普遍反映日常可用性差；HP 最终以1.16亿美元收购资产，远低于此前传闻的10亿美元估值（TechCrunch）。Rabbit R1 发售即热销（据报道售出10万-13万台），但核心的"大动作模型"智能体能力发售时并未成熟，此后两年靠软件更新（RabbitOS 2、Rabbit Intern）持续补课（Layer3Labs）。
2. "24小时监听/录制"的隐私观感是硬伤：Friend 项链因为"始终监听"的定位，在纽约地铁的广告被大量涂鸦抗议，产品被 Museum of Failure 收录为反面案例（Museum of Failure，TheNextWeb）。十年前的 Autographer、Narrative Clip 同样因为"随时拍摄"引发的社交尴尬和隐私顾虑，是它们商业化受阻的公认原因之一，最终两家公司都在2016年同期停止运营（Engadget）。
3. 硬件+强制订阅的组合放大了用户的价格敏感度：Humane AI Pin 硬件$699起，还叠加$24/月订阅才能用蜂窝网络等核心功能，是被普遍诟病的定价模式（9to5Google）。相比之下，Limitless、Plaud、Omi 等窄场景录音转录设备把订阅做成"可选增值"而非"必须才能用"，活得相对稳定。
4. 独立创业公司做"贴身AI硬件"很难撑住商业模式，往往被大平台并购收场：Bee 被 Amazon 收购（2025-07-22 宣布，交易在报道时尚未完成，TechCrunch），Humane 被 HP 收购。这类收购更多是团队和技术的并购价，不是产品本身跑通了商业闭环。
5. 唯一规模化跑通的路径是"寄生在已有的佩戴习惯上"：Meta Ray-Ban / Oakley Meta 之所以是目前用户规模最大的贴身AI摄像头产品，核心原因是它首先是一副眼镜（用户本来就有戴太阳镜/眼镜的习惯和理由），AI只是叠加功能，价格锚定在成熟的太阳镜品类（$299-$499），而不是"全新品类小工具"的定价逻辑（$199-$699）（Road to VR）。

对 Relty 的教训：胸前佩戴+摄像头+IMU 这个形态本身在学术上早有先例（SenseCam→Autographer→Narrative Clip 一脉相承），技术路线不是问题；真正决定生死的是三件事——有没有一个"不用它就难受"的日常刚需场景（而不是泛化的"AI助手"）、隐私叙事有没有在用户第一次看到设备时就讲清楚（谁能看到录像、数据存哪、能不能一键关）、以及硬件定价和订阅模式是否克制。这三条目前没有一个和"贴身传感器测得准不准"直接相关，说明 Relty 要过的坎更多在产品叙事和信任设计，而不只是姿态识别算法。