Quelle est la précision du score de sommeil profond de votre montre ou bracelet connecté ?

Le score de sommeil profond de votre appareil connecté est une estimation, et non une mesure directe du temps que votre cerveau a réellement passé en sommeil N3. Les montres et bagues connectées sont généralement plus fiables pour déterminer si vous dormez que pour identifier précisément le stade de sommeil. Une seule nuit indiquant « 43 minutes de sommeil profond » ne doit donc pas être interprétée comme un résultat de laboratoire du sommeil.

La question utile n’est pas de savoir si un chiffre isolé est parfaitement exact. Il faut plutôt vérifier si le même appareil montre, au fil du temps, un schéma stable et crédible, et si ce schéma correspond à votre ressenti. Ce guide mis à jour présente le contexte du marché, la chaîne de signal optique derrière le suivi du sommeil basé sur la PPG, les données issues des études de validation par PSG et la manière la plus prudente d’utiliser vos données.

Pourquoi les données de sommeil des objets connectés comptent davantage aujourd’hui

Le suivi du sommeil est passé d’une fonction de niche à un usage courant de l’électronique grand public. IDC prévoyait 537,9 millions d’unités de wearables expédiées dans le monde en 2024, dont 156,5 millions de montres connectées, 35,2 millions de bracelets et 1,7 million de bagues connectées. IDC anticipait également une croissance annuelle de 88,4 % pour les bagues en 2024, même si ce marché restait nettement plus petit, en volume absolu, que celui des montres et des appareils audio connectés [1].

Les estimations commerciales varient parce que certains rapports ne comptabilisent que les wearables de suivi du sommeil, tandis que d’autres incluent aussi les matelas, applications, capteurs et dispositifs cliniques. Grand View Research estimait le marché mondial des wearables de suivi du sommeil à environ 13,4 milliards USD en 2023 et prévoyait qu’il atteindrait environ 27,76 milliards USD en 2030, avec un taux de croissance annuel composé de 10,8 % [2]. Il s’agit d’estimations de marché, et non de preuves cliniques, mais elles montrent pourquoi la question de la précision est devenue importante à la fois commercialement et pour les utilisateurs.

Cette adoption apparaît aussi dans les données de population. Une étude représentative à l’échelle nationale aux États-Unis, fondée sur trois cycles du Health Information National Trends Survey, a montré que la part des adultes utilisant un wearable pour suivre leur santé est passée de 30,2 % en 2020 à 41,1 % en 2024 ; parmi les utilisateurs, 45,6 % déclaraient un usage quotidien en 2024 [3]. Le suivi à long terme peut faire apparaître la régularité des horaires, les variations de durée de sommeil et certains liens avec les comportements diurnes, mais ces données ne sont réellement utiles que si l’on comprend ce que les capteurs mesurent effectivement.

Les données longitudinales ne sont pas équivalentes à un diagnostic clinique. Par exemple, le All of Us Research Program a utilisé plusieurs années de suivi par wearables commerciaux pour étudier les associations entre habitudes de sommeil et risque de maladies chroniques. Une association observée dans un vaste ensemble de données ne prouve toutefois ni qu’un wearable a correctement mesuré l’architecture clinique du sommeil, ni qu’il a causé un résultat particulier [4].

Que mesure réellement votre wearable lorsqu’il affiche du sommeil profond ?

En laboratoire du sommeil, le sommeil N3 est identifié par polysomnographie (PSG). La PSG associe électroencéphalographie (EEG) pour l’activité cérébrale, électrooculographie pour les mouvements oculaires, électromyographie pour le tonus musculaire, ainsi que d’autres signaux tels que le rythme cardiaque, la respiration et la saturation en oxygène. Un technicien formé classe ensuite le sommeil en époques standard de 30 secondes.

