How Wearables Track the Menstrual Cycle: The Sensors, the Algorithms, and the Accuracy Gap

可穿戴设备如何追踪月经周期：传感器、算法和准确度差距

2026年6月18日

/

#可穿戴设备

Shradha Puri

你的Garmin显示恢复状况不佳，WHOOP将你的一天标记为红色，你的静息心率偏高，HRV偏低，应用建议你休息。但问题是：你实际上并没有感觉不适。

对于处于生育年龄的女性来说，你的可穿戴设备很可能将黄体期的症状误认为是过度训练甚至生病的结果。这是因为这些技术很可能检测到了一个它实际上并不理解的症状。

让我们从传感器到算法，最后到准确度差距实际存在的地方，来了解这一现象是如何发生的。

目录

• 月经周期对生理指标的实际影响：静息心率和HRV（心率变异性）皮肤温度

• 可穿戴设备如何测量这些信号：PPG传感器及其实际捕捉内容 温度传感器：连续测量与点测量

• 算法的工作原理：基于日历的检测与基于生理的检测 机器学习如何分类周期阶段

• 为什么存在准确度差距

• 实际应用中周期感知算法的样貌

• 总结

月经周期对生理指标的实际影响

在深入探讨传感器和算法之前，先了解它们实际检测的内容。月经周期并不是可穿戴设备数据中的噪声，而是影响任何恢复或健康算法所依赖的生理状况的活跃因素。

有三个信号讲述着这个故事。

静息心率

使用连续可穿戴监测的多项研究已经确认，静息心率从卵泡期到黄体期会增加2-7 bpm。一项对91名女性的前瞻性研究发现，黄体期中期的静息心率比月经期高3.8 bpm。

心率变异性（HRV）

另一方面，HRV的变化方向相反。特别是，一项对超过1000名参与者的荟萃分析显示，从卵泡期到黄体期，迷走神经介导的HRV有所减少。

例如，一项研究报道，HRV的SDNN（标准差）从卵泡期的154 ms下降到黄体期的136 ms，这代表了12%的下降。孕酮是导致这种影响的原因。具体来说，它会触发肾素-血管紧张素系统（RAS），增加总血容量，提高HRj，减少副交感神经的影响。另一方面，雌激素会降低心率（负性变时效应），并导致HRV增加。

因此，在黄体期中期，你已经出现了静息心率升高但HRV降低的情况。对于不了解你处于月经周期哪个阶段的恢复算法来说，这种组合意味着压力、疾病或过度训练。

皮肤温度

在三个信号中，温度变化的研究最为详尽。由于孕酮的作用，排卵后基础体温升高0.3–0.7°C的现象已知超过100年，并构成了传统生育意识方法的基础。

我的Oura Ring数据也显示，皮肤温度通常在黄体期会升高。在排卵前，皮肤温度也倾向于短暂下降，这与雌激素引起的体温骤降有关。

关键点在于，这些信号在每个周期中以可预测的方式同时朝相同方向变化。当算法将这些指标单独处理时，其结构本身就是错误的。

可穿戴设备如何测量这些信号

PPG 传感器及其实际捕捉的内容

可穿戴设备测量心率和心率变异性（HRV）是通过光电容积描记法（PPG）实现的。这种传感器会发出 LED 光，通常用于心率测量的是绿色光，用于血氧饱和度（SpO2）测量的是红色和红外光，照射到你的皮肤上。由于血液的体积不同，光的吸收程度也不同，因此当心脏跳动、血液在毛细血管中流动时，从皮肤反射回来的光在每次心跳时都会有所不同。这种反射光的变化被称为 PPG 波形。

基于 PPG 波形数据，可穿戴设备会计算心跳间的时间间隔。虽然计算心率相对简单，只需计算每分钟的峰值数量，但 HRV 需要精确的时间，因为它测量的是连续心跳之间毫秒级的变化。这就是信号质量开始变得重要的地方。

传感器在皮肤上的位置也起着至关重要的作用。一般来说，像 Oura 和 Ultrahuman 这样的指环式设备，相比 Apple Watch、Garmin 或 WHOOP 等腕戴设备，能够提供更干净的 PPG 信号。手指部位的毛细血管密度更高，从而产生更大的脉冲幅度和更少的运动伪影。

腕戴设备通过更复杂的信号处理技术来弥补这一问题。但这样做总会有代价。例如，Oura Ring 4 为用户提供了具有自适应传感器配置的 18 路多层波长 PPG 传感器。

温度传感器：连续测量与单点测量

目前可穿戴设备中集成的温度传感器测量的是皮肤温度，而不是核心体温。这些被称为热敏电阻的传感器，能够通过检测电阻变化来识别温度波动。

尽管皮肤温度与核心体温之间存在一定的关系，但两者并不相同。皮肤温度会受到室温、天气状况以及皮肤表面周围血流变化引起的温度变化等因素的影响。

尽管如此，与传统的基础体温（BBT）测量相比，连续整夜监测皮肤温度可能会提供更准确的信息。在使用生育意识技术时，温度总是在每天早上起床前的同一时间测量。如果错过测量或睡眠质量差，可能会影响结果。

可穿戴设备采用不同的方法。通过整夜收集温度数据，它们可以识别长期趋势并减少短期波动的影响。

一些设备，如 Apple Watch Series 8 及更新型号、Fitbit Sense 和 Oura Ring，配备了温度传感器。大多数智能戒指追踪的是个体基础温度的变化，而不是绝对温度本身。这使得识别排卵后出现的温度升高变得更加容易。

