把一天攤成四條泳道 左側是四個資料來源的讀數:站立 47 分鐘、Mac 活躍 6 小時 12 分、環境噪聲 58 分貝、心率 72。右側是從早八點到晚十點的四條時間線:姿態條上零星幾段站立,螢幕條上三大段活躍,噪聲曲線在通勤和午飯時升高,心率曲線隨之起伏。 姿態 stand 47 min 螢幕 active 6h12m 噪聲 58 dBA 心率 72 bpm 08:00 → 22:00 · 一臺表、一部手機、一臺 Mac

手腕上的 Apple Watch 每天告訴我“站立 10 小時”,Mac 的螢幕使用時間又說我今天用了 7 個多小時。兩個數字放在一起就很奇怪:一天醒著十五六個小時,站了 10 個小時,又在電腦前坐了 7 個小時,加起來已經快滿了,那吃飯、通勤、開會都去哪了?

我真正想知道的是這麼幾件事:

  1. 一天裡到底站了多久、坐了多久?
  2. 在螢幕前工作了多久?不同時間段裡,工作狀態怎麼樣?
  3. 當時周圍的環境怎麼樣,比如有多吵?
  4. 手上只有 iPhone、Apple Watch 和 MacBook,能不能把這一天完整還原出來?有沒有現成的軟體已經做到了?

本文就順著這幾個問題,從每臺裝置“到底記下了什麼”開始,一層一層往下拼。


一、站立與久坐:手錶到底測了什麼

現象:站立 10 小時,不等於站了 10 小時

先看那個“站立 10 小時”。它來自活動圓環的第三環,對應 HealthKit 裡的 appleStandHour。Apple 的定義是:這一小時裡站起來並活動了至少 1 分鐘,就算一個站立小時1。所以“站立 10 小時”的真實含義是“有 10 個小時,每個小時裡你至少站過 1 分鐘”。哪怕每小時只站 1 分鐘,也能拿滿。

這個指標的設計目的是提醒人別一直坐著,而不是計量站了多久。真正計量時長的是另一個型別 appleStandTime:iOS 13 / watchOS 6 起提供,單位是時間,樣本是累計型的,加起來就是當天站立的分鐘數2。健康 App 裡“站立分鐘”看到的就是它。

那坐著呢?HealthKit 里根本沒有“坐著”這個型別。 這不是遺漏,而是手錶測不出來:它戴在手腕上,坐著和站著不動時,手腕的加速度幾乎一樣。

站立小時、站立分鐘和推斷出的坐著時間 10 點到 11 點這一小時,手錶記下這一小時站立達標,但站立分鐘只有 10:07 到 10:09 的 2 分鐘。疊上 Mac 的鍵鼠記錄:10:00 到 10:52 一直有輸入,之後離開。於是推斷坐了 50 分鐘、站了 2 分鐘,最後 8 分鐘沒有任何裝置作證。 Apple Watch 記下的 · 10:00–11:00 疊上 Mac 的鍵鼠記錄 appleStandHour Stood · 這一小時站立達標 appleStandTime 2 min(10:07–10:09) 其餘 58 分鐘沒有記錄 Mac not-afk 有鍵鼠輸入 52 min afk 推斷 坐 7 坐 43 min ? 10:00 10:07 10:52 11:00 站立小時只要求這一小時裡站過 1 分鐘,剩下的時間,手錶不說你在幹什麼。 虛線是沒有裝置作證的時段:人離開了 Mac,手錶也沒記到站立。
圖 1 · 站立小時打了勾,只說明這一小時裡至少站過 1 分鐘。把 Mac 的鍵鼠記錄疊上來,才能把剩下的大部分時間推斷為“坐著”。圖中數值為示意。

第一次嘗試:坐著 = 醒著 − 站著 − 走路

最直覺的辦法是做減法:把醒著的時間減去站立分鐘、減去步行和運動,剩下的就是坐著。睡眠時間手錶也有記錄,醒著的區間不難拿到。

這個辦法有三個漏洞:

  • 沒戴錶的時間會被算成坐著。 關掉手腕檢測,或者表摘下來充電,手錶就不記站立,也沒有後臺心率3。減法會把這段空白算進“坐”。
  • 站著不動可能不算站。 Apple 的定義是“站起來並活動”,在白板前站著講半小時、排隊一動不動,手錶未必記滿(這一點是根據定義的推斷,Apple 沒有公開判定演算法)。
  • 坐著時手臂動得多,可能被算成站。 社群裡常有人反映坐著打字、開車也會“站立達標”,說明判斷依據主要是手腕的運動(同樣是推斷)。

那換一個更底層的資料呢?CoreMotion 的 CMMotionActivity 會把運動狀態分成靜止、步行、跑步、乘車、騎行和未知幾類,各帶一個置信度4。可坐和站在這裡都是 stationary,還是分不出來,而且系統只保留最近 7 天5。再往下一層,watchOS 的 CMSensorRecorder 可以讓手錶在後臺以 50 Hz 錄原始加速度,單次最多 12 小時,資料保留 3 天6。有了原始資料,理論上可以自己訓練一個坐站分類器,但手腕上的加速度本來就缺少區分坐站的資訊(推斷:研究裡區分坐站通常要把感測器貼在大腿上,靠大腿是水平還是豎直來判斷)。

