你的運動手錶說燃燒了 847 大卡，實際上只有 612 大卡

你手腕上的數字正在騙你

上週二我完成了 45 分鐘的飛輪課程，智慧手錶跳出恭喜訊息：消耗 523 大卡。感覺很不錯。然後我想起瀏覽器分頁裡那篇史丹佛研究——光學心率感測器在騎車運動時平均高估能量消耗 52%。我實際燃燒的熱量？大概只有 344 大卡左右。

這不是什麼小小的校準問題。2025 年發表在《Medicine & Science in Sports & Exercise》的驗證研究，用間接熱量測定法（測量實際氧氣消耗的黃金標準）測試了七款熱門穿戴裝置，結果發現每一款都有系統性高估的問題。每、一、款。

手錶顯示的數字和身體實際燃燒的熱量之間的落差，會帶來真實的後果。人們根據這些數字決定要吃什麼、計算熱量赤字、然後納悶為什麼算起來就是不對。

為什麼穿戴裝置會算錯：物理學的難題

有件事大多數健身科技公司不會大肆宣傳：從手腕動作和心率來估算卡路里消耗，真的很難。難到可以寫一篇博士論文的那種難。

你的手錶用演算法根據幾個輸入來預測能量消耗：心率、動作模式，可能還有你的年齡、體重和性別。但這些演算法通常是在實驗室環境下的跑步機走路來驗證的。現實生活根本不是那樣。

根本問題在於，心率和能量消耗的相關性……很鬆散。你緊張、喝了咖啡、脫水或看恐怖片時心率都會飆高，但這些都不會燒掉多少熱量。另一方面，重量訓練可以消耗大量能量，但在組間休息時心率幾乎沒有明顯上升。

2024 年《Journal of Personalized Medicine》的一項分析檢視了 23 篇驗證研究，找出三個主要誤差來源。騎車等活動時手臂移動造成的動作干擾會產生錯誤的加速度計讀數。光學感測器在深色膚色和有刺青的手腕上效果較差。而且那些群體層級的公式根本無法考量個人代謝差異，這個差異可以往任一方向偏移 15%。

各種運動的誤差率

不是所有運動都一樣會騙過你的手錶。各研究的模式很一致：活動越偏離穩定狀態的走路或跑步，估算就越離譜。

走路的誤差最小——通常高估 20-28%。演算法本來就是為走路設計的。跑步呈現類似的模式，根據配速和地形不同，高估約 25-35%。

騎車就開始奇怪了。因為你的手腕在把手上相對靜止，加速度計數據幾乎派不上用場。裝置幾乎完全依賴心率，而心率會受到騎乘姿勢、風阻、以及你是在爬坡還是滑行等因素影響。研究顯示騎車高估 40-52%。

重量訓練是最糟的情況。2025 年一項研究讓受試者配戴五款不同裝置進行標準化阻力訓練循環。平均高估：93%。有一款裝置顯示實際只燒掉 214 大卡的訓練消耗了 412 大卡。問題是結構性的——舉重時的心率反映的是憋氣和肌肉緊繃造成的心血管負荷，而不是有氧能量消耗。

高強度間歇訓練（HIIT）落在中間，高估 35-50%。高強度和休息之間的快速轉換會讓預期穩定狀態模式的演算法搞混。

個體差異讓情況更糟

群體平均值已經夠令人擔憂了。但真正讓人無法信任這些數字的是個體差異。

那篇《Medicine & Science in Sports & Exercise》的驗證研究包含 147 位不同年齡、身體組成和體能水準的受試者。同樣的 30 分鐘跑步機測試，個別裝置的誤差從 -12%（罕見的低估）到 +67% 高估都有。同一款裝置、同樣的活動，準確度卻因為配戴者不同而天差地別。

體能水準扮演重要角色。受過訓練的運動員往往會看到更大的高估，因為他們的心血管系統更有效率——在任何給定心率下，他們燃燒的熱量比演算法假設的一般人更少。一項研究發現前大學運動員的誤差率比久坐的受試者高出 41%。

身體組成也很重要。那些公式假設平均體脂率。如果你的肌肉量高於平均，你燃燒的熱量會比預測的多（罕見的低估）。體脂量高於平均？你的實際消耗就會低於估算值。

經過驗證的校正係數

研究人員已經開始發表校正係數，可以讓穿戴裝置的估算更接近現實。這些不完美，但比直接採信原始數字好多了。

走路和跑步，把裝置的卡路里估算乘以 0.75-0.80。顯示 400 大卡的跑步實際上是 300-320 大卡。這個校正在 2024 年《Journal of Personalized Medicine》分析中跨多個品牌都成立。