La plupart des montres et bagues connectées grand public n’enregistrent pas d’EEG. Elles combinent généralement le mouvement, la photopléthysmographie (PPG), la fréquence cardiaque, la variabilité d’un pouls à l’autre et parfois la température ou des signaux liés à l’oxygène. Un algorithme propriétaire transforme ensuite ces signaux périphériques en stades de sommeil estimés.

Le message essentiel est simple : votre wearable ne « voit » pas directement le sommeil profond. Il reconnaît un profil physiologique que son algorithme interprète comme du N3. Une revue systématique de 2024 portant sur des wearables basés sur l’EEG a montré une forte variabilité de la précision à l’échelle des époques et a souligné que de nombreuses études de validation reposent encore sur des échantillons contrôlés en laboratoire plutôt que sur des populations diversifiées à domicile [5].

Des photons optiques aux pics de pouls

La PPG est une mesure optique des variations pulsatiles du volume sanguin. Des diodes électroluminescentes éclairent la peau et une photodiode mesure la quantité de lumière absorbée ou renvoyée. À chaque battement cardiaque, le volume de sang artériel varie légèrement, ce qui modifie la forme d’onde optique détectée. La lumière verte est souvent utilisée pour mesurer le pouls au poignet car elle peut fournir un signal pulsatile marqué ; les longueurs d’onde rouge et infrarouge sont fréquemment utilisées lorsque la saturation en oxygène est estimée.

La distinction technique importante est qu’un capteur PPG ne détecte pas directement l’onde R de l’ECG. L’onde R correspond au signal électrique de la dépolarisation ventriculaire et se mesure avec des électrodes. La forme d’onde PPG apparaît plus tard au niveau périphérique, car l’onde de pression se propage du cœur à travers le système artériel. Un algorithme PPG détecte donc le pied de l’onde de pouls, le pic systolique ou un point de repère dérivé mathématiquement, et non l’onde R électrique elle-même [6].

Lorsqu’un appareil intègre aussi une électrode ECG, il peut détecter plus directement les ondes R électriques. Avec un dispositif uniquement PPG, les termes les plus précis sont intervalle pouls à pouls et variabilité de la fréquence du pouls. Dans une communication grand public, appeler « HRV » la variabilité dérivée de la PPG peut être acceptable, mais la PRV et la HRV dérivée de l’ECG ne sont pas identiques en présence de mouvements, de variations vasculaires ou d’arythmie.

Des intervalles de pouls à la prédiction des stades du sommeil

Après rejet des artefacts et compensation des mouvements, l’appareil peut calculer des caractéristiques de fréquence cardiaque et de variabilité sur de courtes fenêtres temporelles. Celles-ci sont combinées à l’actigraphie et, selon le produit, à la température, à la saturation en oxygène ou à des variables respiratoires. Un classifieur produit ensuite une probabilité pour chaque stade de sommeil, souvent par époques de 30 secondes. Le sommeil profond est donc une inférence algorithmique tirée de profils cardiovasculaires et moteurs, et non une lecture directe des ondes lentes corticales.

Cette distinction explique pourquoi un capteur peut être utile pour suivre des tendances tout en ne reproduisant pas parfaitement la définition clinique du N3. La qualité du signal peut diminuer en cas de contact lâche, de faible perfusion périphérique, de peau froide, de position inhabituelle du poignet, de mouvement, de faible luminosité ambiante ou d’arythmie. Les algorithmes diffèrent également par leurs données d’entraînement, mises à jour logicielles, seuils et gestion des époques manquantes [7, 8].

Quelle est la précision des wearables pour suivre le sommeil profond ?

Détecter le sommeil est plus facile que détecter les stades du sommeil

Les wearables savent assez bien reconnaître des périodes prolongées d’inactivité associées à un profil cardiaque caractéristique. Dans une comparaison PSG de 2025 portant sur six dispositifs au poignet, tous ont détecté plus de 90 % des époques de sommeil PSG, mais la spécificité pour l’éveil n’était que de 29,39 % à 52,15 %, et l’accord global était faible à modéré [9]. Détecter le sommeil est un problème binaire ; distinguer le sommeil léger du N3 ou du REM est un problème multiclasse avec des signaux périphériques qui se chevauchent.

