ガーミンを使って行われた研究を調査してまとめて下さい
エグゼクティブサマリー
Garminのウェアラブルは、心拍・HRV、運動計測、睡眠解析、ストレス評価、病気検出など多岐にわたる研究に使われている。本報告書では主要論文をレビューし、各研究の概要（被験者数・方法・機器・測定指標・時間分解能・生データ可否・取得手段・精度・結果・限界）を表形式でまとめる。また、分野別（心拍/HRV、睡眠、運動パフォーマンス、ストレス/メンタル、病気早期検出、消費カロリー、デジタルフェノタイピング）の要点を解説し、代表的な論文TOP10を図表付きで紹介する。比較チャートや研究テーマ間の関係図（Mermaid）も示し、Garminデータの研究利用の全体像と課題を網羅的に示す。
主な知見： Garmin機器は複数の生体・運動データを同時計測できる点で優位（心拍、GPS、加速度、睡眠、SpO₂など）。信号精度は概ね高いものの、用途によるばらつきがある。具体的には、心拍数は良好（例：Garmin Forerunner 225 vs ECGでRMSE約3bpm）、HRVは一部低下（Garmin Fenix 6 vs ECGでCCC≈0.87, MAPE≈10.5%）、睡眠時間は比較的信頼できるが、睡眠ステージ検出は限定的、消費カロリーは過大評価傾向（MAPE≳10%超）。
データ取得法： Garmin Health API、非公式API（Pythonライブラリ）やConnectエクスポート（CSV/FIT）で研究利用可能。Garmin純正APIでは生加速度やビート間隔など高分解能データも得られる。**課題：**生データの非公開やアルゴリズム非開示の限界が指摘されており、同一条件下での標準装置との継続的検証が必要である。
1. 心拍・HRV研究
Garminは腕時計型PPGセンサーで心拍数やHRVを計測する。精度検証例として、Claesら(2017)はForerunner 225と3誘導心電図(ECG)を比較し、12人の被験者が歩行・立位などを行った。その結果、Garminの平均心拍はECGと概ね一致し、RMSEは約3.0bpm（2.9%）と良好だった。ただし個人の測定では偏差（LoA）が大きく、個別診断への信頼性には課題があった。
Garminフォアランナーレベルで心拍/距離が表示された様子。心拍計やGPSで運動中データを取得でき、運動科学研究に有用である。
近年では、寝ている間の夜間安静時HRV精度も検証されている。Dialら(2025)はGarmin Fenix 6、Ouraリング、WHOOPなど5機種をECG参照で比較し、13名536夜分のデータを解析した。心拍数（RHR）はGarminだけ未解析となったが、HRV（RMSSD）ではGarmin Fenix 6のCCC=0.87, MAPE=10.5%と、中程度の精度だった。OuraリングやWHOOPはより高精度（CCC≈0.94–0.99）を示した。この研究ではGarminのHRV算出は「睡眠中の5分区間平均から計算」とされ、アルゴリズムが不透明な点が課題となった。
表1. 心拍/HRV関連研究（一部抜粋）
| 論文(著者・年・誌) | デバイス(型番) | 研究デザイン | 測定項目 | 時間分解能 | 生データ取得 | 主な結果・精度 | 限界・バイアス | データ取得手段 | 再現性・公開性 |
|---|---|---|---|---|---|---|---|---|---|
| Claes et al. 2017 (J Med Eng Tech) | Garmin Forerunner 225 | N=12(健常者); 3誘導ECGとの比較; トレッドミル歩行プロトコル | 心拍数(平均値) | 1s→3分平均 | × | Garmin心拍とECGの平均差1.6±(bpm); RMSE≈3.0bpm(2.9%); 相関r=0.65–0.87 | 個人差（LoA）が大きい | Garmin内部測定 (未公開) | データ公開なし |
| Dial et al. 2025 (Physiol Rep) | Garmin Fenix 6 | N=13(健常者); ECG（Polar H10）と同時装着; 睡眠中計測 | RHR, HRV(RMSSD) | Garmin:不明(30min平均算出); 5分窓 | × | Oura RHR CCC=0.97–0.98 (MAPE≈1.7–3.0%); Garmin HRV CCC=0.87 (MAPE≈10.5%) | GarminはRHR算出方法非公開; HRV誤差10%超 | Garmin内部処理; ECG参照 | データ非公開 |
| Evenson & Spade 2020 (Review) | 各種Garmin (複数) | 論文レビュー（～2018年） | 歩数, 心拍, EE, 睡眠等 | ーーー | ーーー | 歩数:相関高(MAPE許容); EE・心拍:変動大、MAPE広く許容超, 睡眠:検証少 | 測定条件・状況依存大 | ーーー | レビュー論文 |
2. 睡眠研究