解決:找一個“坐著”的旁證

既然手錶測不出坐著,就找別的裝置作證。Mac 恰好是一個很好的“坐著”的證據:鍵盤和滑鼠有輸入,人幾乎一定在桌前;手錶又沒記到站立,那這段時間大機率是坐著的。圖 1 下半部分就是這樣推出來的:10:00–10:52 Mac 一直有輸入,扣掉 10:07–10:09 那 2 分鐘站立,坐了 50 分鐘。

這個規則有一個明顯的例外:用升降桌站著辦公。這時候 Mac 有輸入、手錶也可能記到站立,兩份證據互相矛盾。ActivityWatch 社群有一個 aw-watcher-table 外掛直接讀升降桌的高度7,是目前能精確區分坐站的少數辦法之一。

而 10:52 之後那 8 分鐘,人離開了 Mac,手錶也沒記到站立,就真的沒有任何證據了:可能是去會議室坐著開會,也可能站在茶水間聊天。

所以“坐著”這件事,最後要靠 Mac 來補。那 Mac 自己能交出哪些記錄?


二、螢幕前時間:Mac 能交出什麼

現象:螢幕使用時間看得到,拿不出來

Mac 自帶的“螢幕使用時間”已經在記錄每個 App 的使用時長,問題是它不給第三方用。

Apple 為螢幕使用時間提供的公開介面是 DeviceActivity 一族框架,但它的設計很明確:報表由 App 的一個擴充套件來渲染,擴充套件跑在沙箱裡,不能聯網,也不能把資料帶出擴充套件的地址空間8。也就是說,你可以在自己的 App 裡“畫”一張螢幕時間報表給使用者看,卻拿不到報表背後的原始記錄。

第一次嘗試:直接讀系統資料庫

資料總得存在某個地方。取證領域早就研究過:macOS 和 iOS 把應用使用記錄寫在 ~/Library/Application Support/Knowledge/knowledgeC.db 裡,按“流”分類存放:比如 /app/usage 記錄前臺應用,/display/isBacklit 記錄螢幕亮滅,時間精確到秒9。較新的系統又把這類記錄遷到了 Biome,變成一種叫 SEGB 的私有二進位制格式10。

Timing 這類商業軟體就是走這條路的:它匯入螢幕使用時間,需要使用者給它“完全磁碟訪問許可權”,官方文件也直說 Apple 改了儲存方式,這個功能可能就會失效11。同一頁還提到系統介面只給到小時粒度、只保留四周。

所以讀系統資料庫能用,但有兩個問題:格式私有、沒有文件,每次系統升級都可能變;而且它只記錄“哪個 App 在前臺”,前臺開著不等於人在看。

解決:自己記錄“人在不在鍵盤前”

更穩的辦法是在 Mac 上跑一個自己的記錄程式,只回答兩個問題:

  1. 人在不在? CoreGraphics 的 secondsSinceLastEventType 能直接拿到距離上一次鍵鼠輸入過了多少秒12,超過一個閾值就當人離開了。
  2. 在用什麼? 監聽前臺應用切換,就能知道是哪個 App;想要視窗標題,還得給它“輔助功能”許可權13。

這正是開源工具 ActivityWatch 的做法。它的 aw-watcher-afk 判斷離開:超過 3 分鐘沒有鍵鼠輸入,就從最後一次輸入的時刻起記為 afk;aw-watcher-window 記錄前臺應用和視窗標題13。兩路記錄都存在本機,用 localhost:5600 上的 REST 介面就能取出來14。

前臺視窗和 afk 記錄合併成螢幕前時間 09:00 到 09:30,前臺視窗依次是 Xcode、Safari、Xcode、Slack、Xcode。afk 記錄在 09:12 到 09:16 標為離開,因為這段時間在 Safari 裡讀文件沒有碰鍵鼠。兩者取交集,螢幕前時間是 12 分鐘加 14 分鐘,共 26 分鐘,中間 4 分鐘存疑。 Mac 上的兩路記錄 · 09:00–09:30 合併:前臺視窗 ∩ 不在 afk aw-watcher-window Xcode Safari Xcode Slack Xcode aw-watcher-afk not-afk afk not-afk 螢幕前 12 min ? 14 min 09:00 09:12 09:16 09:30 虛線這 4 分鐘在 Safari 裡讀文件,沒碰鍵鼠,超過 3 分鐘就被記成了離開。 合計:螢幕前 26 分鐘,應用切換 4 次;這 4 分鐘算不算工作,記錄裡看不出來。
圖 2 · “螢幕前時間”是前臺視窗和“人在鍵盤前”兩路記錄的交集。只看鍵鼠輸入,讀文件、看影片這種不動手的時間會被漏掉。圖中數值為示意。