La précision du sommeil profond varie selon l’appareil et l’étude

Une étude indépendante de 2025 a comparé six dispositifs commerciaux à une PSG simultanée chez 62 adultes ayant passé une nuit en laboratoire du sommeil. Le tableau indique le pourcentage d’époques N3 selon la PSG que chaque appareil a correctement classées comme sommeil profond. Il s’agit d’un résultat propre à cette étude, et non d’un classement permanent des marques.

*Dans cette étude, Withings regroupait N3 et REM dans sa catégorie de sommeil profond ; sa valeur n’est donc pas parfaitement équivalente à une estimation N3 conventionnelle à quatre stades [9]. Les résultats peuvent varier selon la génération de l’appareil, le firmware, la version de l’algorithme, la population, les symptômes de troubles du sommeil, la composition corporelle et le protocole de l’étude. Une étude multicentrique de 2023 portant sur 11 dispositifs a rapporté des valeurs macro-F1 allant de 0,26 à 0,69, avec des performances variant notamment selon l’IMC, l’efficacité du sommeil et l’index d’apnées-hypopnées [10].

Votre total de sommeil profond peut sembler correct pour de mauvaises raisons

Supposons que la PSG enregistre 70 minutes de N3 et que votre wearable en indique 72. Cela ne prouve pas que l’appareil a correctement identifié le N3. Il peut avoir manqué 25 minutes de véritable N3 tout en classant à tort 27 minutes d’un autre stade comme sommeil profond. Les totaux sont proches, mais le moment et la classification sont incorrects.

C’est pourquoi les études de validation rapportent l’accord époque par époque, la sensibilité, la spécificité, le score F1, le kappa de Cohen et l’accord sur les mesures récapitulatives. Dans une étude de 2024 sur Oura Gen3, la sensibilité sommeil-éveil était d’environ 94 % et la précision globale du sommeil d’environ 92 %, mais le REM restait sous-estimé de plusieurs minutes sur 421 045 époques [11]. Dans une autre étude, les trois appareils testés présentaient une faible corrélation intraclasse pour les minutes de sommeil profond alors que la sensibilité sommeil-éveil dépassait 95 % [12].

Des travaux récents de l’IEEE aboutissent à une conclusion similaire du point de vue algorithmique. SleepPPG-Net a atteint un kappa médian d’environ 0,75 sur des jeux de données publics étiquetés par PSG, tandis qu’une étude externe de transfert d’apprentissage menée sur des dispositifs au poignet a rapporté un accord plus faible pour la PPG au poignet que pour les signaux cliniques [13, 14]. Une étude de 2025 sur une bague connectée, utilisant des étiquettes PSG synchronisées, a rapporté un kappa à quatre stades de 0,647 chez seulement neuf participants en bonne santé [15]. Ces résultats techniques sont prometteurs, mais ils ne prouvent pas que tous les scores commerciaux soient cliniquement interchangeables avec la PSG.

Que signifient les indicateurs de validation ?

La précision globale à l’échelle des époques peut sembler élevée lorsque la majorité des époques correspondent au sommeil plutôt qu’à l’éveil. Les études les plus informatives présentent des résultats par classe, des intervalles de confiance, des matrices de confusion, la méthode de cotation PSG et la version exacte de l’appareil et du logiciel. Un wearable peut bien correspondre à la durée totale de sommeil tout en classant incorrectement certains stades.

Que faire si votre wearable indique très peu de sommeil profond ?

1. Ne jugez pas une seule nuit. Les voyages, l’alcool, l’exercice tardif, la maladie, le stress, une chambre chaude ou un bracelet mal ajusté peuvent modifier l’estimation.