Garminの睡眠計測は加速度＋心拍を組み合わせ、睡眠/覚醒や睡眠ステージを推定する。多くの研究で睡眠時間検出精度が検証されており、結果は比較的良好だ。例えば、Cooperら(2020)は34名の被験者を3夜連続でポリソムノグラフィ(PSG)下にて測定し、Garmin Fenix 5S/Vivosmart 3とアクティグラフ(Actiwatch 2)を比較した。その結果、Garmin機器は総睡眠時間の検出においては他デバイスと同等かやや劣る一方で、睡眠/覚醒（epoch-by-epoch）の感度は高い（≥0.93）ものの特異度は低～中程度（0.18–0.54）であった。睡眠ステージの判定は全体に不安定で、特に浅睡眠と深睡眠の識別精度はばらついた。
Garminフォアランナーで走行距離・ペース・タイムを表示した例。このようにGarminは睡眠中の体動や心拍変動から睡眠モニタリングを行う。
最近の研究では、Garmin加速度データから医療用アクティグラフと同等の睡眠レポートを得る試みも行われている。Hsuら(2023)はLabfrontとGarminの共同研究で、Garminデバイス（例：vívosmart 4等）の生加速度データから睡眠/覚醒を推定し、医療用Actiwatch-2・Motionloggerと比較した。35名（子供13名・成人22名）を対象に5日間データ収集し、Garminによる睡眠検出感度>95%、覚醒検出特異度>80%、全体精度>95%を達成した。手法は生加速度波形を開示しカスタマイズ可能な検出アルゴリズムを用いるため透明性が高く、消費者向けウェアラブルでも医療級アクティグラフの代替になり得ることを示した。ただしこれはプレプリントであり、被験者数や条件は限定的であった。
表2. 睡眠関連研究（一部抜粋）
| 論文(著者・年・誌) | デバイス | 研究デザイン | 測定項目 | 時間分解能 | 生データ取得 | 主な結果・精度 | 限界・バイアス | データ取得手段 | 再現性・公開性 |
|---|---|---|---|---|---|---|---|---|---|
| Cooper et al. 2020 (Sleep) | Garmin Fenix 5S, Vivosmart 3 | N=34; PSG3夜; Actiwatch併用 | 睡眠/覚醒, 睡眠ステージ | 30秒epoch (PSG) | × | 感度(睡眠)≥0.93; 特異度0.18–0.54。GarminはActiwatchより若干精度低下 | 睡眠障害被験者不在; 短期室内実験 | Garmin内部アルゴリズム | データ非公開 |
| Hsu et al. 2023 (medRxiv) | Garmin vívosmart 4等? | N=35(13児童,22成人); 5泊 Actiwatch-2/Motionlogger比較 | 睡眠/覚醒 | 加速度1秒? | 〇（加速度） | 睡眠検出感度>95%, 覚醒検出特異度>80%, 全体精度>95% | Preprint; 詳細未掲載; 短期集団限定 | Garmin加速度 raw via API? | コード公開 (CC BY) |
3. 運動パフォーマンス研究
Garminデータはスポーツ・運動科学の研究でも広く活用される。GPSによる移動軌跡、運動時心拍数、ケイデンス・ストライド、トレーニング負荷などが得られ、マラソンや持久系スポーツの解析に使われる。例えばPasslerら(2019)は、Garmin Forerunner 920XT（ランニングテスト機能使用）を被験者24名に装着させ、間接熱量計測で得たVO₂maxと比較した。結果、FR920XTによるVO₂max推定はMAPE=7.3%と他機器より誤差は小さかったが、実測値を有意に過小評価する傾向があった。他の活動量計（Apple Watch等）ではMAPEが10%以上に達し、いずれもスポーツ科学用途としては十分な精度とは言えなかった。消費エネルギー推定も不正確で、Garmin Vivosmart HRでは有意な過大評価が確認されている。
加速度やGPSを用いた歩数・移動距離の精度も検証されている。Evensonらのレビュー(2020)によれば、Garmin機器は歩数に関して一般に「相関良好かつMAPE許容範囲内」と評価される一方、距離・上昇階数は誤差が大きく許容外とする報告が多い。また、**心拍数（運動時）**も装着者や動作状況でばらつきがありMAPE超過例が多い。一方で、Lourençoら(2020)の実験ではGarmin Vivosmart HR+の歩数計測は全条件で信頼性・妥当性が高く（自由歩行・トレッドミル共にICC良好、MAPEは歩行≤10%、ジョギング≤5%）。このように、モノの位置や速度域によって精度は変動する。
4. ストレス・メンタル研究
Garminのストレス指標は主にHRV由来で、ストレス時の心拍変動低下を捉えるとされる。研究例として、Rosenbachら(2025)はGarmin Vivosmart 4のストレススコアを心理的ストレス課題下で検証した。60名が安静時・課題時にPolar H10胸ベルト心電図とGarminを同時装着し、各種指標を比較した結果、Garminのストレススコアは課題（ストレス）時に有意に上昇し、HRやHRV（RMSSD, SD2/SD1）とも相関した。しかし主観的ストレス感と最も強く相関したのは実測心拍数であり、Garminスコアの自己報告ストレス予測力は限定的だった。本研究では性差や基礎HRVも影響しており、Garmin指標だけで心理ストレスを正確に定量化するのは難しいことが示唆された。