圖 2 也暴露了這種做法的邊界:它測的是“手在鍵盤上”,不是“眼睛在螢幕上”。讀長文件、看影片、開視訊會議時手不動,就會被記成離開。ActivityWatch 的緩解辦法是瀏覽器標籤頁在播放聲音時不判離開13;把閾值從 3 分鐘調到 5 分鐘也能少漏一些,代價是真離開時會多算幾分鐘。

到這裡,“在螢幕前多久”有了一個分鐘級的答案。但使用者還想知道不同時間段裡工作狀態怎麼樣,這就不只是“在不在”的問題了。


三、工作狀態:從行為和身體兩側看

什麼叫“工作狀態”

“狀態好不好”沒有一個能直接測量的物理量。我們能做的,是找幾個可以測量、又和狀態有關的訊號,從兩個方向去逼近:人在電腦上做了什麼(行為),以及身體當時處在什麼狀態(生理)。

逼近“工作狀態”的幾類訊號
訊號來源能說明說明不了
行為(Mac)
連續停留在一個應用aw-watcher-window長時間不切換,往往是在專注做一件事在 IDE 裡發呆也算“專注”
應用切換頻率aw-watcher-window一刻鐘切換幾十次,大機率在被打斷查資料時頻繁切換也可能很高效
鍵鼠輸入量aw-watcher-input在產出還是在瀏覽思考時手是不動的
螢幕內容截圖 + 大模型具體在幹什麼,語義最豐富隱私代價最高
生理(Apple Watch)
心率HeartRate緊張、活動、咖啡因都會讓它升高分不清是哪個原因
HRVHRV SDNN自主神經的負荷白天樣本太稀,只能看大趨勢

行為訊號是分鐘級、連續的;生理訊號在白天是稀疏的點。兩側單獨看都會誤判,疊在一起才有參考價值。

圖 3 · 沒有哪個訊號直接等於“狀態”。行為訊號說明人在做什麼,生理訊號說明身體在承受什麼。

行為一側:切換和停留

行為訊號裡最實用的是應用切換。圖 2 那半小時裡切換了 4 次,主要停在 Xcode;如果另一個半小時在 Slack、郵件、瀏覽器之間切換了 40 次,不用任何演算法也看得出來,後者是一段被打斷的時間。RescueTime、Rize 這類工具給出的“專注度評分”,核心也是這套邏輯:按應用分類打分,再看連續時長和切換1516。

它的侷限也寫在表裡:應用名只說明“在哪”,不說明“在幹什麼”。同樣是開著瀏覽器,可能在查文件,也可能在重新整理聞。於是有了一類新工具:定時截圖,再讓大模型讀截圖,總結這段時間在做什麼。開源的 Dayflow 就是這樣生成一天的活動卡片時間線的,模型可以跑在本地17;screenpipe 則持續錄屏、做 OCR 和語音轉寫18。語義最豐富,隱私代價也最高。

身體一側:心率能用,HRV 太稀

Apple Watch 白天會在後臺測心率。按 Apple 支援頁的說法,較新的機型白天可以持續測量,老機型則在你靜止時週期性地測、間隔不固定19。總之,心率是一條足夠密的曲線,能對上每一段工作。

HRV 就不一樣了。我在從兩個對不上的 HRV 數字說起裡講過,手錶只在靜止、戴穩時才測 HRV,白天的樣本很稀,單次讀數的噪聲又大。拿它去判斷“10:00–10:15 是不是專注”是不現實的,它只適合回答“今天下午整體是不是比上午緊”這種大尺度的問題。

而且生理訊號不特異:心率升高可能是緊張,也可能是剛爬完樓梯、剛喝了咖啡。所以它要和行為訊號放在一起看:同樣是心率 90,一段是 Mac 上連續 40 分鐘寫程式碼,一段是剛從樓下走上來,含義完全不同。

到這裡,人這一側的訊號差不多齊了。還剩最後一塊拼圖:人所處的環境。


四、環境:噪聲、日光與地點

噪聲:手錶一直在聽,但不錄音

Apple Watch 的噪聲 App 用麥克風測量環境聲級,寫進 HealthKit 的 environmentalAudioExposure,單位是 A 計權聲壓級(dBA)20。按 Apple 支援頁的說法,它在一天裡週期性地測量,只測聲級,不錄音也不儲存任何聲音;具體多久測一次,Apple 沒有公開21。所以我們能拿到的是一串帶時間區間的分貝值,而不是音訊。

這裡有一個容易踩的坑:分貝不能直接平均。 分貝是對數刻度,65 dB 的聲能是 55 dB 的 10 倍。一刻鐘裡 5 分鐘是 54 dB、10 分鐘是 66 dB,算術平均是 62 dB,但按聲能平均要先換回能量:

Leq=10log⁡10(1T∑iti⋅10Li/10)L_{eq} = 10 \log_{10}\left(\frac{1}{T}\sum_i t_i \cdot 10^{L_i/10}\right)

其中 tit_i 是每段的時長,LiL_i 是這段的分貝值,TT 是總時長。代入上面的例子:

10log⁡105⋅105.4+10⋅106.615≈64.410 \log_{10}\frac{5 \cdot 10^{5.4} + 10 \cdot 10^{6.6}}{15} \approx 64.4