算法的工作原理

基于日历与基于生理指标的检测

检测月经周期最基础的方式是基于日历模型。用户输入月经的第一天，应用计算平均周期长度，并据此预测排卵窗口。

像 Clue、Flo 以及苹果早期经期追踪应用都基于这种算法。这是一种非常简单的算法，完全不需要任何传感器数据。

日历算法的问题在于准确性。这类方法基于规律的周期进行运算，但对许多女性来说，这种规律并不存在。例如，在排卵检测方面，研究表明，仅使用日历方法的平均误差为 3.44 天。

此外，日历方法仅根据用户输入的日期预测月经周期阶段，而基于生理学的方法则分析传感器数据，如体温、心率和心率变异性（HRV），以检测排卵和与周期相关的生理变化。例如，Oura 利用心率和体温检测排卵，平均误差为 1.26 天。

机器学习如何分类周期阶段

机器学习算法不会使用单一指标来判断你在月经周期中的位置。相反，它们会分析从可穿戴设备获取的多个生理指标中的模式，例如皮肤温度、心率、心率变异性（HRV），在某些情况下还包括皮肤电活动（EDA）。

随着时间的推移，机器学习算法会逐渐识别出哪些周期阶段对应哪些生理模式。例如：

• 黄体期的特点是皮肤温度升高以及心血管指标的变化。

• 排卵会导致体温和心率模式的变化。

• 月经期则可能表现出自己独特的生理变化组合。

• 卵泡期通常最难识别，因为其生物特征并不明确，且往往与其他阶段的特征重叠。

一项 2025 年的研究发现，机器学习算法可以有效地确定月经期、排卵期和黄体期。当加入卵泡期后，结果的准确性有所下降。

由于这个原因，现代周期追踪应用变得越来越复杂，它们不再仅仅依赖于体温。设备每增加一个生理信号，识别月经周期阶段就会变得更加容易。

其他技术，如 Vivoo FlowPad，也在不断涌现，它们试图直接收集月经健康数据，而不是通过可穿戴传感器进行推断。

为什么准确性存在差距

可穿戴设备的问题在于，许多与月经周期阶段相关的指标并不专属于月经周期。

例如，静息心率高、心率变异性降低和皮肤温度升高这些指标可能在黄体期出现，但也可能由于其他多种因素而出现，包括疾病、睡眠不足、压力、饮酒，甚至时差。

月经追踪的另一个障碍是个人差异，因为一些女性在月经周期中可能会在体温和心率变异性方面出现显著变化，而另一些女性则可能变化很小。

这就是为什么大多数月经追踪算法需要个人基线而不是群体基线，这意味着从女性的月经周期中收集的数据越多，就越能准确识别她的个人模式。

直到2025年，大多数可穿戴设备都将周期追踪和恢复视为两个独立的概念。Oura成为首家将两者联系起来的大型公司。

其更新后的算法考虑了静息心率升高、HRV下降和体温升高等情况，这些在黄体期都很常见。它不再自动降低准备度评分，而是检查这些变化是否是月经周期的正常部分。

这减少了月经周期后半段出现错误低恢复评分的情况。2026年，Oura进一步推出了一款专门针对周期、生育、怀孕和更年期的人工智能模型。

WHOOP则通过其名为心血管幅度的指标选择了不同的路径，该指标在整个周期中测量心率和HRV变化。它不关注个别阶段，而是关注激素变化对整体生理状态的影响。

Natural Cycles成为首款获得FDA批准用于避孕的生育应用，它借助Apple Watch、Oura Ring、Garmin或其专用的NC Band等可穿戴设备的传感器收集用户的体温数据。

Garmin、Fitbit和三星也追踪月经周期，但这些洞察大多与它们的恢复和准备度指标保持独立。

总结

归根结底，这是可穿戴设备所采集的测量数据与恢复算法设计所处理的内容之间的不匹配。

PPG传感器和温度传感器使可穿戴设备能够检测整个月经周期中发生的变化，并且它们的性能已经足够好。多参数机器学习可以可靠地对周期阶段进行分类，特别是排卵期间发生的阶段。

但问题在于，许多恢复算法是基于偏向男性样本的数据进行训练的，其中激素周期的变化被视为噪声。这些恢复算法缺乏区分黄体期生理状态和疾病初期阶段的能力。传感器无法解决这个问题，但算法设计可以。

从使用可穿戴设备API开发健康应用的角度来看，我们已经可以访问到包含关于周期当前阶段信息的健康指标。Oura在特定端点中提供这些信息，Apple通过HealthKit的HKCategoryTypeIdentifier进行集成，WHOOP则将其整合到其恢复模型中。

这里的问题是，这些平台上的数据可以通过不同的API、数据模型和集成技术进行访问。尽管Oura、Apple HealthKit和WHOOP可能暴露相似的健康指标，但采样频率、预处理方法和指标定义仍可能存在差异，使得难以创建在不同平台上一致运行的算法。

这种缺乏标准化的情况也加剧了训练数据的问题。Oura、Apple Watch和WHOOP收集的数据并不总能轻松合并，因为每个平台存储和处理数据的方式不同。因此，研究人员和开发者在使用这些数据训练模型之前，需要进行额外的准备工作和数据标准化。

传感器和模型都在不断改进，但API的碎片化和训练数据的缺乏是真实存在的问题。这就是需要努力的地方。

你好，我是Shradha，一位专注于智能戒指、智能手表以及可穿戴技术新兴趋势的可穿戴科技撰稿人。

如果这篇文章对你有帮助，请分享它。

免费学习编程。freeCodeCamp 的开源课程已帮助超过 40,000 人成为开发者并找到工作。立即开始学习

ADVERTISEMENT