戴上智能手錶，可以監測心率、跑步配速、深層睡眠時間等數據，看來十分方便。不過，美國密歇根大學一項研究報告指出，智能手錶測量個人健康、活動和運動表現的數據不可盡信，使用者須在智能手錶提供的數據中，懂得分辨手錶直接測量身體生理狀況的數值與按感應器接收到的訊號推算出來的估量。
在美國，每三個人之中有一人使用智能手錶。密歇根大學人體運動學助理教授Adam Lepley指出，智能手錶發展迅速，但評估其監測數據表現的研究卻追不上。他強調：「數據要有價值，在於有效、可靠和可詮釋，而不是單純方便快捷。」
他和團隊近日在學術期刊《Sensors》發表文章，分析智能手錶的測量和估算表現。文章首先解釋智能手錶如何生成各種數據，包括心率、能量消耗、帶氧能力、睡眠、體脂比例、動作機動性、血壓、流汗、水份和非入侵式血糖監測等。
該文章指出，智能手錶並不是大家想像中的「高智能」。Lepley教授表示：「智能手錶輸出的數據有些是感應器的實測結果，也有系統根據感應器接收的訊號，再加入用家個人資料和其他參數演算而成的。」他提醒大家不要將智能手錶提供的監察數據照單全收，在大部分情況下，智能手錶較適合用作監察個人在特定時段內的靜止心率、睡眠質素或活動表現趨勢。要精準的測量或醫學診斷，必須用專業評測儀器。因此，用家不必為智能手錶某一次測量讀數過分緊張。
智能手錶主要依靠多個感應器讀取訊息：光學感應器偵察手腕的血液流動狀況，動態感應器和GPS則追蹤用家的身體移動和位置等訊息。各智能手錶製造商都開發了自家的演算模型，將數據轉換成使用者易明的數值。一般而言，能量消耗、睡眠周期、體脂和肌肉分佈比率、身體水分，以及運動後建議恢復時間等數據牽涉較複雜的推算，製造商一般都不會公開演算方程式。相比之下，靜止心跳、計步器和跑步配速等數據的監察相對直接，亦較可靠。
智能手錶的移動、行走距離和速度等數據都是用感應器接收的訊息推算出來的。以戶外跑步為例，訊息主要來自GPS，當人造衛星訊號變弱或中斷時，手錶會轉為依靠「慣性數據」，例如從加速器提取踏步數據，藉以估計步數和步幅，位置和距離訊息則用手錶的回旋儀和磁力儀的訊息生成。
智能手錶提供的觸地時間和步幅相對其他行走數據的可信度較低。智能手錶偵測用家行走姿態時主要依靠用家擺手的律動估算步數，並用身高、步頻和模擬的步幅推算行走的距離，而不是記錄腳掌觸地次數。另外，依靠GPS收集數據有相當多局限，特別是高樓大廈或樹蔭會阻擋訊號，令測量失準。
醫學診斷用的睡眠測試方法（Polysomnography，簡稱PSG）的原理是偵測人體的腦電圖（EEG）、眼電圖（EOG）和肌電圖（EMG），按電流活動狀況分為「清醒」、「眼球快速轉動」和「眼球非快速轉動」三個階段。智能手錶無法收取以上的神經訊息，主要運用三軸加速速度計和感應器接收心血管數據（如心率和心率變化），推斷睡眠的結構。某些智能手錶會還用「呼吸速率」和「皮膚表面溫度」作為輔助參考。智能手錶的機械學習演算模型將以上訊息結合，將得出的數值與「睡眠階段」配對。
研究顯示，用智能手錶監測睡眠深淺度的準確度只及專業PSG的50%至86%。依靠動作推算的系統傾向高估睡眠時間和低估清醒時間，例如躺著不動的人，智能手錶會將他閱讀為睡著了；他半夜醒來，手錶亦未必會計算相關清醒時間。
不少跑步愛好者會用智能手錶記錄訓練和比賽的數據，並參考系統建議的恢復時間，以至人工智能設計的「個人化訓練課表」，其生成過程會用上由晚上至翌日早上的心率、心率變化、睡眠時間、睡眠質素和訓練強度等。每項所佔的比重因不同品牌和型號而異。根據一項比較10款智能手錶監測14項健康數據的表現測試報告，絕大部分的製造商都沒有披露推算方法和評測細項的比重。用家的移動方式、穿戴手錶鬆緊、氣溫、流汗、膚色、紋身和體脂比率等都可能影響智能手錶測量的準確度，而且各牌子智能手錶的感應器靈敏度不一，因此同一評測項目用不同智能手錶會結果迥異。
研究人員在文章總結，智能手錶製造商必須提供更強的驗證框架、提高演算法的透明度、提供標準化的報告，以及協調數據基建。穿戴式數據監測技術的發展，不論是應用在健康管理、復康或運動訓練，都應致力改善決策，例如用家在遇上緊急事故時，手錶會結合其健康數據和位置資訊，以助找出最佳應變方案。