結果是 64.4 dB。這就是“等效連續聲級” LeqL_{eq},HealthKit 裡每個噪聲樣本本身就是這種值。差的這 2 dB,對應的聲能差了將近 60%。

另外兩個相關的型別也值得記下:headphoneAudioExposure 記錄耳機裡的音量;environmentalSoundReduction(iOS 16 起)記錄戴降噪耳機時環境聲被壓低了多少22。後者很有意思:一段時間裡一直在降噪,往往說明環境吵、人又想專注(推斷)。

日光與地點

  • 日光時間:watchOS 10 起,較新的 Apple Watch 用環境光感測器估算你在日光下待了多久,寫進 timeInDaylight23。它可以粗略地區分室內和戶外。
  • 地點:Core Location 的 CLVisit 會在你到達、離開一個地點時通知 App,給出座標和起止時間24。“辦公室 09:05–12:10”“餐廳 12:20–13:05”這類停留就是這樣來的。iPhone 自己的“重要地點”則沒有公開介面,第三方讀不到。

拿不到的那部分:SensorKit

Apple 其實有一個更全的感測器框架 SensorKit:環境光、氣壓、鍵盤使用指標、手機使用報告、常去地點、是否戴在手腕上、語音指標……幾乎就是“還原一天”的現成原料25。但它只授予獲得 Apple 批准的研究專案26,新資料還要等 24 小時才能讀取27。個人開發者和普通 App 都拿不到。

現在,人、身體、環境三方面的資料都找到了來源。接下來的問題是:它們怎麼拼到同一條時間線上?


五、拼成一條時間線

問題:每路資料的“時間形狀”不一樣

把這些資料擺在一起,會發現它們記錄時間的方式各不相同:

  • 區間累計:站立分鐘、步數。一條樣本說的是“10:07–10:12 之間站了 5 分鐘”“09:58–10:03 走了 200 步”。
  • 時間點:心率。一條樣本就是“10:07 心率 78”。
  • 區間均值:噪聲。一條樣本是“10:05–10:20 的等效聲級 66 dB”。
  • 事件區間:Mac 的 afk 和前臺視窗。一條事件是“09:00–09:12 not-afk”。

資料也分在兩臺機器上:健康資料從手錶同步到 iPhone 的 HealthKit;Mac 的記錄在本機的 ActivityWatch 裡。

兩臺裝置的資料匯入同一個指令碼 iPhone 的 HealthKit 裡有站立分鐘、步數、心率、環境噪聲四類記錄,時間形狀分別是區間累計、區間累計、時間點和區間均值,透過健康 App 匯出為 export.xml。Mac 上 ActivityWatch 有 afk 和前臺視窗兩個 bucket,都是事件區間,透過本機 REST 介面讀取。兩邊都匯入 day_timeline.py,攤進 15 分鐘一格的時間表。 iPhone · HealthKit Mac · ActivityWatch 合併 Record 時間形狀 · 單位 AppleStandTime區間累計 · min StepCount區間累計 · count HeartRate時間點 · count/min EnvironmentalAudioExposure區間均值 · dBASPL 手錶同步到 iPhone bucket 時間形狀 · 欄位 aw-watcher-afk_mbp事件區間 · status aw-watcher-window_mbp事件區間 · app GET localhost:5600/api/0/buckets/…/events export.xml 健康 App → 匯出所有健康資料 day_timeline.py 攤進 15 分鐘格子
圖 4 · 兩臺裝置、四種時間形狀。健康資料從 iPhone 匯出,Mac 的記錄從本機介面讀取,最後在一個指令碼里對齊。

健康資料怎麼搬到 Mac 上?最省事的是健康 App 裡“匯出所有健康資料”,得到一個 export.xml,每條樣本是一個 <Record> 節點,帶型別、數值、單位和起止時間。缺點是要手動點、檔案動輒幾百 MB 甚至幾個 GB。想自動化,可以用 Health Auto Export 這類 App 定時把指定型別推到本地或自建的介面28。

第一次嘗試:按事件對齊

最直覺的做法是以 Mac 的事件為主軸:每一段 not-afk 事件,去找它時間範圍內的心率、噪聲、站立。問題是 Mac 事件的長短差很多,有的 10 秒,有的兩小時;人離開 Mac 的時間段又根本沒有事件,手錶那邊的資料就掛不上去。

解決:切成等長的格子,按重疊比例分攤

更穩的辦法是先把一天切成等長的格子(比如 15 分鐘一格),再把每路資料按它的時間形狀攤進格子裡:

  • 區間累計型按重疊時長的比例分攤。09:58–10:03 的 200 步,有 3 分鐘落在 10:00–10:15 這一格,就分給它 120 步。
  • 時間點型取格子內的平均。
  • 區間均值型按重疊時長加權,噪聲還要按上一節的聲能平均。
  • 事件區間型直接算重疊了多少秒。
10:00 到 10:15 這一格是怎麼填出來的 五路樣本鋪在 09:45 到 10:30 的時間軸上。站立樣本 10:07 到 10:12 整段落在格內,貢獻 5 分鐘;兩段步數各有一部分落進格內,共 240 步;格內三個心率點平均 74;兩段噪聲按重疊時長做聲能平均,得到 64 分貝;afk 記錄全程 not-afk,螢幕前 15 分鐘。結果推斷為螢幕前、站過。 五路樣本 · 09:45–10:30 落進這一格 這一格的結果 10:00 10:15 AppleStandTime 5 min StepCount 200 300 240 步 HeartRate 71 78 74 74 bpm AudioExposure 54 dB 66 dB 64 dB aw-watcher-afk not-afk 15 min 虛線框是 10:00–10:15 這一格:區間樣本按重疊時長攤進來,時間點樣本取平均。 10:00 螢幕 15 站立 5 步數 240 心率 74 噪聲 64 dB 推斷:螢幕前·站過(Mac 一直有輸入,手錶也記到了 5 分鐘站立,可能是升降桌)
圖 5 · 一格是怎麼填出來的。步數 = 200 × 3/5 + 300 × 2/5 = 240;噪聲按聲能平均是 64 dB,算術平均會得到 62 dB。圖中數值為示意。

每一格都填好之後,再用幾條簡單的規則給它貼一個狀態標籤:

  • 步數很多:走路或通勤。
  • Mac 有輸入超過 10 分鐘:在螢幕前;手錶沒記到站立就是坐著,記到了就是“站過”。
  • Mac 沒輸入、手錶記到站立:站著或走動。
  • Mac 沒輸入、手錶也沒記到站立、但有心率:靜止,坐站不明。
  • 連心率都沒有:多半是沒戴錶。

最後兩條很關鍵:規則不知道的時候,要老實寫“不知道”,而不是把它塞進“坐著”。圖 1 裡那 8 分鐘就屬於這一類。

把一整天的格子加起來,就得到了開頭想要的幾個數:站了多久、坐在螢幕前多久、還有多少時間是“靜止但不知道坐還是站”。文末給出了完整的指令碼。

這件事自己拼要寫不少程式碼,那有沒有軟體已經做好了?


六、現有軟體做到了哪一步

按前面拆出的幾個維度,把常見的軟體放在一起比一比:

現有軟體覆蓋了哪些維度
軟體站 / 坐螢幕前工作狀態噪聲地點
Apple 自帶
健康 / 健身站立小時、站立分鐘無心率、HRV 原始資料有資料無
螢幕使用時間無小時粒度,不能匯出無無無
Mac 時間追蹤
ActivityWatch僅升降桌外掛分鐘級,本地視窗、鍵鼠量無無
Timing無分鐘級,含手機專案歸類、AI 摘要無無
RescueTime / Rize無有,雲端專注度評分無無
Dayflow無截圖推斷大模型總結無無
手機與聚合
Arc Timeline步行等出行方式無每段停留的心率無停留與行程
Health Auto Export匯出站立分鐘無匯出心率、HRV匯出分貝無
Exist按天接 RescueTime按天找相關性無按天

沒有一行是全綠的。每個軟體只管一兩塊,且沒有一個把 Mac 上的工作記錄和手錶上的身體資料放在同一條分鐘級時間線上。

圖 6 · 現有軟體各管一段:Mac 端管螢幕,Arc 管地點,健康資料要靠匯出工具搬出來。

幾個值得單獨說的:

  • Mac 端,ActivityWatch 開源、資料在本地、有 REST 介面,最適合拿來自己拼7。Timing 更省心,還能把 iPhone 的螢幕使用時間導進來,但如上一節所說,它依賴系統私有資料庫11。
  • 地點,Arc Timeline 用 iPhone 的定位和運動感測器把一天切成“停留”和“行程”,還會在每段旁邊讀 Apple Health 的步數和心率,資料存在手機本地,可以每天自動匯出 JSON29。它是線下這一半做得最完整的。
  • 健康資料搬運,Health Auto Export 可以把 HealthKit 裡一百多種指標按分鐘匯出為 JSON/CSV,或推到自己的服務28。前面圖 4 裡手動匯出 export.xml 那一步,可以用它替代。
  • 聚合,Exist 能把 Apple Health 和 RescueTime 等資料放在一起,但粒度是按天,做的是“哪些因素和心情相關”,不是時間線30。
  • 個人實踐,Felix Krause 的 howisFelix.today 從 2019 年起記錄了約 38 萬條個人資料,來源是 RescueTime、地點簽到、天氣介面和一個 Telegram 機器人手動錄入,統一存進自己的資料庫3132。它說明這件事做得到,也說明了代價:相當一部分靠手動錄入,粒度也主要是按天。
  • 已經消失的路線,Rewind(後改名 Limitless)曾主打 Mac 錄屏加隨身錄音的“全量回放”,被 Meta 收購後已停止錄屏和錄音33。

所以結論是:目前沒有一個軟體能單獨做到“還原一天”。 最接近的組合是 Mac 上的 ActivityWatch 或 Timing、手機上的 Arc Timeline,加上 Health Auto Export 把手錶資料搬出來,最後自己按時間對齊。空白主要在兩處:一是坐和站的精確區分,二是把 Mac 上的工作和手錶上的身體資料放在同一條分鐘級時間線上。


