Votre Apple Watch se trompe sur votre sommeil profond — Dans quelle mesure, et à quoi se fier à la place

Vous vous réveillez, jetez un coup d'œil au graphique de sommeil de l'Apple Watch, constatez 1 heure 38 minutes de sommeil profond et vous vous sentez confiant quant à votre récupération. Ce chiffre — la tuile du sommeil profond spécifiquement — est presque certainement erroné. Pas légèrement erroné. Systématiquement, structurellement erroné, d'une manière qui importe si vous utilisez les données de sommeil pour décider de vous entraîner dur aujourd'hui.

Des études récentes contrôlées par polysomnographie ont chiffré cet écart. L'évaluation comparative de Berryhill et al. (2025) opposant six capteurs autonomes à la PSG a révélé que la plupart des appareils, y compris l'Apple Watch Series 8, différaient significativement de l'étalon-or concernant le temps de sommeil total, l'efficacité du sommeil, l'éveil après l'endormissement et la classification du sommeil léger. La méta-analyse du Journal of Clinical Sleep Medicine de 2025 portant sur 24 études et 798 patients a confirmé la tendance : les dispositifs portables surestiment le temps de sommeil total et l'efficacité du sommeil, sous-estiment l'éveil après l'endormissement et — spécifiquement pour l'Apple Watch — surestiment significativement le sommeil léger et sous-estiment le sommeil profond.

Dans quelle mesure se trompe-t-elle ?

L'étude de Berryhill a évalué 62 adultes (52 hommes, 10 femmes, âge moyen 46 ans) lors d'une session de PSG d'une seule nuit à l'Hôpital universitaire d'Anvers. L'Apple Watch Series 8 était l'un des six capteurs portables comparés au score EEG synchronisé. Le résultat : l'Apple Watch a surestimé de manière significative le sommeil léger (N1 + N2) et sous-classé le sommeil profond (N3). L'erreur absolue moyenne pour le sommeil profond n'a pas été publiée sous la forme d'un chiffre unique dans le résumé, mais le schéma était cohérent au sein de cette catégorie d'appareils.

La méta-analyse du JCSM a regroupé 24 études et 798 patients. La conclusion était unanime : les appareils portés au poignet surestiment le temps de sommeil total et l'efficacité du sommeil, sous-estiment l'éveil après l'endormissement et classent de façon erronée les phases de sommeil — l'erreur la plus constante étant la surestimation du sommeil léger et la sous-estimation du sommeil profond. Concernant l'Apple Watch spécifiquement, la méta-analyse l'a signalée comme étant significativement moins précise que certains concurrents sur la classification des phases, bien qu'elle demeure meilleure qu'une actigraphie pure.

L'étude comparative de 2024 de Brigham and Women's a confronté l'Apple Watch, Fitbit et l'Oura Ring à la PSG au sein d'un laboratoire unique. L'Apple Watch et Fitbit ont toutes deux surestimé significativement le sommeil léger et sous-estimé le sommeil profond. L'Oura Ring ne présentait aucune différence significative par rapport à la PSG pour le temps de sommeil total, l'éveil, le sommeil léger, le sommeil profond, le sommeil REM ou l'efficacité du sommeil — mais Oura utilise un emplacement de capteur différent (doigt contre poignet) et un algorithme distinct. La physique de la mesure du flux sanguin au niveau du doigt est plus simple qu'au poignet, où les artefacts de mouvement et la variabilité de la perfusion sont plus élevés.

Pourquoi la montre se trompe

L'Apple Watch déduit les phases de sommeil d'une combinaison d'accéléromètre (mouvement), de fréquence cardiaque optique (PPG) et de variabilité de la fréquence cardiaque (HRV). La PSG utilise l'EEG pour évaluer directement N1, N2 et N3 à partir de l'activité électrique cérébrale. Cet écart n'est pas quelque chose qu'une simple mise à jour logicielle peut combler totalement.

La PPG associée aux mouvements peut détecter l'état « endormi par rapport à éveillé » de manière raisonnablement précise. Elle ne peut pas séparer de façon fiable le NREM léger du NREM profond, car les différences physiologiques sous-jacentes — l'activité EEG à ondes lentes, le tonus musculaire, les schémas spécifiques de l'activité autonome — ne sont pas visibles au niveau du poignet. La montre détecte un corps immobile avec une fréquence cardiaque stable et une faible HRV. Ce schéma peut correspondre à du sommeil profond, tout comme il peut s'agir de sommeil léger chez une personne qui bouge peu. L'algorithme émet une conjecture, et il choisit « sommeil léger » plus souvent qu'il ne le devrait.

L'éveil classé à tort comme du sommeil léger, et le sommeil profond assimilé au sommeil léger — ces deux erreurs vont dans le même sens. La montre enregistre beaucoup de « sommeil léger » parce qu'elle regroupe le sommeil léger réel, une partie du sommeil profond et certains moments d'éveil calme. Le chiffre de sommeil profond que vous observez est le reliquat après ce regroupement, et il est systématiquement bas.

Ce que cela implique pour les décisions d'entraînement

Si vous utilisez votre chiffre de sommeil profond pour décider s'il faut vous entraîner dur ou lever le pied, vous optimisez sur la base d'un signal bruité. La mesure du sommeil profond d'une seule nuit peut comporter un écart de 20 à 40 minutes. Sur une semaine, l'erreur s'accumule de manière inégale — certaines nuits la montre s'en rapproche, d'autres nuits elle s'en éloigne, sans que vous n'ayez aucun moyen de distinguer les unes des autres.