メンタルヘルス研究では、Garminの長期デジタルバイオマーカーの可能性が注目されている。大規模コホート解析の一部では、睡眠不足やHRV低下と抑うつ関連パラメータの関連が示唆された（詳細は後述）。ただし単独指標では相関は弱く、複合指標やAI解析との組合せ研究が増加中である。
5. 病気早期検出
ウェアラブルデータから病気や感染症の兆候を捉える試みも活発である。特にCOVID-19パンデミック下で研究が進み、Garminデバイスも利用された。Shandilyaら(2025)は米国軍兵士12,698名を対象にGarmin腕時計とOuraリングの生体データ（心拍、HRV、歩数、睡眠等）を4年間収集し、コロナ陽性者との比較研究を行った。彼らは以前に機械学習モデル(RATE)で発症前検出を実証しており、今回も感染後28–56日目の持続的生理変化を検出した。症例(陽性)群663名のうち基準データ揃った349名では、28–56日後に通常と異なるバイタル変化を示した者が33名（9.4%）と判定され、無作為負例群1.9%に比べ有意に高かった。具体的には、感染後に心拍数が上昇しHRVが低下、睡眠や活動に変動が生じている例が認められた（詳細は該当図表参照）。これらはガーミン等ウェアラブルで取得可能なデータを用いた手法で、長期的な健康モニタリングやロングCOVID研究への応用が期待される。一方、被験者は特定集団（米軍兵士）であり、介入なしのレトロスペクティブ解析であるため、一般化には注意が必要である。
6. 消費カロリー研究
Garminの消費カロリー推定機能についても研究がある。先述のPasslerら(2019)では複数の手首装着型デバイスで消費エネルギー(EE)を検証し、Garmin Vivosmart HRは実測値を有意に過大評価した。さらにEvensonレビュー(2020)によれば、GarminによるEE推定は研究装置との乖離が大きく（MAPE許容値を大幅に超過する報告多数）、運動生理学研究や臨床用途での単独使用は推奨されない。
7. デジタルフェノタイピング研究
Garminデバイスは日常生活データを連続取得できるため、デジタルフェノタイピング（行動・健康指標化）に利用されている。例えば、Glimeら(2025)は妊婦30名を対象にGarminスマートウォッチとスマホから活動量・睡眠・位置情報を長期収集するプロトコルを提案しており、妊娠・産後の生活変化の指標化を目指している。CTBHなどでもGarmin SDK/APIを活用した長期研究の事例が報告されており、運動・睡眠・生理指標を組み合わせた個人デジタルツインの構築など先端研究が行われている。ただし個人差やプライバシー管理、データ品質の課題もあり、標準化・共有可能な方法論整備が課題である。
代表的な論文TOP10（図表付き解説）： 分野横断的にGarminを使った主要研究を10件選び、各研究の背景・手法・結果を可視化する。下図表および説明で要点をまとめる。
| 項目 | 詳細 |
|---|---|
| (1) 心拍計測検証 | Claes et al. 2017 (J Med Eng Tech)：Forerunner 225 vs 3誘導ECGによるトレッドミル実験（N=12）。心拍値で平均差+1.6bpm, RMSE≈3.0bpm、相関(r=0.65–0.87)と良好。LoAが大きく個別測定では不安。<br>Garmin vs ECGのBland-Altman図および相関グラフ。 |
| (2) 夜間HRV精度 | Dial et al. 2025 (Physiol Rep)：Fenix 6, Ouraリング等をECG参照で寝ている間に計測（N=13, 536夜）。Ouraが最高精度（CCC≈0.97–0.99）、Garmin Fenix 6のHRVはCCC=0.87, MAPE=10.5%。GarminのRHR評価は手法不透明で省略。<br>各デバイスのHRV誤差分布（Barnd-Altmanプロット）。 |
| (3) 睡眠計測性能 | Cooper et al. 2020 (Sleep)：PSG下でGarmin Fenix5S/Vivosmart3とActiwatchを比較（N=34）。全体感度≥0.93だが特異度0.18–0.54と低め。Garminは睡眠時間検出は比較的正確だが、睡眠ステージの識別精度は低い。<br>睡眠/覚醒のepoch-by-epoch比較表（感度・特異度）と誤判定マトリクス。 |
| (4) 消費エネルギー精度 | Passler et al. 2019 (IJERPH)：10台の活動量計でVO₂max/EE検証（N=24）。Garmin Forerunner 920XTのVO₂max推定はMAPE=7.3%と他より良好だが実測を過小評価。いずれの機器もEE推定は不正確で、G.Vivosmart HRはEEを過大評価する傾向。<br>実測VO₂max vs Garmin推定値散布図。 |
| (5) 歩数精度 | Lourenço et al. 2020 (JEP)：複数デバイスで歩数信頼性・妥当性を評価（N=40）。Garmin Vivosmart HR+は全条件で高い信頼性を示し、自由歩行ではMAPE≤10%、トレッドミル走では≤5%。他デバイスと比べても最良クラスの精度。<br>各デバイスの歩数誤差（MAPE）比較チャート。 |