七、邊界:哪些還原不了

拼到這一步,還有幾塊是現有裝置補不上的:

  • 離開電腦後的“坐還是站”:開會、吃飯、在沙發上看手機,手錶和 Mac 都無法區分。可以藉助地點(在會議室,多半坐著)或日曆(這段時間有會)來猜,但仍然是猜。
  • 不動手的工作:讀文件、思考、開會,在鍵鼠記錄裡都表現為“離開”。截圖加大模型能補上一部分,代價是隱私。
  • 私有資料會變:螢幕使用時間的資料庫、Biome 的格式都沒有文件,系統升級就可能失效;SensorKit 這樣的官方通道又不對個人開放。
  • 取樣不均勻:心率密、HRV 稀、噪聲的測量間隔不公開。格子切得越細,空格越多;切得越粗,越看不出一段時間內部的變化。15 分鐘是一個折中。

小結

從“站立 10 小時 + 螢幕 7 小時”這兩個對不上的數字出發,我們一路拼到了:

  1. 手錶的“站立小時”不是站立時長:它只要求每小時站過 1 分鐘;真正的時長在 appleStandTime 裡。HealthKit 沒有“坐著”,手腕也很難區分坐站。
  2. “坐著”要靠 Mac 作證:Mac 有鍵鼠輸入、手錶沒記到站立,才推斷為坐著;兩邊都沒有證據的時間,要老實標成“不明”。
  3. 螢幕前時間要自己記:系統的螢幕使用時間拿不出原始資料,ActivityWatch 這類工具用“前臺視窗 ∩ 不在 afk”給出分鐘級記錄,代價是漏掉不動手的時間。
  4. 工作狀態要兩側一起看:應用切換和停留說明人在做什麼,心率說明身體在承受什麼;HRV 太稀,只能看大趨勢。
  5. 環境資料手錶已經在採:噪聲以等效聲級存進 HealthKit,平均時要按聲能平均;日光時間和 CLVisit 補上室內外和地點。
  6. 拼接的關鍵是等長格子:四種時間形狀的資料按重疊比例攤進 15 分鐘一格,再用規則貼標籤。
  7. 沒有現成軟體全覆蓋,最接近的是 ActivityWatch / Timing + Arc Timeline + Health Auto Export 的組合。

下面是圖 4、圖 5 那條路的完整實現:讀健康 App 匯出的 export.xml 和本機 ActivityWatch 的記錄,輸出 15 分鐘一格的時間表和全天合計。只用 Python 標準庫。

