
基礎代謝率BMR是什麼?計算公式與準確度
基礎代謝率(BMR)是身體在完全休息時、單純維持生命所消耗的能量,也是每日熱量需求中最大的一塊。Mifflin-St Jeor 是臨床上最常用的公式之一:男性為 10 × 體重(公斤)+ 6.25 × 身高(公分)− 5 × 年齡(歲)+ 5;女性則是相同項目再 − 161。一篇系統性回顧發現,與其他常見公式相比,Mifflin-St Jeor 能讓更多人的預測值落在實測靜止代謝率的 10% 以內。計算結果請當作估計值,而非精確數字。
本文僅供一般資訊參考,不能替代專業醫療建議、診斷或治療。如有任何健康相關問題,請務必諮詢合格的醫療專業人員。
基礎代謝率到底在測什麼
基礎代謝率(BMR)是身體在完全休息狀態下維持生命所需的能量,包括呼吸、心臟輸送血液、讓大腦與各器官正常運作,以及維持體溫。走路、運動和消化食物所消耗的能量則不包含在內。
你也會看到靜止代謝率(RMR)和靜止能量消耗(REE)這兩個名詞。三者描述的都是休息時能量消耗的相近測量值,本文會一併討論。研究人員估算靜止能量消耗時,就像估算每日能量消耗的其他部分一樣,使用的是間接測熱法及其各種變化版本。例如下文介紹的 Mifflin-St Jeor 公式,當初就是為了預測 REE 而建立的。
BMR 之所以重要,是因為它是能量收支中最大的一塊。每日總能量消耗主要由靜止能量消耗、身體活動能量消耗和食物熱效應組成,其中靜止能量消耗占了最主要的部分。
用 Mifflin-St Jeor 公式計算基礎代謝率
一篇系統性回顧指出,Mifflin-St Jeor 是臨床上最常使用的四種預測公式之一。這個公式是根據 498 名 19 至 78 歲的健康成人推導而來,其中 264 人體重正常、234 人有肥胖,每位受試者都以間接測熱法實際測量過 REE。
簡化版公式如下:
- 男性: BMR = 10 × 體重(公斤)+ 6.25 × 身高(公分)− 5 × 年齡(歲)+ 5
- 女性: BMR = 10 × 體重(公斤)+ 6.25 × 身高(公分)− 5 × 年齡(歲)− 161
計算結果的單位是每日大卡。在原始資料中,體重、身高、年齡與性別合計可以解釋實測 REE 變異的 71%(R² = 0.71)。
實際計算範例
假設一位女性體重 70 公斤、身高 165 公分、40 歲:
10 × 70 + 6.25 × 165 − 5 × 40 − 161 = 700 + 1,031.25 − 200 − 161 = 約 1,370 大卡/天。
假設一位男性體重 80 公斤、身高 180 公分、35 歲:
10 × 80 + 6.25 × 180 − 5 × 35 + 5 = 800 + 1,125 − 175 + 5 = 1,755 大卡/天。
這個公式有兩個實用的特點。第一,身材與年齡相同的男女,估算值固定相差 166 大卡(5 −(−161)= 166),這和完整版公式中的性別項一致。第二,年齡每多一歲就少 5 大卡;在體重和身高不變的情況下,十年會讓估算值降低 50 大卡(5 × 10)。
如果你知道自己的去脂體重
同一項研究也測試了較簡單的預測方式。去脂體重(FFM)是 REE 最好的單一預測因子(R² = 0.64),公式為 REE = 19.7 × FFM(公斤)+ 413。只用體重的效果較差(REE = 15.1 × 體重 + 371,R² = 0.56)。三者之中,結合體重、身高、年齡與性別的完整公式預測力最強。
其他 BMR 公式:Harris-Benedict、WHO 與 Ten Haaf
Mifflin-St Jeor 並不是唯一的選擇。哪個公式最適合你,有一部分取決於你屬於哪一類族群。