2. Vérifiez d’abord la durée totale de sommeil. Un temps de sommeil insuffisant, des réveils fréquents et des horaires irréguliers réduisent le temps disponible pour chaque stade. Consultez aussi le guide associé sur la quantité de sommeil profond nécessaire selon l’âge.

3. Observez les tendances avec le même appareil. Comparez plusieurs semaines enregistrées dans des conditions de port similaires. Ne comparez pas une nuit avec Apple Watch à une nuit avec Oura comme si leurs catégories de sommeil profond étaient directement interchangeables.

4. Comparez le chiffre à votre ressenti pendant la journée. Vigilance, concentration, somnolence et sensation de récupération apportent un contexte important.

5. Donnez la priorité aux symptômes plutôt qu’au score. Ronflements importants, suffocations, pauses respiratoires observées, insomnie persistante, mouvements inhabituels, somnolence diurne marquée ou diminution du fonctionnement en journée méritent une évaluation clinique. Un appareil grand public ne peut remplacer ni une PSG ni l’évaluation d’un professionnel de santé.

Certaines personnes développent une orthosomnie : elles voient un mauvais score dans leur application, s’inquiètent de leur sommeil et modifient sans cesse leur routine pour « corriger » le chiffre du lendemain. Utilisez le score comme un outil pour repérer des tendances, pas comme une note attribuée chaque nuit [16].

Quelles mesures de sommeil des wearables sont plus utiles que les minutes de sommeil profond ?

Un « 82 » chez Oura n’est pas la même mesure qu’un « 82 » chez Fitbit, WHOOP ou ZenoBand. Même lorsque deux marques utilisent la même appellation, elles peuvent appliquer des seuils, capteurs et données d’entraînement différents. Une méta-analyse de 2025 portant sur 24 études et 798 participants a trouvé des différences globales significatives entre les trackers au poignet et la PSG pour la durée totale de sommeil, l’efficacité du sommeil, la latence d’endormissement et le temps éveillé après l’endormissement [17].

Comment utiliser votre score de sommeil profond ?

Utilisez-le pour poser des questions pratiques : votre sommeil change-t-il lorsque votre heure de coucher devient régulière ? Une nouvelle routine coïncide-t-elle avec une durée de sommeil plus longue et moins de réveils ? Le changement se répète-t-il sur plusieurs semaines ? Ce sont des questions adaptées à un usage bien-être.

N’utilisez pas un score de sommeil profond pour diagnostiquer un trouble du sommeil, prouver une quantité exacte de N3, comparer des marques ou remplacer les symptômes et les examens cliniques. Une revue de l’état de la science publiée en 2024 a conclu que les wearables grand public peuvent être utiles pour observer les rythmes sommeil-éveil à long terme, mais que les données restent surtout issues d’adultes jeunes et en bonne santé dans des environnements contrôlés, et que la précision des stades varie fortement [7].

Si vous utilisez une routine de bien-être connectée comme ZenoWell taVNS avec des données compatibles issues de wearables, vous pouvez considérer le processus comme « Track, Understand, Improve » : suivre, comprendre et améliorer. ZenoWell taVNS est conçu pour fournir une stimulation transcutanée auriculaire du nerf vague douce et non invasive dans le cadre d’une routine personnalisée de relaxation et de bien-être du sommeil. Les données du wearable peuvent vous aider à suivre les variations de durée de sommeil, les réveils nocturnes, la fréquence cardiaque au repos et les tendances HRV/PRV, tandis que les séances de taVNS et les habitudes quotidiennes apportent du contexte pour déterminer si ces profils évoluent de manière cohérente.