騎車，乘以 0.65-0.70。那趟 500 大卡的騎乘？大概是 325-350 大卡。

重量訓練的校正更激進：乘以 0.50-0.55。手錶說 300 大卡？預期 150-165 大卡。

HIIT 和混合活動，用 0.60-0.70。

這些係數來自多項研究中穿戴裝置估算與間接熱量測定法的比較。它們是群體平均值，所以個人結果會有差異。但會比原始數字更接近真實。

什麼方法真的更準

如果準確度對你很重要——對於體重管理來說，應該是要重要的——有一些替代方案比盲目相信手腕估算更好。

胸帶式心率監測器比光學手腕感測器的準確度提高約 15-20%。沒那麼方便，但電極接觸能提供更乾淨的心率數據，動作干擾更少。

騎車用的功率計測量實際的機械功輸出。45 分鐘平均 200 瓦代表大約 540 千焦的機械功，換算成大約 650-700 大卡的代謝消耗（考慮效率損失）。這比基於心率的估算準確多了。

重量訓練方面，基於時間的估算可能實際上比穿戴裝置更準。研究建議中等強度阻力訓練的粗略估算是每分鐘 4-6 大卡，根據體重調整。一個 68 公斤的人做 40 分鐘重訓大約燃燒 160-240 大卡。不精確，但比誇大的穿戴裝置數字更實際。

最準確的方法仍然是間接熱量測定法，但那需要價值數萬美元的實驗室設備。一些研究型大學和運動表現中心提供 3,000-10,000 台幣左右的代謝測試，可以建立你的個人基準。

趨勢數據的論點

穿戴裝置製造商經常用相對一致性來反駁準確度的批評。你的手錶可能高估 30%，但如果每次都高估差不多的幅度，你還是可以追蹤趨勢。

這個論點有道理。如果你週二跑步顯示 450 大卡，週四跑步顯示 480 大卡，週四的跑步可能確實更費力——即使兩個數字都灌水了。對於追蹤數週數月的體能進步，一致的高估比隨機誤差影響小。

但當你用這些數字做營養決策時，這個論點就站不住腳了。報告顯示每日活動消耗 2,400 大卡但高估 30%，意味著你實際上只燒掉 1,680 大卡的活動熱量。如果你把「運動消耗的熱量」吃回來，那就是每天 720 大卡的盈餘。一週下來，那是增加半公斤脂肪，而不是你預期的維持體重。

趨勢論點也假設各種活動的誤差率一致。但如果你某週騎車多一些，下週跑步多一些，誤差特性就會改變。「一致的」高估變得不一致了。

技術的發展方向

下一代穿戴裝置可能會解決其中一些限制。幾家公司正在開發多感測器方法，結合光學心率、皮膚溫度、皮膚電反應和血氧飽和度。理論是多種生理訊號可以區分真正的代謝需求和干擾因素。

在更大、更多元的數據集上訓練的機器學習模型在早期研究中展現潛力。2025 年一項使用個人化演算法的先導研究——根據個人自己的代謝測試數據訓練——將各種活動的估算誤差降低到 12-15%。但代價是：需要先用實驗室設備做一次校準。

一些研究人員正在探索用連續血糖監測作為能量消耗的替代指標。葡萄糖利用與代謝率相關，而 CGM 技術已經越來越準確。早期研究顯示有潛力，但關係夠複雜，消費者應用可能還要好幾年。

目前，誠實的答案是手腕式卡路里估算有根本性的限制，更好的演算法只能部分解決。

與不完美的數據和平共處

我還是戴著我的運動手錶。步數計算還算準確。心率趨勢幫我注意到自己是否過度訓練或快生病了。睡眠分析嘛……那是另一篇文章的主題了。

但我已經不再把卡路里數字當作可執行的數據。當手錶顯示 600 大卡的運動，我心裡記「大概 400-450」然後就算了。我不會把運動消耗的熱量吃回來。我不計算精確的赤字。

這項技術給我們精確的錯覺——一個可能偏差 30% 的數字卻顯示到小數點後好幾位。這種虛假的信心可能比沒有數據更糟，因為它鼓勵人們根據錯誤的輸入做決定。

在穿戴裝置準確度大幅改善之前，最有用的方法可能是把這些裝置當作它們實際上的樣子：粗略的趨勢指標，而不是代謝實驗室。你的身體正在燃燒熱量。你的手錶在猜有多少。這是兩回事。