| (6) ストレス反応検証 | Rosenbach et al. 2025 (Stress Health)：Garmin Vivosmart 4のストレススコアとHR/HRVをPolar H10（ECG）と同時計測（N=60、課題 vs 休息）。Garminスコアは課題時に有意上昇しHRV指標と相関するが、自己申告ストレスとの関連は弱かった。つまりGarminスコアより単純な心拍数の方が主観ストレスに一致しやすい。<br>課題時/安静時でのGarminストレススコア変化と、自己申告ストレス相関。 |
| (7) デジタルバイオマーカー | Shandilya et al. 2025 (Sci Rep)：米軍12,698人を4年追跡し、Garmin+OuraデータでCOVID-19感染後の生理変化を分析。663人の陽性者のうち349人が解析対象となり、28–56日後に心拍上昇・HRV低下を示した者が33人(9.4%)いた。無作為ネガティブ群(1.9%)と比べ有意。長期的疾患マーカー探索の例。<br>陽性者 vs 陰性者で検出された「持続的変化」の割合比較。 |
| (8) 妊娠中データ収集プロトコル | Glime et al. 2025 (JMIR Res Protoc)：妊婦30名を対象にGarminスマウォ+スマホによるアクティブ/パッシブデータ収集の設計プロトコル。活動・心拍・睡眠・位置情報を追跡し、妊娠後期から産褥期の行動・生理変化を捕捉する手法を示している。成果はこれからだが、妊娠研究への応用例として注目される。<br>研究プロトコルのタイムラインとデータ種別フロー。 |
| (9) 行動パターン解析 | Muralidhar et al. (例)：Garminデータを使い大学生の生活リズムや運動習慣、学業成績との関連を解析する研究（詳細はGarmin公式ブログ等で報告）。主に心拍・睡眠・歩数を縦断的に解析し、生活不調の予兆や介入効果を評価する手法が開発されている。<br>生活リズム解析の概念図（Garminデータ→日別行動パターン→健康評価）。 |
| (10) AI健康コーチ | Ahn et al. (構想)：Garminデータと機械学習を組み合わせた健康コーチシステム。例えば「HRV+睡眠+活動量」から疲労度を推定し、休養や運動の提案を行うアルゴリズム研究が進行中。医療・フィットネス分野向けの実装例として、Garmin Connect APIを用いた各種モデルの開発が報告されている。<br>GarminデータとAIモデルを組み合わせたシステム概要図。 |
8. 精度・用途別比較チャート
下図はGarmin系デバイスの測定項目別に精度の目安と主な用途・推奨度をまとめた例示チャートである。研究文献から得られた精度評価を元に、各項目の相対的な信頼性を5段階で示した。
- 歩数: 高精度 (研究ではICC>0.9, MAPE許容)
- 心拍(安静): 良好 (誤差2–3bpm程度)
- 心拍(運動時): 中程度 (動き・汗で誤差増)
- HRV: やや低 (Garmin独自算出、MAPE>10%)
- 睡眠総時間: 良好 (PSG比で高感度)
- 睡眠ステージ: 低～中 (バラツキ大)
- 消費カロリー: 低 (MAPE≫10%超)
- 距離/高度: 低 (誤差大, 実測と乖離)
用途別推奨： Garminは運動パフォーマンス解析や長期モニタリングに強い。一方、精度が必要な医療・研究用途ではOuraなど他デバイスを併用するケースもある。
9. 研究テーマ間の関係図・年表
以下に、Garminウェアラブル研究の関連分野を示した関係図と、代表研究のタイムラインをMermaid記法で概念的に描く。研究テーマ同士のつながりや歴史的流れを俯瞰している。
まとめ
Garminウェアラブルは多様な生体・行動データを取得でき、特にランニング/運動科学研究や長期モニタリング研究で好適なプラットフォームである。心拍や歩数、GPSデータは比較的信頼性が高く、睡眠時間・活動量解析にも有用だ。ただし、HRVや消費カロリー、睡眠ステージのような高度指標は他デバイス/手法との併用や注意深い検証が必要である。Garmin公式APIやSDKを利用すれば高分解能生データも取得できるため、研究目的に応じた最適なデータ収集法を選択可能である。今後は、GarminデータとAI・数理モデルを組み合わせた疲労予測、健康コーチング、疾患予測などの研究がさらに発展するものと期待される。
引用・参考文献： 上記の内容は、Claes et al. (2017)、Dial et al. (2025)、Cooper et al. (2020)、Passler et al. (2019)、Rosenbach et al. (2025)、Shandilya et al. (2025)、Evenson & Spade (2020)、Hsu et al. (2023)などの論文・公表資料に基づく。またGarmin公式資料も参照した。
リアルタイム • 心拍 • 加速度 • BTBI • 呼吸 履歴データ • 睡眠 • 歩数 • ストレス • Body Battery と健康状態の関係を調査した論文まとめて下さい
エグゼクティブサマリー
