Clasificación del sueño con dispositivos vestibles: por qué el sueño profundo es difícil de medir

Tu dispositivo portátil por lo general puede indicar si dormiste. Le resulta mucho más difícil determinar si pasaste 83 minutos en sueño profundo.

En estudios recientes que compararon señales de dispositivos portátiles con polisomnografía (PSG), el estándar de laboratorio para medir el sueño, los algoritmos de cuatro etapas se situaron aproximadamente en el mismo rango: una exactitud del 75,3% al 80,8% y valores kappa de Cohen de 0,6151 a 0,70. Es una concordancia útil, pero no alcanza la concordancia esperada entre evaluadores humanos de PSG capacitados. El límite difícil es N2 frente a N3, o sueño de ondas lentas: la etapa que las aplicaciones de consumo etiquetan como «sueño profundo».

La conclusión práctica es menos espectacular que el marketing. Usa un dispositivo portátil para seguir patrones generales de sueño durante semanas. Considera el total de sueño profundo de una sola noche como una estimación ruidosa, no como una medición lo suficientemente precisa para orientar el entrenamiento de mañana, un experimento con alcohol o tu combinación de suplementos.

Sensores distintos, límites similares en cuatro etapas

Tres estudios de validación simultáneos con PSG obtuvieron resultados similares pese a utilizar distintos dispositivos, modelos y poblaciones de pacientes.

Zhang et al. (2026) probaron un modelo de aprendizaje profundo basado en Mamba en 357 participantes de una clínica del sueño. El dispositivo portátil ANNE One combinaba ECG torácico, PPG en el dedo, acelerometría y temperatura cutánea. Frente a la PSG, su exactitud equilibrada de cuatro clases fue del 75,30% y su kappa fue de 0,6151. Esta fue la configuración con más sensores del grupo, pero no superó a los estudios que usaban solo PPG.

Constantin et al. (2025) utilizaron PPG reflectante de la muñeca durante 68 registros nocturnos simultáneos con PSG. Su modelo de aprendizaje profundo alcanzó una exactitud de cuatro clases del 78,7% y un kappa de 0,68 frente a la PSG. En un análisis ambulatorio independiente a largo plazo, la concordancia sueño/vigilia alcanzó un kappa de 0,80 frente a la actigrafía. Esa cifra más alta no puede compararse con los resultados de PSG: la actigrafía es una referencia basada en el movimiento, no una medición directa de las etapas del sueño.

Aguet et al. (2025) evaluaron modelos de aprendizaje profundo basados en PPG durante una PSG clínica en 134 personas con sospecha de apnea del sueño. La PPG de muñeca alcanzó una exactitud de cuatro clases del 80,8% y un kappa de 0,70. La cohorte importa. La apnea del sueño puede fragmentar la variabilidad de la frecuencia cardíaca y la arquitectura del sueño, por lo que estos resultados no establecen el mismo rendimiento en adultos sanos.

Estas son comparaciones entre estudios, no una competición controlada entre sensores. Los estudios difirieron en arquitectura del modelo, datos de entrenamiento, colocación y población. Aun así, un sistema de ECG torácico más PPG en el dedo no superó claramente a la PPG de muñeca por sí sola. Más sensores pueden ayudar a determinados algoritmos, pero la evidencia actual no muestra que el número de sensores prediga de forma fiable una mejor clasificación del sueño en cuatro etapas.

La señal ausente está en el límite entre N2 y N3

El resultado más informativo surge al simplificar la tarea de clasificación. Zhang y sus colegas mejoraron de un kappa de 0,6151 para cuatro clases a 0,7289 para tres clases: vigilia, sueño NREM ligero y sueño REM. Eliminar el límite N2/N3 produjo una ganancia de aproximadamente 0,11 puntos de kappa.

Este patrón concuerda con la fisiología del sueño. En la PSG, N3 se define por actividad delta de gran amplitud en el EEG, normalmente en el rango de 0,5–4 Hz. El ECG, la variabilidad de la frecuencia cardíaca y la PPG capturan señales cardíacas y vasculares periféricas; no registran directamente esa actividad cerebral. Un modelo puede aprender correlaciones entre patrones autonómicos y etapas del sueño, pero la correlación no sustituye la señal que define N3 en primer lugar.

Esto no hace que los dispositivos portátiles sin EEG sean inútiles. La clasificación sueño/vigilia y la clasificación amplia vigilia-NREM-REM cuentan con mayor respaldo. Constantin et al. informaron un kappa sueño/vigilia a corto plazo de 0,71 frente a la PSG, mientras que el resultado de tres clases de Zhang fue de 0,7289. La evidencia respalda mejor las categorías amplias que una afirmación minuto a minuto sobre el sueño de ondas lentas.