Python
"""把 Apple 健康导出(export.xml)和 ActivityWatch 的记录拼成一张 15 分钟一格的时间表。
用法:python3 day_timeline.py export.xml 2026-11-01
依赖:只用标准库;ActivityWatch 需在本机 5600 端口运行。
"""
import json
import math
import sys
import urllib.parse
import urllib.request
import xml.etree.ElementTree as ET
from collections import defaultdict
from datetime import datetime, timedelta
EXPORT, DAY = sys.argv[1], sys.argv[2]
TZ = datetime.now().astimezone().tzinfo
START = datetime.fromisoformat(DAY).replace(hour=7, tzinfo=TZ)
END = START + timedelta(hours=17) # 07:00 – 24:00
SLOT = timedelta(minutes=15)
SLOTS = [START + i * SLOT for i in range(int((END - START) / SLOT))]
WANTED = {
"HKQuantityTypeIdentifierAppleStandTime": "stand", # 分钟
"HKQuantityTypeIdentifierStepCount": "steps",
"HKQuantityTypeIdentifierHeartRate": "hr", # 次/分
"HKQuantityTypeIdentifierEnvironmentalAudioExposure": "noise", # dBA
}
def overlap(a0, a1, b0, b1):
"""两段时间重叠的秒数。"""
return max(0.0, (min(a1, b1) - max(a0, b0)).total_seconds())
def spread(table, key, t0, t1, value, mode):
"""把一条样本分摊到它覆盖的格子里。sum 按重叠比例摊,mean 记成带权样本。"""
span = max((t1 - t0).total_seconds(), 1.0)
for s in SLOTS:
sec = overlap(s, s + SLOT, t0, max(t1, t0 + timedelta(seconds=1)))
if sec:
if mode == "sum":
table[s][key] += value * sec / span
else:
table[s].setdefault(key + "_w", []).append((value, sec))
# 1. 健康数据:流式解析,导出文件动辄上 GB
health = defaultdict(lambda: defaultdict(float))
for _, el in ET.iterparse(EXPORT):
kind = WANTED.get(el.get("type")) if el.tag == "Record" else None
if kind:
t0 = datetime.strptime(el.get("startDate"), "%Y-%m-%d %H:%M:%S %z")
t1 = datetime.strptime(el.get("endDate"), "%Y-%m-%d %H:%M:%S %z")
if t1 >= START and t0 < END:
mode = "sum" if kind in ("stand", "steps") else "mean"
spread(health, kind, t0, t1, float(el.get("value")), mode)
el.clear()
# 2. ActivityWatch:键鼠是否活跃 + 前台应用
def aw_events(prefix):
base = "http://localhost:5600/api/0/buckets/"
buckets = json.load(urllib.request.urlopen(base))
bid = next(b for b in buckets if b.startswith(prefix))
q = urllib.parse.urlencode({"start": START.isoformat(), "end": END.isoformat(), "limit": -1})
for e in json.load(urllib.request.urlopen(f"{base}{bid}/events?{q}")):
t0 = datetime.fromisoformat(e["timestamp"].replace("Z", "+00:00"))
yield t0, t0 + timedelta(seconds=e["duration"]), e["data"]
active = [(t0, t1) for t0, t1, d in aw_events("aw-watcher-afk_") if d["status"] == "not-afk"]
apps = defaultdict(lambda: defaultdict(float))
for t0, t1, d in aw_events("aw-watcher-window_"):
for a0, a1 in active: # 只算人在键盘前的那部分
lo, hi = max(t0, a0), min(t1, a1)
for s in SLOTS:
sec = overlap(s, s + SLOT, lo, hi) if lo < hi else 0
if sec:
apps[s][d["app"]] += sec
def mean(pairs):
return sum(v * w for v, w in pairs) / sum(w for _, w in pairs)
def db_mean(pairs):
"""分贝不能直接平均,先换回声能再平均(等效连续声级 Leq)。"""
return 10 * math.log10(mean([(10 ** (v / 10), w) for v, w in pairs]))
# 3. 逐格输出,并按规则猜一个状态
print("时间 屏幕 站立 步数 心率 噪声 前台应用 推断")
total = defaultdict(float)
for s in SLOTS:
h = health[s]
screen = sum(apps[s].values()) / 60
stand, steps = min(h["stand"], 15), h["steps"]
hr = round(mean(h["hr_w"])) if "hr_w" in h else None
noise = round(db_mean(h["noise_w"])) if "noise_w" in h else None
top = max(apps[s], key=apps[s].get) if apps[s] else "-"
if steps > 600:
state = "走路/通勤"
elif screen >= 10: # 推断:Mac 在用,手表没记到站立就当坐着
state = "屏幕前·坐" if stand <= 3 else "屏幕前·站过"
elif stand >= 5:
state = "站着/走动"
elif hr is not None:
state = "静止·离开屏幕" # 坐着开会、站着聊天、吃饭……这里分不出来
else:
state = "没数据" # 多半是没戴表
total[state] += 15
total["屏幕"] += screen
total["站立"] += stand
print(f"{s:%H:%M} {screen:4.0f} {stand:4.0f} {steps:4.0f} "
f"{hr or '-':>4} {noise or '-':>4} {top[:14]:<14} {state}")
print("\n合计(分钟):", {k: round(v) for k, v in total.items()})

用模擬資料跑出來的一段輸出長這樣:

时间 屏幕 站立 步数 心率 噪声 前台应用 推断
08:30 0 0 1650 69 48 - 走路/通勤
09:00 15 0 0 72 45 Code 屏幕前·坐
09:15 15 0 0 70 45 Code 屏幕前·坐
10:00 15 5 0 69 66 Code 屏幕前·站过
12:00 0 0 0 73 52 - 静止·离开屏幕
...
合计(分钟): {'静止·离开屏幕': 510, '屏幕': 480, '站立': 25, '走路/通勤': 30, '屏幕前·坐': 450, '屏幕前·站过': 30}

規則部分故意寫得很樸素,方便按自己的情況改:用升降桌的,可以把“螢幕前·站過”改成按站立分鐘的比例拆開;有 Arc Timeline 匯出的地點,可以把“靜止·離開螢幕”按地點再細分成“會議室”“餐廳”。


參考資料

參考資料

  1. appleStandHourApple Developerdeveloper.apple.com ↗每小時“站起來並活動至少 1 分鐘”算一個站立小時https://developer.apple.com/documentation/healthkit/hkcategorytypeidentifier/applestandhour ↩

  2. appleStandTimeApple Developerdeveloper.apple.com ↗iOS 13 / watchOS 6 起,累計型時間樣本https://developer.apple.com/documentation/healthkit/hkquantitytypeidentifier/applestandtime ↩

  3. About wrist detection on Apple WatchApple Supportsupport.apple.com ↗關閉手腕檢測後不記錄站立,也沒有後臺心率https://support.apple.com/en-us/105002 ↩

  4. CMMotionActivityApple Developerdeveloper.apple.com ↗stationary / walking / running / automotive / cycling / unknown,加 confidencehttps://developer.apple.com/documentation/coremotion/cmmotionactivity ↩

  5. queryActivityStarting(from:to:to:withHandler:)Apple Developerdeveloper.apple.com ↗系統最多隻保留最近 7 天的活動資料https://developer.apple.com/documentation/coremotion/cmmotionactivitymanager/queryactivitystarting(from:to:to:withhandler:) ↩