Harris-Benedict
Harris-Benedict 公式最早發表於 1919 年。和 Mifflin 研究中的實測值相比,它高估了 REE 達 5%。一篇系統性回顧比較了臨床上最常用的四種公式:Harris-Benedict、Mifflin-St Jeor、Owen 和 WHO/FAO/UNU,結果以 Mifflin-St Jeor 最可靠。無論在非肥胖或肥胖族群中,它讓預測值落在實測 RMR 10% 以內的人數都多於其他公式,誤差範圍也最窄。這篇回顧也發現,用來建立和驗證這些公式的研究中,年長者和居住在美國的少數族裔人數偏少。
重度肥胖:WHO 與 Harris-Benedict
體重非常高時,情況就不一樣了。一篇系統性回顧納入 40 項針對 BMI 介於 40.0 到 62.4 成人的研究,並將其中 20 項進行統合分析。在這個族群中,WHO(體重版)公式和 Harris-Benedict 最準確也最精確,平均偏差分別為 WHO −12.44 大卡/天、Harris-Benedict −18.9 大卡/天。其他受測公式,包括 Mifflin,則傾向低估 BMR。
運動員與 Ten Haaf 公式
一項統合分析彙整了 29 項研究、1,430 名運動員和 100 種不同的預測公式,其中 Ten-Haaf 公式最精確。它能讓 80.2% 的受試者預測值落在實測 RMR 的 ±10% 以內,而其他納入精確度分析的公式只有 40.7% 到 63.7%。它的平均預測值與實測值也沒有顯著差異。另有四個公式(包括 Harris-Benedict)同樣達到這個結果,但在這五個公式中,只有 Ten-Haaf 的研究間沒有異質性(I² = 0%)。在同一批運動員資料中,Mifflin-St Jeor 則明顯低估或高估了 RMR。本文不列出 Ten Haaf 的確切係數。實務上的重點是:以一般大眾為基礎建立的公式,用在肌肉量很高、訓練量很大的人身上可能會有落差。
想看這些方法的並列比較,可以參考我們的代謝率計算準確度比較。
基礎代謝率計算機準不準?
在上述回顧中,預測值只要落在實測 RMR 的 10% 以內就算「命中」。聽起來很精準,但換算成熱量其實是很寬的範圍。以上面 1,370 大卡的例子來說,±10% 就是 ±137 大卡(1,370 × 0.10),也就是說,真實數值落在約 1,233 到 1,507 大卡/天之間(1,370 − 137 與 1,370 + 137),都還算是良好的預測。
即使是最好的公式,對某些人的誤差還是會超出這個範圍。那篇推薦 Mifflin-St Jeor 的系統性回顧也提到,套用在個人身上時仍有不可忽視的誤差。預測之所以困難,是因為就算體型相同,每個人的靜止代謝還是有差異。
更多資料有幫助,但效果有限。近期一項針對 454 名健康成人的研究,測試了使用多達 94 個預測因子的機器學習模型。表現最好的模型可以解釋 76.8% 的 RMR 變異。最有用的預測因子包括去脂體重、體重,還有出乎意料的平均戶外氣溫。血液指標的幫助很小,腸道菌相和糞便短鏈脂肪酸則完全沒有幫助。即使是這個模型,仍有約 23% 的變異無法解釋(100 − 76.8 = 23.2%)。
疾病會讓誤差更大。在 900 名肝硬化患者中,預測 REE 和實測值的差距從低估 501 大卡/天到高估 548 大卡/天都有。研究作者的結論是,這類患者應該直接測量 REE。
其他疾病也有類似的落差,而且誤差方向不一定相同。在 34 名肺高壓患者中,所有受測的估算方法都低估了約 255 大卡的能量需求。在 71 名慢性中風存活者中,9 個公式裡有 8 個預測的 RMR 比實測值高出 9% 到 18%。
基礎代謝率多少算正常?
