フィットネストラッカーが「847kcal消費」と表示。実際は612kcalだった件

手首の数字、実は嘘をついています

先週火曜日、45分間のサイクリングを終えました。スマートウォッチが「523kcal消費」と表示。達成感がありました。でも、ブラウザのタブに開きっぱなしだったスタンフォード大学の研究を思い出したんです。光学式心拍センサーはサイクリングの消費カロリーを平均52%も過大評価するという内容でした。実際の消費量は？おそらく344kcal程度。

これは単なるキャリブレーションの問題ではありません。2025年にMedicine & Science in Sports & Exercise誌に発表された検証研究では、7種類の人気ウェアラブルデバイスを間接熱量測定法（実際の酸素消費量を測定するゴールドスタンダード）と比較。結果、テストした全デバイスで系統的な過大評価が確認されました。例外なく、全機種で。

トラッカーが表示する数値と実際の消費カロリーの差は、現実的な影響をもたらします。多くの人がこの数字を基に食事を決め、カロリー収支を計算し、「なぜ計算通りにいかないんだろう」と首をかしげているのです。

ウェアラブルが間違える理由：物理学的な限界

フィットネス企業があまり宣伝しないことがあります。手首の動きと心拍数からカロリー消費を推定するのは、本当に難しいということ。博士論文レベルの難題なんです。

スマートウォッチは、心拍数、動作パターン、そして年齢・体重・性別などの入力データからエネルギー消費量を予測するアルゴリズムを使用しています。しかし、これらのアルゴリズムは通常、実験室環境でのトレッドミルウォーキングで検証されたもの。実生活とはまったく違う条件です。

根本的な問題は、心拍数とエネルギー消費量の相関が「緩やか」だということ。緊張しているとき、カフェインを摂取したとき、脱水状態のとき、ホラー映画を観ているとき——心拍数は上がります。でも、どれも大したカロリーは消費しません。一方、筋トレは休憩中の心拍数がほとんど上がらないのに、かなりのエネルギーを消費することがあります。

2024年のJournal of Personalized Medicine誌に掲載された分析では、23件の検証研究を調査し、3つの主要な誤差要因を特定しました。サイクリングなどで腕が動くことによるモーションアーティファクト（偽の加速度計データ）。光学センサーは肌の色が濃い人やタトゥーのある手首では精度が落ちます。そして、集団レベルの計算式は個人の代謝変動（±15%の幅がある）を考慮していないのです。

アクティビティ別の誤差率

すべての運動が同じようにトラッカーを騙すわけではありません。研究全体で一貫したパターンがあります。定常状態のウォーキングやランニングから離れるほど、推定精度は悪化します。

ウォーキングは最も誤差が小さく、通常20〜28%の過大評価です。アルゴリズムはこのために設計されています。ランニングも同様のパターンで、ペースや地形によって25〜35%の過大評価となります。

サイクリングになると話が変わります。ハンドルを握っている間、手首はほとんど動かないため、加速度計のデータはほぼ役に立ちません。デバイスはほぼ完全に心拍数に依存しますが、心拍数はライディングポジション、風の抵抗、坂を登っているか下っているかなどの要因に左右されます。研究では40〜52%の過大評価が報告されています。

筋力トレーニングは最悪のケースです。2025年の研究では、参加者が5種類のデバイスを装着しながら標準化されたレジスタンスサーキットを実施。平均過大評価率は93%でした。あるデバイスは実際の消費量214kcalのセッションに対して412kcalと表示。問題は構造的なものです。リフティング中の心拍数は有酸素性エネルギー消費ではなく、息を止めて筋肉を緊張させることによる心血管系への負荷を反映しているのです。

高強度インターバルトレーニング（HIIT）は中間的で、35〜50%の過大評価です。高負荷と休息の急速な切り替えが、定常状態パターンを想定したアルゴリズムを混乱させます。

個人差がさらに問題を複雑に

集団平均でさえ懸念される数値ですが、本当に信頼性を損なうのは個人差です。

Medicine & Science in Sports & Exercise誌の検証研究には、異なる年齢、体組成、フィットネスレベルの147名が参加しました。同じ30分間のトレッドミルプロトコルで、個人のデバイス誤差は-12%（まれな過小評価）から+67%の過大評価まで幅がありました。同じデバイス、同じアクティビティなのに、装着者によって精度がまったく異なるのです。

フィットネスレベルは大きな役割を果たします。トレーニングを積んだアスリートは、心血管系が効率的なため、より大きな過大評価を経験する傾向があります。アルゴリズムが想定する平均的な人よりも、同じ心拍数でより少ないカロリーしか消費しないからです。ある研究では、元大学アスリートは運動習慣のない参加者より41%高い誤差率を示しました。

体組成も重要です。計算式は平均的な体脂肪率を想定しています。平均より筋肉量が多ければ、予測より多くのカロリーを消費します（まれな過小評価）。平均より脂肪量が多ければ、実際の消費量は推定値を下回ります。

エビデンスに基づく補正係数

研究者たちは、ウェアラブルの推定値を現実に近づける補正係数を発表し始めています。完璧ではありませんが、生の数値をそのまま信じるよりはましです。

ウォーキングとランニングの場合、デバイスのカロリー推定値に0.75〜0.80を掛けてください。表示された400kcalのランニングは、実際には300〜320kcalになります。この補正は2024年のJournal of Personalized Medicine誌の分析で複数のデバイスブランドで有効でした。

