传统脑健康评估如同“断点式体检”，难以捕捉日常波动。一项长达10个月的追踪研究证实，仅凭智能手表与手机的被动数据，就能以低误差预测认知与情感状态，为实现全天候、低成本的脑健康监测与早期预警提供了可行路径。
智能速览
长达10个月的研究证实，消费级设备可预测脑健康状态。
被动数据对主观认知衰退报告的预测误差低至3.22%。
环境因素解释个体差异，生理节律捕捉个体内部变化。
该技术有望推动脑健康管理从“被动治疗”转向“主动预防”。
自我报告的主观感受比客观任务表现更易于被精准预测。
精华内容
一项长达10个月的追踪研究证实，日常使用的智能手表与手机所收集的被动数据，能够以较低误差预测认知与情感状态，为脑健康监测从实验室走向日常生活提供了关键证据。
脑监测的现实困境
大脑的认知与情绪状态并非一成不变，它会像天气一样日常波动。然而，当前主流的脑健康评估方式，是前往医院或实验室进行“一次性”检测。这种方式不仅成本高、效率低，更像是在一部连续电影中随机截取一帧，难以全面反映个体的真实状态，更无法在健康轨迹出现早期偏离时及时发出预警。
因此，学界和业界一直在寻找一种能够融入日常生活、低负担且连续的监测手段，像记录步数一样，默默记录大脑的健康波动。
关键实验与精准发现
为验证这一构想，研究团队招募了82名认知健康的成年人，进行了为期10个月的纵向追踪。研究持续收集了来自智能手表和智能手机的40项被动数据，覆盖了行为（睡眠、活动）、生理（心率）及环境（天气、污染）三大维度，数据覆盖率超过96%。
同时，研究分四次收集了21项主动认知与情感指标。结果显示，在用户依赖交叉验证中，被动数据对全部21项结果均展现出显著预测力，缩放平均绝对误差（SMAE）介于3.22%至25.33%之间。其中，对主观“认知衰退”报告的预测误差仅为3.22%，对焦虑、抑郁等情感指标的预测误差也大多控制在5%至10%，精度极高。
数据价值的深度解析
深入分析发现，不同数据源的解释力各有侧重。环境因素，如空气污染物与天气，在解释“人与人之间的差异”（即个体基线）方面贡献最大，这符合长期环境影响健康基线的理论。而生理与行为节律，如24小时心率变化和睡眠模式，则更能捕捉“同一个体随时间的变化”。
具体而言，空气污染物和24小时心率是预测日常认知功能波动的核心特征，而睡眠期间的心率特征对于区分不同个体的情感特质尤为重要，表明夜间自主神经的恢复能力是情绪调节的重要生理基础。
未来医疗的革新图景
这项研究的价值远不止于学术验证，它为未来的个性化医疗描绘了新蓝图。基于消费级设备的数字生物标志物技术，有望将脑健康管理从“症状出现后干预”的被动模式，转变为“日常数据驱动的主动预防”模式。
这种技术可作为全天候的“数字分诊”工具，帮助医疗系统在临床症状显现前，筛选出需要重点关注的潜在高风险人群，实现更精准的健康管理。同时，研究也强调了将环境暴露因素纳入神经健康风险评估体系的重要性。