沒有單一數字可以代表「正常」。BMR 會隨體型和身體組成而變,所以一位高大、肌肉發達的男性和一位嬌小的女性,數值可能差很多,卻都完全健康。上面的計算範例(約 1,370 和 1,755 大卡/天)就顯示,即使是一般體型,差距也相當大。
粗略的檢查方式是看每公斤體重的能量消耗。在那項肝硬化研究中,282 名健康對照組平均每公斤體重每天消耗 20.8 ± 2.6 大卡。以 70 公斤的人來說,大約是 1,456 大卡/天(70 × 20.8)。這只能當作大概的參考,± 2.6 代表人與人之間確實有差異。
如果算出來的 BMR 和預期差很多,先檢查輸入的數值。這個公式使用的單位是體重公斤、身高公分。
從 BMR 到 TDEE:一天需要多少熱量
BMR 並不是你每天該吃的熱量目標。每日總能量消耗(TDEE)是在靜止消耗之外,再加上活動所消耗的能量和消化食物所用的能量。
因此,要把 BMR 換算成每日熱量,就必須再加上活動量的估計,而這部分本身也有不確定性,會疊加在 BMR 公式的誤差之上。我們的活動量等級與營養需求調整一文,說明了如何更實際地估算這一部分。
年齡的影響其實沒有很多人想像的那麼大。一項大型分析以雙標記水法測量了 8 天大到 95 歲民眾的每日總能量消耗,並以去脂體重做校正。在這個基礎上,成年後 20 到 60 歲之間的能量消耗維持穩定,懷孕期間也是如此,直到年長後才下降。一篇探討人生各階段能量消耗的回顧指出,這些變化至少有一部分來自身體組成的改變、器官與組織的質量和代謝速率變化,以及身體活動量的不同。
哪些因素會讓基礎代謝率升高或下降
去脂體重
瘦體組織是最主要的影響因素。一項針對 40 名成人的研究發現,去脂體重加上脂肪量,可以解釋 83% 的 RMR 變異;再加入詳細的器官和肌肉測量,預測也沒有更準。這就是為什麼兩個體重相同、但肌肉量不同的人,BMR 可能明顯不同,也說明了在身體組成測量準確時,以 FFM 為基礎的公式效果不錯。
節食與代謝適應
減少熱量攝取會降低靜止能量消耗,一部分是因為組織流失,一部分則來自代謝適應。在一項對照研究中,32 名非肥胖男性連續 3 週攝取比能量需求少 50% 的熱量。他們減輕了 6.0 公斤,REE 每天下降 266 大卡。適應性產熱,也就是無法用去脂體重流失解釋的下降幅度,為每天 108 大卡。其中 36 大卡可由去脂體重組成的改變解釋,剩下每天 72 大卡才是「真正」的適應。
環境
在前述機器學習預測研究中,平均戶外氣溫是 RMR 的關鍵預測因子之一。同一個模型中的其他關鍵預測因子則是去脂體重和體重。
什麼時候值得實際測量 BMR
代謝評估(有時以「BMR 檢測」的名義提供)是用間接測熱法,測量你休息時實際的能量消耗。探討預測公式的系統性回顧認為,只要採用有效的間接測熱法,並依照實證為基礎、能減少測量誤差的流程,就能消除估算誤差。至於什麼時候估計值就已足夠,則由臨床判斷決定。
對大多數想慢慢調整體重的健康成人來說,計算出的 BMR 是合理的起點。可以先用它來設定初始攝取量,再觀察幾週的體重趨勢,決定是否需要調整,因為體重計比任何公式都更能反映你真正的能量收支。穿戴裝置或手機可以幫助你持續記錄體重和活動量。
當估算方式已知表現不佳時,實際測量就比較有意義,包括 BMI 非常高、訓練量很大,以及患有會改變代謝的疾病。如果你的飲食攝取和體重變化一直和計算結果對不上,也值得考慮測量。在這些情況下,是否要做臨床檢測,應由負責照護你的醫療人員決定。
📊 關鍵統計
常見 BMR/RMR 公式與研究證據
| 公式 | 所需資料 | 公式或主要發現 | 表現最好的族群 |
|---|---|---|---|
| Mifflin-St Jeor(男性) | 體重、身高、年齡 | 10 × 公斤 + 6.25 × 公分 − 5 × 年齡 + 5 | 一般成人:在四種常見公式中,最常落在實測 RMR 10% 以內 |
| Mifflin-St Jeor(女性) | 體重、身高、年齡 | 10 × 公斤 + 6.25 × 公分 − 5 × 年齡 − 161 | 一般成人,包括非肥胖與肥胖者 |
| Mifflin 去脂體重版 | 去脂體重 | 19.7 × FFM(公斤)+ 413(R² = 0.64) | 已知身體組成時 |
| Mifflin 僅體重版 | 體重 | 15.1 × 公斤 + 371(R² = 0.56) | 快速估算;預測力不如完整公式 |
| Harris-Benedict(1919) | 請見原始文獻 | 在 Mifflin 資料中高估實測 REE 達 5% | 重度肥胖:偏差 −18.9 大卡/天 |
| WHO(體重版) | 以體重為主;完整資料見原始文獻 | 重度肥胖者偏差 −12.44 大卡/天 | BMI 40.0 到 62.4 的成人 |
| Ten-Haaf | 請見原始文獻 | 80.2% 的運動員落在實測 RMR ±10% 以內;I² = 0% | 受過訓練的運動員 |
❓ 常見問題
基礎代謝率怎麼算?