Les informations de haute confiance au poignet sont le temps total passé au lit et la tendance de la HRV. Ce sont les chiffres de l'Apple Watch qui modifient l'entraînement. Le temps total passé au lit est assez bien corrélé avec le temps de sommeil total mesuré par PSG (bien qu'il le surestime encore légèrement). La tendance de la HRV, mesurée chaque matin de manière constante, reflète la récupération autonomique d'une manière que la répartition par phases ne permet pas.

La répartition des phases — en particulier la tuile du sommeil profond — doit être considérée comme une indication approximative et non comme une valeur calibrée. Si votre montre affiche 30 minutes de sommeil profond trois nuits de suite, vous ne bénéficiez probablement pas d'assez de sommeil profond. Si elle affiche 1 heure 40 minutes, vous pourriez aller bien ou vous trouver dans la même situation. La tendance sur une semaine l'emporte sur n'importe quelle nuit isolée.

À quoi se fier à la place

Le signal le plus exploitable provenant de votre montre pour l'entraînement n'est pas le graphique en camembert des phases de sommeil. C'est la combinaison de :

• Temps de sommeil total : Combien d'heures avez-vous réellement passé endormi au lit ? C'est le meilleur prédicteur individuel de la récupération du lendemain pour la plupart des pratiquants de musculation.
• Tendance de la HRV : Une moyenne glissante sur 7 jours de votre HRV matinale, mesurée régulièrement. Elle reflète l'équilibre autonomique bien mieux que la répartition par phases d'une seule nuit. Si vous observez une tendance à la baisse, c'est un signal réel incitant à réduire le volume d'entraînement.
• Ressenti subjectif : Comment vous êtes-vous réveillé ? La montre ne peut pas mesurer cela. Si vous vous sentez épuisé et que la montre indique que vous avez très bien dormi, fiez-vous à votre ressenti.

La répartition par phases est un élément accessoire, non indispensable. C'est la partie du tableau de bord de sommeil qui semble la plus informative alors qu'elle est en réalité la moins fiable.

Le problème du capteur portable comme tableau de bord

Il y a ici une question plus profonde qui dépasse l'Apple Watch. L'industrie des capteurs grand public nous a habitués à observer un tableau de bord de chiffres — phases de sommeil, scores de préparation, pourcentages de récupération — et à les considérer comme définitifs. Les chiffres sont colorés en vert, jaune, rouge. Ils s'accompagnent de messages de félicitations ou de légères incitations. L'expérience utilisateur est conçue pour vous donner le sentiment d'être informé, non pour vous amener à remettre en question les données.

C'est le problème de mémoire de Whoop appliqué au sommeil : l'appareil conserve le score de la nuit précédente, vous le présente avec une flèche de tendance, et vous prenez une décision sur cette base. Or, ce score s'appuie sur un modèle présentant des faiblesses connues et documentées. La composante du sommeil profond constitue la partie la plus fragile de ce modèle.

La meilleure approche consiste à utiliser la montre comme une entrée intégrée à un système qui comprend ses limites — et non comme un tableau de bord que vous interprétez vous-même. La montre collecte des données brutes. Une couche d'accompagnement qui sait quels signaux sont fiables (temps de sommeil total, tendance de la HRV) et lesquels sont bruités (répartition par phases) peut prendre de meilleures décisions que vous ne le feriez en fixant le graphique en camembert.

C'est là qu'intervient Dorsi. Je lis vos données de sommeil — temps total, HRV, tendance — et je ne vous montre pas la répartition par phases car elle n'est pas suffisamment fiable pour fonder une action. La décision concernant l'intensité de l'entraînement d'aujourd'hui est prise avant même que vous n'ouvriez l'application. Vous apportez la régularité. Je lis la montre.

La version condensée

Si vous ne devez retenir que quelques éléments :

• L'Apple Watch surestime le sommeil léger et sous-estime le sommeil profond. L'erreur est documentée dans des études contrôlées par PSG — Berryhill 2025 (n=62), méta-analyse du JCSM 2025 (24 études, 798 patients), étude comparative de Brigham and Women's 2024.
• La limite relève de la physique, non du logiciel. La PPG au poignet couplée à un accéléromètre ne peut pas séparer de manière fiable le NREM léger du NREM profond.
• Fiez-vous au temps de sommeil total et à la tendance de la HRV plutôt qu'à la répartition par phases. Utilisez la tendance sur une semaine, non une nuit isolée.
• Si vous vous sentez épuisé et que la montre indique que vous avez très bien dormi, fiez-vous à votre ressenti.
• La meilleure utilisation des données de sommeil est celle que vous n'avez pas besoin de scruter — lorsqu'elle oriente discrètement la séance du jour en arrière-plan.

Recherchez la maîtrise des facteurs d'entrée — régularité de l'heure du coucher, environnement de sommeil, gestion du stress — et les chiffres de sommeil suivront selon leur propre rythme. Cherchez à agir directement sur le chiffre du sommeil profond et vous passerez une année à optimiser un graphique pendant que le travail de récupération réel restera inaccompli.

Sources

L'évaluation comparative de Berryhill et al. (SLEEP Advances, 2025) opposant six capteurs portables à la polysomnographie constitue le jeu de données récent le plus net sur la précision du suivi des phases, avec 62 adultes évalués en milieu de laboratoire contrôlé. La méta-analyse du Journal of Clinical Sleep Medicine (2025) regroupant 24 études et 798 patients confirme la tendance : les dispositifs grand public portés au poignet surestiment le sommeil léger et sous-estiment le sommeil profond, l'Apple Watch étant spécifiquement signalée pour des erreurs de classification significatives. Les travaux de Brigham and Women's (2024) ajoutent une comparaison directe avec Oura qui suggère les domaines où les contraintes physiques s'allègent — la PPG basée sur le doigt surpasse celle basée sur le poignet pour la classification des phases, bien que l'écart reste notable pour l'ensemble des appareils au poignet.