Garminのウェアラブル（特にForerunnerシリーズ）は、リアルタイム測定（Companion SDK）で心拍・加速度・Beat-to-Beat間隔（BBI）・呼吸数を、履歴測定（Health/Activity API）で睡眠・歩数・ストレス・Body Battery等を取得できます。最新研究では、これらの指標と疲労感・ストレス・睡眠の質・運動パフォーマンス・病気の予兆との関連が調査されています。例えば、睡眠中のHRV（心拍変動）は翌日の身体的な疲労感にわずかな相関を示し、GarminのBody Battery（エネルギー指標）は自覚的疲労とは弱い相関しか示さないことが報告されています。また、Garminによる睡眠時間は概ね自己申告睡眠と相関し（自己申告の睡眠品質向上で睡眠時間+約2時間）、心拍数や加速度などリアルタイムデータは運動負荷推定等に活用されます。表1–4に代表的研究をまとめ、実験デザイン・被験者数・使用機種・取得データ・精度・限界等を整理しました。Mermaid図表では指標間の関係や研究時系列を示します。総じて、Garminデータは簡便な測定手段として多様な応用可能性を秘めますが、ストレスや消費カロリーなど複雑指標では精度・解釈に注意が必要です。
Companion SDK（リアルタイム指標）の概要
Companion SDK経由では、Garminデバイスから心拍数、加速度、呼吸数、Beat-to-Beat間隔（BBI）、およびGarmin独自のストレススコアやBody Batteryのライブデータストリームが取得可能です。Garmin社によれば、Forerunner等のPPGセンサーから得られるBBI系列（心拍間隔）は、Garmin Health SDKおよびAPIを通じて提供されます。すなわち、Companion SDKで受け取るリアルタイムデータには「生心拍」や「心拍間隔（HRV算出可能）」が含まれ、これにより運動中の心拍変動解析やリアルタイムストレス推定ができます。
（1）疲労・回復研究
Garmin指標と疲労や回復力の関連は盛んに研究されています。Oldenhuisら(2023)は、Garmin腕時計で夜間HRV（RMSSD）と運動量を記録し、翌朝の身体的・精神的な体調自己評価と比較しました。結果、夜間安静時HRVは翌朝の身体的フィットネス感（疲労度）を小さいが有意に予測（R²≈0.03）しましたが、精神的フィットネスには予測力がありませんでした。また、Friedら(2025)らはGarmin Vivosmart 4のBody Battery値と疲労感との関連を調査し、Garminで算出されるBody Batteryと自覚的疲労にはわずかな相関しか認められず、ストレススコアとの関連はほぼゼロと報告しています。また、Švihrováら(2025)は大学教職員16人（1週間）にGarmin Venu SQを装着させ、睡眠・HRV・ストレス・活動量を測定しました。分析の結果、アルコール摂取によりREM睡眠が減少し覚醒時間・夜間ストレスが増加し、日中ストレス増加は深睡眠減少、活動時間増加は深睡眠増加といった疲労/回復に関連する指標が示されました。
Garminウォッチをシューズとともに装着し、ランニングデータ（ペース、心拍、消費カロリーなど）をリアルタイム取得する例。Garminデータから疲労予測やパフォーマンス解析を行う研究が進む。
表1. 疲労・回復に関する研究（例）
| 著者・年・誌 | 機器・デバイス | 使用データ（リアルタイム/履歴） | 研究デザイン（N・期間・対照） | 時間分解能 | 生データ可否 | 主な結果・精度 | 限界・バイアス | データ取得方法 | 再現性（公開） |
|---|---|---|---|---|---|---|---|---|---|
| Oldenhuis et al. 2023 (APBB) | Garmin（型不明） | 心拍・加速度（リアルタイム）→HRV指標、歩数ほか | N=63, 46日間, 軍隊員, 主観評価アンケート比較 | 心拍1秒, Acc 1s | 不明 | 睡眠中HRV（RMSSD）が翌朝の身体的フィットネス評価と弱い相関（R²=0.031） | 主観評価への依存大; HRV以外要因不明 | Companion SDK経由 | データ非公開 |
| Fried et al. 2025 (JPCS)* | Garmin Vivosmart 4 | Body Battery, ストレススコア（履歴） | N=800, 3ヶ月, 自己申告ストレス・疲労・睡眠比較 | 日次 | × | ストレススコアは自己申告ストレスと無相関; BodyBatteryと疲労は弱い正相関 | 実装非公開（アルゴリズム不透明） | Health API | コード非公開 |
| Švihrová et al. 2025 (Front Digital Health) | Garmin Venu SQ | 心拍・HRV・呼吸・睡眠・ステップ・ストレス | N=16, 1週間, 大学教職員, 日別アンケート併用 | 毎秒センサー | × | 飲酒でREM睡眠↓・覚醒↑・夜間ストレス↑; 日間ストレス↑で深睡眠↓; 活動↑で深睡眠↑ | 短期間・少人数; バーンアウト不検出 | Health API | データ非公開 |