  6. recordAccelerometer(forDuration:)Apple Developerdeveloper.apple.com ↗50 Hz,單次最多 12 小時,資料保留 3 天https://developer.apple.com/documentation/coremotion/cmsensorrecorder/recordaccelerometer(forduration:) ↩

  7. ActivityWatch WatchersActivityWatchdocs.activitywatch.net ↗aw-watcher-input、aw-watcher-table(升降桌)、Life Cycle 匯入等https://docs.activitywatch.net/en/latest/watchers.html ↩ ↩2

  8. DeviceActivityReportApple Developerdeveloper.apple.com ↗報表擴充套件跑在沙箱裡,不能聯網,也不能把資料帶出擴充套件https://developer.apple.com/documentation/deviceactivity/deviceactivityreport ↩

  9. Knowledge is Power! Using the macOS/iOS knowledgeC.db Database to Determine Precise User and Application UsageSarah Edwards · mac4n6 · 2018-08-05mac4n6.com ↗/app/usage、/app/inFocus、/display/isBacklit 等流https://www.mac4n6.com/blog/2018/8/5/knowledge-is-power-using-the-knowledgecdb-database-on-macos-and-ios-to-determine-precise-user-and-application-usage ↩

  10. Bringing it Back with Biome DataMagnet Forensicsmagnetforensics.com ↗應用使用記錄遷到 Biome,SEGB 二進位制格式https://www.magnetforensics.com/blog/bringing-it-back-with-biome-data/ ↩

  11. Screen Time IntegrationTimingtimingapp.com ↗讀螢幕使用時間資料庫需要完全磁碟訪問許可權;系統介面只有小時粒度、保留四周https://timingapp.com/help/screen-time ↩ ↩2

  12. secondsSinceLastEventType(_:eventType:)Apple Developerdeveloper.apple.com ↗https://developer.apple.com/documentation/coregraphics/cgeventsource/secondssincelasteventtype(_:eventtype:) ↩

  13. ActivityWatch FAQActivityWatchdocs.activitywatch.net ↗超過 3 分鐘沒有鍵鼠輸入就記為 afk;讀視窗標題需要輔助功能許可權https://docs.activitywatch.net/en/latest/faq.html ↩ ↩2 ↩3

  14. ActivityWatch REST APIActivityWatchdocs.activitywatch.net ↗https://docs.activitywatch.net/en/latest/api/rest.html ↩

  15. RescueTimeRescueTimerescuetime.com ↗https://www.rescuetime.com/ ↩

  16. RizeRizerize.io ↗https://rize.io/ ↩

  17. DayflowGitHubgithub.com ↗https://github.com/JerryZLiu/Dayflow ↩

  18. screenpipeGitHubgithub.com ↗https://github.com/screenpipe/screenpipe ↩

  19. Monitor your heart rate with Apple WatchApple Supportsupport.apple.com ↗https://support.apple.com/en-us/120277 ↩

  20. environmentalAudioExposureApple Developerdeveloper.apple.com ↗單位 dBASPL,離散的等效連續聲級https://developer.apple.com/documentation/healthkit/hkquantitytypeidentifier/environmentalaudioexposure ↩

  21. Measure noise levels with Apple WatchApple Supportsupport.apple.com ↗全天週期性測量,只用麥克風測聲級,不錄音也不儲存https://support.apple.com/en-us/102315 ↩

  22. environmentalSoundReductionApple Developerdeveloper.apple.com ↗https://developer.apple.com/documentation/healthkit/hkquantitytypeidentifier/environmentalsoundreduction ↩

  23. timeInDaylightApple Developerdeveloper.apple.com ↗iOS 17 / watchOS 10 起https://developer.apple.com/documentation/healthkit/hkquantitytypeidentifier/timeindaylight ↩

  24. CLVisitApple Developerdeveloper.apple.com ↗https://developer.apple.com/documentation/corelocation/clvisit ↩

  25. SRSensorApple Developerdeveloper.apple.com ↗https://developer.apple.com/documentation/sensorkit/srsensor ↩

  26. Configuring your project for sensor readingApple Developerdeveloper.apple.com ↗只授予獲批的研究專案https://developer.apple.com/documentation/sensorkit/configuring-your-project-for-sensor-reading ↩

  27. SRFetchRequestApple Developerdeveloper.apple.com ↗新資料有 24 小時凍結期https://developer.apple.com/documentation/sensorkit/srfetchrequest ↩

  28. Health Auto ExportHealthyAppshealthyapps.dev ↗https://www.healthyapps.dev/ ↩ ↩2

  29. Arc TimelineBig Pauabigpaua.com ↗https://www.bigpaua.com/arcapp/ ↩

  30. ExistExistexist.io ↗https://exist.io/ ↩

  31. How is Felix today?Felix Krause · howisfelix.todayhowisfelix.today ↗https://howisfelix.today ↩

  32. FxLifeSheetFelix Krause · GitHubgithub.com ↗https://github.com/KrauseFx/FxLifeSheet ↩

  33. LimitlessLimitlesslimitless.ai ↗被 Meta 收購,Rewind 已停止錄屏與錄音https://www.limitless.ai/ ↩