基礎代謝率多少算正常?
Ten Haaf 公式是什麼?
BMR 和 TDEE 有什麼不同?
網路上免費的基礎代謝率計算機準嗎?
節食會降低基礎代謝率嗎?
HAVIT:由韓國領先減重機構之一 Juvis Diet 的專家打造的 AI 減重教練
先分析,再用數字訂目標,每天陪你執行
文章對每個人說的都是同樣的平均值。HAVIT 先分析你的身體,再依結果用數字訂出每日目標,12 週陪你一起執行。
- 第 1 步免設備 AI 體組成分析
只要回答身高、體重、年齡和生活習慣問題,就能推估體組成。在自家研究(70 人)中,與 InBody 測量值相比,推估準確度達 92.9%。
- HAVIT 分數・基礎代謝率
- 肌肉與脂肪分析・體組成類型
- 肥胖度・腹部脂肪率・內臟脂肪
- 身體藍圖:健康目標體重・腰高比・安全減重速度
- 6 階段習慣分析

- 第 2 步用數字開出 11 項每日目標
依分析結果,把每天要達成的目標訂成明確數字。目標每週會依你的體重變化重新調整。
- 攝取熱量・蛋白質・碳水化合物・脂肪・膳食纖維
- 消耗熱量・步數
- 睡眠時數・飲水量
- 量體重頻率・目標 BMI

- 第 3 步每日執行 × AI 教練
目標要做到才有意義。我們讓記錄變簡單,讓下一步變清楚。
- 拍一張照片就能記錄餐點
- AI 教練 HAVI 解讀你的紀錄,建議今天該做的一件事
- 依分析結果,提供 126+ 個類別的個人化方案
- 不只飲食,連心態也一起照顧:以 CBT 為基礎的教練指導


- 一站式一個 App 搞定所有管理
不必在多個 App 之間切換。身體紀錄集中在同一處,AI 教練才能看懂整體變化。
- 飲食・飲水・運動・步數
- 睡眠・體重・體組成趨勢
- 生理週期・心情・每日打卡
- GLP-1 用藥紀錄・提醒
- 冥想引導・運動影片・跑步教練
- 挑戰任務與虛擬角色,像玩遊戲一樣持續下去




分析對象為 2026 年 6~8 月期間,具備第 1 週與第 12 週 InBody 結果的 78 人(HAVIT 組 41 人、對照組 37 人)。非盲性研究。
HAVIT 是健康生活 App,並非醫療器材;體組成結果為推估值。
每天一題新測驗和健康小知識
在 Instagram 和 Threads 追蹤 HAVIT。 @havit_app.tw
參考資料
- A new predictive equation for resting energy expenditure in healthy individuals. — The American journal of clinical nutrition, 1990
- Comparison of predictive equations for resting metabolic rate in healthy nonobese and obese adults: a systematic review. — Journal of the American Dietetic Association, 2005
- Accuracy of Resting Metabolic Rate Prediction Equations in Athletes: A Systematic Review with Meta-analysis. — Sports medicine (Auckland, N.Z.), 2023
- Adequacy of basal metabolic rate prediction equations in individuals with severe obesity: A systematic review and meta-analysis. — Obesity reviews : an official journal of the International Association for the Study of Obesity, 2024
- Predicting resting metabolic rate in healthy adults: a comparative analysis using the enable cohort. — American journal of physiology. Endocrinology and metabolism, 2026
- Predicted estimates of resting energy expenditure have limited clinical utility in patients with cirrhosis. — Journal of hepatology, 2022
- Estimating Resting Energy Expenditure by Different Methods as Compared With Indirect Calorimetry for Patients With Pulmonary Hypertension. — Nutrition in clinical practice : official publication of the American Society for Parenteral and Enteral Nutrition, 2018
- Predictive Equations Overestimate Resting Metabolic Rate in Survivors of Chronic Stroke. — Archives of physical medicine and rehabilitation, 2022
- Relationship between resting metabolic rate and the composition of the fat-free mass. — Metabolism: clinical and experimental, 1997
- Metabolic adaptation to caloric restriction and subsequent refeeding: the Minnesota Starvation Experiment revisited. — The American journal of clinical nutrition, 2015
- Daily energy expenditure through the human life course. — Science (New York, N.Y.), 2021
- Energy Expenditure in Humans: Principles, Methods, and Changes Throughout the Life Course. — Annual review of nutrition, 2024