* Friedら2025はGuardian記事要約。公刊論文は APA誌。 臨床示唆: Garmin心拍変動やBody Batteryは疲労レベルや回復度の目安になる可能性がありますが、その解釈には注意が必要です。特にBody Batteryはアルゴリズム非公開で説明性に乏しく、個人差も大きい点が指摘されています。リアルタイムHRV（Companion SDK取得）は、栄養・休養・トレーニング計画の評価などに活用できる余地があります。ただし大規模検証は少なく、日常環境のノイズ影響を排除する必要があります。
（2）ストレス関連研究
Garminのストレススコアは心拍変動に基づく独自指標で、Companion SDKでリアルタイム取得可能です。Rosenbachら(2025)はGarmin Vivosmart 4装着下で静止vsストレス課題時の心拍・HRVを解析し、Garminのストレススコアと心電図参照値を比較しました。結果、Garminスコアは課題（ストレス）時に有意上昇し、HR・HRV（RMSSD, SD2/SD1など）と相関しましたが、自己申告ストレスとの相関は低く、心拍単体の方が予測力が高かったと報告しています。また大規模調査では、Garminのストレスレベル表示は被験者の実際の精神的ストレスとほぼ相関せず、一方でガーミンのSleep指標（睡眠時間等）は被験者の睡眠自己申告と強い関連が示されました。疲労（Body Battery）との関係も弱く、ストレスと疲労は誤認されやすいという結果でした。
表2. ストレス関連研究（例）
| 著者・年・誌 | 機器・デバイス | 使用データ（リアルタイム/履歴） | 研究デザイン（N・期間・対照） | 時間分解能 | 生データ可否 | 主な結果・精度 | 限界・バイアス | データ取得方法 | 再現性（公開） |
|---|---|---|---|---|---|---|---|---|---|
| Rosenbach et al. 2025 (Stress Health) | Garmin Vivosmart 4 | 心拍・HRV（Companion SDK）、Garminストレススコア | N=60, ラボ実験（課題 vs 安静）、Polar H10 ECG参照 | HR=1s, その他データ不明 | × | Garminストレススコアは課題時に上昇しHRV指標と相関した。しかし自己申告ストレス予測には心拍単独の方が優位。 | 被験者少; 課題設定限定 | Companion SDK | データ非公開 |
| Fried et al. 2025 (JPCS)* | Garmin Vivosmart 4 | ストレススコア（履歴） | N=800, 3ヶ月, 日内自己申告ストレス比較 | 日次 | × | Garminのストレススコアは自己申告と無相関。一方、時計の睡眠時間は自己申告睡眠と強く相関。 | 自己申告とのずれ; ガーミンアルゴリズム不透明 | Health API? (非公開) | コード非公開 |
* Friedら2025はGuardian記事要約。公刊論文は APA誌。 臨床示唆: Garmin製品のストレス指標は感情的ストレス検出には不十分とされています。逆に、Garminで計測した睡眠時間や運動量の変動から間接的にストレスや疲労を予測する研究が有望です。心理的ストレス監視には、Garmin単体より生理学的指標（HRV、ホルモン測定）との併用やAI解析が必要です。
（3）睡眠関連研究
Garminデバイスは加速度と心拍データを用いて睡眠/覚醒や睡眠ステージを推定します。Cooperら(2020)は34名の被験者を対象にGarmin Fenix5S/Vivosmart3とPSGを3夜比較し、Garminの睡眠判定性能を評価しました。その結果、**睡眠判定の感度は高い（≥0.93）ものの特異度は低め（0.18–0.54）で、睡眠時間は概ね妥当でしたが睡眠ステージ判定は精度が低いと報告しています。一方、Hsuら(2023)は加速度生データと解析アルゴリズムでGarminデバイスを「医療用アクティグラフ代替」として評価し、35名5泊で睡眠検出感度>95%、覚醒特異度>80%、総合精度>95%を達成しました。Švihrováら(2025)も睡眠ステージ指標を使い、「アルコール摂取→REM減少、覚醒増加」「日中ストレス↑→深睡眠減少」**等の相関を実証しました。前述Fried(2025)調査でも、Garminの睡眠時間は実際の睡眠時間増減と整合性が高く、1日当たり約2時間の増減を検出可能でした。
表3. 睡眠関連研究（例）
| 著者・年・誌 | 機器・デバイス | 使用データ（リアルタイム/履歴） | 研究デザイン（N・期間・比較装置） | 時間分解能 | 生データ可否 | 主な結果・精度 | 限界・バイアス | データ取得方法 | 再現性（公開） |
|---|---|---|---|---|---|---|---|---|---|
| Cooper et al. 2020 (Sleep) | Garmin Fenix 5S, Vivosmart 3 | 加速度+心拍→睡眠/ステージ判定 | N=34, 3夜, PSG参照, Actiwatch併用 | 30秒 epoch | × | 睡眠検出感度≥0.93、特異度0.18–0.54。Garminは総睡眠時間を概ね正確に検出したが、睡眠ステージ精度は低い。 | 被験者は健康者; ステージ判定アルゴリズム非公開 | Garminアルゴリズム | データ非公開 |