サイクリングの場合、0.65〜0.70を掛けます。500kcalのライドは、おそらく325〜350kcalです。

筋力トレーニングの補正はより大きく、0.50〜0.55を掛けます。ウォッチが300kcalと表示したら、150〜165kcalと考えてください。

HIITや複合的なアクティビティには0.60〜0.70を使用します。

これらの係数は、複数の研究でウェアラブル推定値と間接熱量測定を比較して導き出されたものです。集団平均なので個人差はありますが、生の数値よりは実際に近づきます。

より正確な方法

精度が重要な場合——体重管理においてはおそらく重要でしょう——手首ベースの推定を盲信する以外の選択肢があります。

胸部ストラップ式心拍計は、光学式手首センサーと比較して約15〜20%精度が向上します。便利さは劣りますが、電極接触によりモーションアーティファクトの少ないクリーンな心拍データが得られます。

サイクリング用のパワーメーターは実際の機械的仕事出力を測定します。45分間で平均200ワットは約540キロジュールの機械的仕事を表し、効率損失を考慮すると約650〜700kcalの代謝消費に相当します。心拍数ベースの推定よりはるかに正確です。

筋力トレーニングでは、時間ベースの推定がウェアラブルを上回ることがあります。研究によると、中強度のレジスタンストレーニングで1分あたり約4〜6kcal（体重で調整）という概算が示されています。体重68kgの人が40分間のリフティングを行うと、約160〜240kcalの消費。正確ではありませんが、膨らんだウェアラブルの数値よりは現実的です。

最も正確なアプローチは間接熱量測定ですが、数百万円する実験室機器が必要です。一部の研究大学やスポーツパフォーマンスセンターでは、1〜3万円程度で代謝テストを提供しており、個人のベースラインを確立できます。

「トレンドデータ」という反論

ウェアラブルメーカーは、精度への批判に対して相対的な一貫性を強調することがあります。ウォッチが30%過大評価していても、毎回ほぼ同じ割合で過大評価するなら、トレンドは追跡できるという主張です。

この主張には一理あります。火曜日のランニングが450kcal、木曜日が480kcalと表示されたら、木曜日の方がおそらくハードだった——両方の数値が膨らんでいても。週や月単位でフィットネスの進捗を追跡する場合、一貫した過大評価はランダムな誤差ほど問題になりません。

しかし、これらの数値を栄養の判断に使う場合、この主張は崩れます。報告された1日のアクティブカロリー消費2,400kcalに対する30%の過大評価は、実際には1,680kcalしか消費していないことを意味します。「運動で消費したカロリー」を食べ戻していたら、それは1日720kcalの余剰。1週間で、期待していた維持ではなく約0.5kgの脂肪増加につながります。

トレンドの主張は、アクティビティ間で誤差率が一定であることも前提としています。しかし、ある週はサイクリングが多く、次の週はランニングが多ければ、誤差のプロファイルは変化します。「一貫した」過大評価が一貫しなくなるのです。

テクノロジーの今後

次世代のウェアラブルは、これらの限界の一部に対処するかもしれません。複数の企業が、光学式心拍数と皮膚温度、皮膚電気反応、血中酸素飽和度を組み合わせたマルチセンサーアプローチを開発しています。理論的には、複数の生理学的信号が真の代謝需要と交絡因子を区別できるというものです。

より大規模で多様なデータセットで訓練された機械学習モデルは、初期研究で有望な結果を示しています。2025年のパイロット研究では、個人の代謝テストデータで訓練されたパーソナライズドアルゴリズムが、アクティビティ全体で推定誤差を12〜15%に削減しました。ただし、実験室機器での初期キャリブレーションセッションが必要という条件付きです。

一部の研究者は、エネルギー消費量の代理指標として持続血糖モニタリング（CGM）を探索しています。グルコース利用は代謝率と相関し、CGM技術はますます正確になっています。初期研究では可能性が示されていますが、関係性は複雑で、消費者向けアプリケーションまでには数年かかりそうです。

現時点での正直な答えは、手首ベースのカロリー推定には根本的な限界があり、より良いアルゴリズムでも部分的にしか対処できないということです。

不完全なデータとの付き合い方

私は今でもフィットネストラッカーを着けています。歩数はそこそこ正確です。心拍数のトレンドは、オーバートレーニングや体調不良に気づくのに役立ちます。睡眠ステージングは...まあ、それはまた別の記事で。

でも、カロリーの数値を行動の根拠にするのはやめました。ウォッチが600kcalのワークアウトと表示したら、「たぶん400〜450kcalだな」と心の中でメモして終わり。運動で消費したカロリーを食べ戻すことはしません。精密な収支計算もしません。

テクノロジーは精度の幻想を与えてくれます——おそらく30%ずれている数値に有効数字4桁。この偽りの確信は、データがないよりも悪いかもしれません。誤った入力に基づく判断を促すからです。

ウェアラブルの精度が大幅に向上するまで、最も有用なアプローチは、これらのデバイスを本来の姿として扱うことかもしれません。大まかなトレンド指標であって、代謝研究所ではないのです。あなたの体はカロリーを消費しています。ウォッチはその量を推測しています。それは別物なのです。