Más datos de entrenamiento no han resuelto el problema

Pini et al. (2023) desarrollaron un algoritmo de clasificación de etapas basado en la frecuencia cardíaca utilizando 12.404 registros de PSG de clínicas de tres continentes, y luego lo validaron prospectivamente con un dispositivo portátil de ECG. La cohorte de entrenamiento tenía una edad media de 42,3 años, con una desviación estándar de 16,8 años, y el 59% presentaba trastornos respiratorios del sueño. El informe disponible no proporciona una cifra de kappa de cuatro clases para compararla directamente con los estudios anteriores.

Su valor es la escala, no un nuevo punto de referencia numérico. Un conjunto de datos de ECG mucho más grande y geográficamente más amplio estableció que la clasificación de etapas derivada de la frecuencia cardíaca es viable. No aportó evidencia de que las señales derivadas del ECG puedan distinguir con claridad N3 al nivel de la clasificación basada en EEG. La composición clínica también deja sin respuesta qué tan bien se transfiere dicho modelo a atletas sanos, adultos mayores sin trastornos respiratorios del sueño o adolescentes.

La colocación puede importar, pero el modelo determina cuánto

Aguet et al. observaron que trasladar el sensor de PPG de la muñeca a la parte superior del brazo redujo la exactitud en 6,2 puntos porcentuales y redujo el kappa aproximadamente un 10% en su modelo estándar de aprendizaje profundo. Sin embargo, un modelo basado únicamente en intervalos entre latidos eliminó esa penalización por colocación. El resultado no demuestra que la muñeca siempre supere a la parte superior del brazo; muestra que los efectos de la colocación dependen tanto del algoritmo como de la señal.

Los dispositivos en forma de anillo añaden otra cuestión sin resolver. La PPG en el dedo puede proporcionar una señal óptica potente, pero los estudios primarios anteriores no realizaron una comparación controlada entre dedo y muñeca utilizando las mismas personas y el mismo modelo. Svensson et al. (2024) evaluaron de forma independiente el Oura Ring Gen3 con su algoritmo OSSA 2.0 frente a PSG ambulatoria de varias noches en 96 participantes a lo largo de 421.045 épocas clasificadas. Es una valiosa validación comercial, pero no establece que la colocación en el dedo sea superior a la colocación en la muñeca.

Por qué la investigación publicada no puede certificar tu aplicación

Las principales marcas de dispositivos portátiles utilizan algoritmos patentados, datos de entrenamiento no divulgados y actualizaciones de firmware que pueden cambiar el rendimiento sin previo aviso. Por lo tanto, los modelos de investigación y los productos comerciales pertenecen a líneas de evidencia relacionadas pero separadas.

Existe validación comercial con PSG. Schyvens et al. (2025) compararon seis dispositivos comerciales de muñeca con PSG en 62 participantes. El mismo grupo de investigación también publicó una revisión sistemática de 2024 de Fitbit Charge 4, Garmin Vivosmart 4 y WHOOP frente a PSG. Lee et al. (2023) evaluaron prospectivamente 11 rastreadores de consumo portátiles, cercanos y ambientales frente a PSG.

Estos estudios muestran que los dispositivos comerciales pueden probarse frente a PSG. No crean una comparación directa y clara con los algoritmos de investigación de Zhang, Constantin o Aguet. La sensibilidad de N3 por etapa tampoco se informa de forma consistente en los estudios comerciales, por lo que ninguna cifra publicada puede indicarte exactamente cuánta confianza depositar en el gráfico de sueño profundo de una marca.

Cómo usar los datos sin engañarte

Las etapas del sueño de un dispositivo portátil se tratan mejor como estimaciones con distintos márgenes de error, incluso cuando la aplicación las muestra como minutos exactos.

• Usa el tiempo total de sueño y los patrones generales de sueño/vigilia como tus resultados más fiables.
• Revisa promedios móviles de 7 a 14 noches antes de interpretar un cambio en las tendencias de las etapas del sueño.
• No cambies un plan de entrenamiento ni un protocolo de suplementos porque una noche produjo un total de sueño profundo inusualmente bajo o alto.
• Prefiere validaciones revisadas por pares y comparadas con PSG que informen resultados específicos por etapa, en lugar de afirmaciones de exactitud del fabricante.

La evidencia podría cambiar. Un estudio de PSG en adultos sanos que muestre una discriminación de N3 sin EEG por encima de un kappa de 0,80, o una comparación controlada que muestre que un algoritmo comercial supera claramente los sistemas de investigación publicados, obligaría a una reevaluación. Ninguno de los dos resultados aparece en la evidencia actual. Por ahora, la interpretación honesta es simple: los dispositivos portátiles pueden ayudarte a seguir tu comportamiento de sueño, pero no pueden ver la señal de EEG que define el sueño profundo.