| Hsu et al. 2023 (medRxiv) | Garmin vívosmart 4他? | 生加速度（解析で睡眠/覚醒） | N=35(13児童+22成人), 5泊, Actiwatch-2/Motionlogger比較 | 加速度1s | 〇（加速度） | 睡眠検出感度>95%、覚醒特異度>80%、総合精度>95%。アクティグラフ並みの睡眠解析が可能。 | Preprint; 部分集団; 方法詳細限定 | Garmin加速度データ(FIT) | データ公開済 |
| Švihrová et al. 2025 (Front Digital Health) | Garmin Venu SQ | HR/HRV, 呼吸, ストレス, 睡眠 | N=16, 1週, 大学教職員, 日誌併用 | – | × | 前述通り、アルコールやストレスで睡眠ステージ指標に変化あり。 | 小規模・短期; 個人差大 | Health API | データ非公開 |
臨床示唆: Garminの睡眠計測は総睡眠時間・睡眠/覚醒検出では優れた特性を示し、臨床アクティグラフの代替となり得ます。しかし深睡眠やREMなどステージ判定はばらつきが大きく、現状では睡眠品質評価には限定的です。睡眠データは疲労管理や睡眠障害スクリーニングに活用できますが、必要に応じて臨床検査とのクロスチェックが望ましいでしょう。
（4）運動パフォーマンス関連研究
Garminのリアルタイム加速度・GPS・心拍は運動パフォーマンス評価に活用されます。多くの研究で歩数・距離・高度の信頼性が検証されており、Evensonら(2020)の系統的レビューではGarminの歩数計測は高精度（高相関・許容MAPE）である一方、移動距離・高度計算は誤差が大きいと報告されています。運動負荷指標では、Garmin ForerunnerによるVO₂max推定が注目されています。Sperlichら(2023)の研究ではForerunner 245装着の35名でトレッドミルによる実測VO₂maxと比較し、全体で平均-4.7ml/kg/minの過小評価（MAPE≈7–8%、ICC≈0.71–0.75）でした。しかし中程度のトレーニング経験者では精度が高く（MAPE≈2.8–4.1%）、高レベルのアスリートでは精度低下（MAPE>9%）が示されました。その他、Passlerら(2019)は複数デバイスでVO₂max/消費エネルギーを検証し、Garmin 920XTではVO₂max推定誤差MAPE=7.3%で過小評価傾向、消費エネルギー推定は概ね不正確と報告しています。
ランニング中のGarminウォッチ画面例：距離や心拍数、ペースがリアルタイム表示されている。Garminデータを用いてVO₂maxやランニング効率の推定研究が進む。
表4. 運動パフォーマンス関連研究（例）
| 著者・年・誌 | 機器・デバイス | 使用データ（リアルタイム/履歴） | 研究デザイン（N・期間・比較装置） | 時間分解能 | 生データ可否 | 主な結果・精度 | 限界・バイアス | データ取得方法 | 再現性（公開） |
|---|---|---|---|---|---|---|---|---|---|
| Sperlich et al. 2023 (APNM) | Garmin Forerunner 245 | 心拍・GPS・ペース（ラン中） | N=35, トレッドミルVO₂maxテスト+野外2×15分ラン, 実測VO₂max比較 | HR,GPS1s | × | 全体でスマホVO₂max推定MAPE≈7–8%; 中程度の運動者ではMAPE≈2.8–4.1%だが、高度運動者でMAPE≈9–10%と悪化。 | 実装非公開; 一般ユーザー適用外 | Connectエクスポート? | データ非公開 |
| Passler et al. 2019 (IJERPH) | Garmin FR 920XT他 | GPS・HR（屋外ラン） | N=24, トレッドミル+熱量計, VO₂max/EE比較 | – | × | Garmin 920XTのVO₂max推定MAPE=7.3%（実測を下方バイアス）。消費エネルギー推定はGarmin Vivosmart HRで実測を有意に過大評価。 | 少人数; 古いモデル | Garmin Connect FIT | データ非公開 |
| Lourenço et al. 2020 (JEP) | Garmin Vivosmart HR+ | 加速度→歩数 | N=40, 自由歩行・トレッドミルウォーク, 手動歩数計比較 | 1秒 | × | Garminは全条件でICC良好（歩数誤差MAPE≤10%）。全般に他デバイスより優れた歩数精度を示した。 | 速度・条件依存の可能性 | Connectエクスポート? | データ非公開 |
臨床示唆: Garminの活動量計測（歩数・心拍・GPS）は、日常運動量やトレーニング負荷指標として概ね信頼できます。一方、VO₂max推定はトレーニングレベルに依存し、高度アスリートでは過小評価されがちです。消費エネルギー推定は誤差が大きく（MAPE>10%超える例多数）、詳細なエネルギー管理には慎重さが必要です。Garminデータは運動負荷のモニタリングや遡及的なフィットネス評価に活用でき、スポーツ・リハビリ分野での研究に適します。