L’objectif n’est pas de chercher à tout prix un meilleur score ni de considérer l’estimation du sommeil profond d’une seule nuit comme une mesure clinique. Utilisez plutôt des données répétées pour comprendre comment votre sommeil réagit aux changements de routine, au stress, à l’entraînement, à la régularité de l’heure du coucher et aux pratiques de bien-être. Cela crée une boucle de retour pratique : suivre le sommeil et les tendances physiologiques, comprendre les facteurs associés aux meilleures ou moins bonnes nuits, puis améliorer progressivement sa routine grâce à des ajustements réguliers et personnalisés. Les données ZenoWell taVNS et celles des wearables doivent soutenir, et non remplacer, une évaluation clinique en cas de troubles du sommeil persistants ou de symptômes préoccupants.

Questions fréquentes

Quelle est la précision des wearables pour suivre le sommeil profond ?

Ils sont généralement moins fiables pour déterminer le nombre exact de minutes de sommeil profond que pour distinguer sommeil et éveil. La précision dépend de l’appareil, de l’algorithme, de la population, des conditions de sommeil et de la méthode de validation.

La mesure du sommeil profond de l’Apple Watch est-elle précise ?

L’Apple Watch peut fournir des tendances personnelles utiles, mais sa valeur de sommeil profond reste une estimation algorithmique. Une étude PSG de 2024 a montré une forte sensibilité sommeil-éveil mais un faible accord sur les minutes de sommeil profond ; une seule nuit ne doit donc pas être interprétée comme un résultat de laboratoire.

La mesure du sommeil profond de l’Oura Ring est-elle précise ?

Oura a été validé par rapport à la PSG dans plusieurs cohortes et peut être utile pour un suivi longitudinal. Ses stades restent toutefois des prédictions, et les performances d’un modèle ou d’une version logicielle ne doivent pas être automatiquement extrapolées aux versions futures.

Pourquoi mon wearable indique-t-il presque aucun sommeil profond ?

Le résultat peut refléter un sommeil court ou fragmenté, des horaires inhabituels, un problème d’ajustement ou de capteur, une variation normale d’une nuit à l’autre ou une erreur de classification des stades. Si ce résultat persiste et s’accompagne de symptômes, discutez-en avec un professionnel de santé.

Un laboratoire du sommeil est-il plus précis ?

Pour l’architecture du sommeil et la stadification N3, oui. La PSG mesure l’activité cérébrale et d’autres signaux physiologiques utilisés pour la cotation clinique, ce qui explique pourquoi elle reste la méthode de référence pour la validation et le diagnostic.

À retenir

Les wearables rendent le sommeil plus visible, mais ils ne transforment pas une montre ou une bague en laboratoire du sommeil portable. Considérez les minutes de sommeil profond comme une estimation, privilégiez les tendances sur plusieurs nuits et la durée totale de sommeil, et utilisez vos symptômes, plutôt qu’un score propriétaire, pour décider quand demander un avis clinique.

Références

[1] International Data Corporation. (2024, September 26). IDC forecasts continued growth for wearables but growth will be uneven across product categories. https://s24.q4cdn.com/622300748/files/doc_news/IDC-Forecasts-Continued-Growth-for-Wearables-But-Growth-Will-Be-Uneven-Across-Product-Categories-2024.pdf

[2] Grand View Research. (2024). Wearable sleep trackers market to reach USD 27.76 billion by 2030. https://www.grandviewresearch.com/press-release/global-wearable-sleep-trackers-market

[3] Pedroso, A. F., Dhingra, L. S., Aminorroaya, A., & Khera, R. (2026). Wearable devices and data sharing in the US. JAMA Network Open, 9(6), e2617733. https://doi.org/10.1001/jamanetworkopen.2026.17733

[4] Zheng, N. S., Annis, J., Master, H., Han, L., Gleichauf, K., Ching, J. H., ... Brittain, E. L. (2024). Sleep patterns and risk of chronic disease as measured by long-term monitoring with commercial wearable devices in the All of Us Research Program. Nature Medicine, 30, 2648–2656. https://doi.org/10.1038/s41591-024-03155-8

[5] de Gans, C. J