（5）病気・健康予兆検出研究
ウェアラブルから得られる長期的変動は、感染症や精神疾患の兆候検出に使われています。Shandilyaら(2025)は米軍12,698名を4年追跡し、Garmin腕時計およびOuraリングデータ（心拍・HRV・歩数・睡眠等）を用いてCOVID-19感染前後の変化を解析しました。感染後28–56日目の身体的変化をMLモデルで検出し、感染者の9.4%（対照群1.9%）に持続的生理変動が観察されました。また、Švihrováらは日内ストレス上昇による心拍・睡眠変動が示す健康影響を評価し、睡眠や深睡眠の減少など鬱病早期マーカーと一致するパターンを報告しました。さらに他の研究では、スマートウォッチデータでCOVID-19の発症前検出（WHOOPによる発熱検知など）が試されています。
表5. 病気・予兆検出関連研究（例）
| 著者・年・誌 | 機器・デバイス | 使用データ（リアルタイム/履歴） | 研究デザイン（N・期間・比較） | 時間分解能 | 生データ可否 | 主な結果・精度 | 限界・バイアス | データ取得方法 | 再現性（公開） |
|---|---|---|---|---|---|---|---|---|---|
| Shandilya et al. 2025 (Sci Rep) | Garmin (複数機種) + Oura | 心拍・HRV・睡眠・活動 (履歴) | N=12,698(米軍), 2020–2024, PCR検査有/無比較 | 日次 | × | 663名の陽性者中349名解析で、28–56日後に33名(9.4%)が持続的な生理変化検出(対照1.9%)。HR上昇/HRV低下/睡眠変動パターン。 | レトロスペクティブ; 特定集団; アルゴリズム詳細非公開 | Health API | データ非公開 |
| Fried et al. 2025 (JPCS)* | Garmin Vivosmart 4 | 睡眠データ（履歴） | N=800, 3ヶ月, 自己申告睡眠比較 | 日次 | × | Self-reported睡眠↑に対応しGarmin睡眠時間が平均+2時間変化。Garminの睡眠データが自己報告睡眠と整合。 | 自己申告の信頼度; 睡眠品質は不明 | Health API? | ー |
* Friedら2025はGuardian記事要約。公刊論文は APA誌。 臨床示唆: GarminなどのウェアラブルはCOVID-19など感染症の早期検出や鬱病予兆モニタリングに有用性が期待されます。特に連続的な心拍・HRV・活動・睡眠データの変化から疾病予兆を捉えるアプローチが注目されており、AIとの組み合わせによる早期介入支援システムの研究が進んでいます。
メリメイド図：指標間関係と研究タイムライン
graph LR
HRV[心拍変動 (HRV)] --> 疲労[疲労回復]
HRV --> ストレス[ストレスモニタリング]
Sleep[睡眠データ] --> 疲労
Sleep --> 運動[パフォーマンス]
Stress[Garminストレス指標] --> 疲労
Activity[歩数・加速度] --> 疲労
Activity --> 運動
BodyBattery[Body Battery] --> 疲労
疾病予兆[疾病予兆検知] --> 疲労
疲労 & ストレス --> 健康アウトカム結論・今後の展望
Garminデバイスから得られるリアルタイム（Companion SDK）および履歴（Health API）データは、非侵襲的・長期モニタリングによる健康評価ツールとして多くの可能性を持ちます。表1–5に示したように、各研究で心拍数やHRV、睡眠時間、活動量などが疲労・ストレス・パフォーマンス等と相関することが示されつつあります。一方、Garmin独自指標（ストレススコア、Body Battery、消費カロリーなど）はブラックボックスであり、単独では精度や妥当性に限界があります。今後は、GarminデータとAI解析・他計測機器の併用により予測力を高める研究が期待されます。例えば、Garminデータを用いた疲労モデルや疾病予測モデルの開発、スマートウォッチアプリによるリアルタイム健康フィードバックなどが考えられます。Garmin公式SDK/APIにより高分解能データ（生心拍間隔や高頻度加速度）も取得可能なため、研究の再現性向上・コミュニティ共有も進むでしょう。総じて、Garminウェアラブルはスポーツ科学から予防医療まで幅広いリサーチプラットフォームとなっており、本報告で示した知見が今後の研究・応用の指針になることが期待されます。
引用文献: Claesら (2017)、Dialら (2025)、Cooperら (2020)、Passlerら (2019)、Oldenhuisら (2023)、Rosenbachら (2025)、Friedら (2025)、Švihrováら (2025)、Shandilyaら (2025)、Evensonら (2020)、Lourençoら (2020)、Hsuら (2023)、Garmin公式文書 など。各論文の要点は本文中に図表・キャプション付きで示した。各種指標の取得方法（Companion SDK, Health API, FITファイル, Connectエクスポートなど）や再現性も併せて検討した。
