可穿戴设备中的传感器是如何收集、处理并追踪数据的

智能手表可以告诉你，你的心率是每分钟78次，你走了6,421步，或者昨晚睡了7个小时。这些数字在屏幕上看起来很简单，但实际上，每一个数字的背后都蕴含着一系列复杂的测量和计算过程。

你的手表并不会直接“看到”你走了多少步，也不会直接测量你的睡眠时间。相反，那些微小的传感器会持续检测你的运动、血液流动的变化、电生理活动以及体温等信息。这些信号会被转换成数字数据，经过处理以去除干扰，然后由算法进行分析，从而找出其中有意义的模式。

这一整个过程是在后台悄悄进行的。你手腕的每一个动作都会被转化为一系列数字；反射光的变化会用来测量心率；多种不同的信号会被综合起来，以此来判断你在做什么，或者你的身体处于怎样的状态。

当这些信息最终显示在屏幕上时，原始信号已经经过了多层处理，那些传感器能够检测到的信息，已经被转化成了你能理解的形式。

当你查看每日汇总数据时，你会发现，用户界面显示的信息与硬件实际检测到的数据之间存在着本质上的差距。

消费者健康追踪设备并不会检测诸如“恢复情况”或“心脏负担”这类抽象概念，而是会监测发生在你皮肤表面的各种物理、机械及光学现象。

血氧饱和度

皮肤温度

睡眠阶段

可穿戴设备测量的指标	实际检测的内容
步数	动态多轴加速度及周期性惯性力
心率	血液容量的变化所导致的光吸收变化或微电压变化
红光与红外光的差异吸收率
设备外壳与皮肤接触处的热传导情况
通过运动和脉搏变化来检测自主神经系统的状态
压力指数	连续心跳之间时间间隔的统计波动情况

传感器的唯一任务就是无偏地捕捉真实的物理数据，而软件则负责对这些数据进行解读。由于生物信号具有动态性，并且会受到无数环境因素的影响，因此将物理数值转化为生理学意义上的信息需要借助复杂的数学建模技术。

《自然·数字医学》上刊登的一篇综合性文章指出，可穿戴健康追踪技术本质上属于一种信号处理技术，而并非简单的硬件测量工具。

那些默默承担所有工作的微型传感器

为了在紧凑的外形中准确检测物理信号，现代可穿戴设备通常会集成一系列微型化的机电及光学模块。

加速度计

加速度计能够检测三个空间轴（X轴、Y轴和Z轴）上的线性加速度及惯性力。这种传感器采用微电机械系统制成，其中包含一些悬浮在空中的微型质量块，当设备移动时这些质量块会发生偏移，从而改变当地的电容值。

当你走路时，你的手臂会以有规律的周期性动作摆动。加速度计能够记录下这些重复出现的加速信号，从而使软件能够区分出有节奏的运动与打字或喝水这类随机动作。

陀螺仪

虽然加速度计用于检测线性运动和重力，但陀螺仪的作用是测量角速度和旋转运动。它能够准确判断设备在空间中转动的速度及方向。

通过将陀螺仪与加速度计结合使用，设备就能准确地确定自身的空间方位，这样当你轻轻转动手腕查看屏幕时，系统就不会将其误认为是一次锻炼动作或一步行走。

光容积脉搏图监测（PPG）

PPG传感器利用光线来检测微血管中血液容量的变化。绿色发光二极管会照射皮肤下的毛细血管床，而相邻的光电探测器则会测量反射回来的光线强度。

由于血红蛋白会吸收绿色光线，因此每当心脏收缩时，动脉内的血液容量会增加，从而导致光线的吸收量增加，反射信号减弱。这些反射信号强度的变化所对应的时间间隔，正好代表了每次脉搏的跳动时刻。

心电图（ECG）

与PPG依靠光学反射不同，ECG传感器能够直接检测驱动心脏肌肉运动的生物电信号。

当心脏跳动时，电流会在心肌中传播，从而在人体内产生微弱的电压变化。将手指放在手表专门设计的电极上，同时让手表的后部贴在手腕上，就可以形成一个电路，使差分放大器能够直接检测到心脏的去极化和复极化过程。

温度传感器

可穿戴式温度传感器通常使用热敏电阻或专门的电阻式温度检测器，这些元件会接触皮肤表面进行测量。

需要注意的是，皮肤表面的温度与人体内部的体温并不完全相同。皮肤温度会受到周围空气温度、血管扩张程度以及血液循环状况的影响而发生显著变化。因此，这类传感器更适合用于检测身体温度的相对变化，例如睡眠时体温的变化或早期疾病出现的征兆，而不是用于获取绝对的临床数据。

诸如这篇IEEE关于可穿戴生理传感器的综述中所指出的那样，这些不同的硬件组件必须协同工作，才能持续、准确地反映人体的各种生理活动状况。

物理信号如何转化为数据

在计算机能够理解各种物理现象之前，连续的模拟信号首先必须被转换成离散的数字形式。

当光电二极管检测到光线强度的变化时，它会输出一个连续、平滑的电信号。然而，计算机无法处理这种无限连续的波形，它们只能处理离散的数字数据。这一转换过程是由模数转换器完成的。

模数转换器会定期采样这个连续的电信号，并将其量化为离散的数字值：

采样率：以赫兹为单位表示，它决定了模数转换器每秒钟能够采集多少次数据。

对于像心电图这样变化迅速、电信号复杂的生理信号，需要250赫兹到500赫兹的采样率，才能准确捕捉到波形的细节而不丢失关键的数据点。而对于皮肤温度这种变化较慢的生理指标，较低的采样率（比如每几秒采样一次）就足够了，这样既能节省电池电量，也能减少系统存储空间的消耗。
分辨率：通常以比特为单位来衡量，例如12位、16位或24位。分辨率决定了转换器对电信号进行量化的精细程度。较高的比特位数可以让系统更准确地检测到微小的生理变化，比如在肤色较深或天气寒冷的情况下仍然能够捕捉到细微的脉搏信号，而不会导致波形失真或被压缩。

正如信号处理领域的相关文献所探讨的那样，可穿戴生物特征数据采集这一技术中，选择合适的采样频率和量化范围，能够在保证信号质量的同时，满足功耗限制的要求。

原始传感器数据其实比看上去更复杂

在受控的临床环境中，诊断设备是固定地连接在患者身上的；而消费者可穿戴设备则必须在人们进行日常活动时收集生理数据。因此，原始传感器输出的数据往往并不符合教科书上描述的生理波形。

日常佩戴这些设备会引入许多实际的干扰因素：

运动干扰：当你跑步、打字或握持物体时，肌肉收缩以及突然的外力作用会导致设备产生震动，从而产生较大的惯性干扰信号，这些信号会掩盖细微的心跳信号。
传感器位移：如果绑带松懈，设备会随着身体的移动而在皮肤上跳动，这会改变LED灯与光电探测器之间的光路长度，从而导致基线数据出现大幅波动。
环境因素与生理干扰：从设备边缘透进来的阳光会干扰敏感的光电二极管；而寒冷的环境则会导致血管收缩，从而减少手腕毛细血管中的血液量。

由于这些持续的干扰，可穿戴设备的固件中通常会包含自动检测信号质量的机制。在将原始数据传递给后续处理算法之前，系统会先评估信噪比。如果某个数据段受到运动干扰而严重失真，算法会将其标记为不可靠的数据并直接丢弃，而不会生成错误的测量结果。关于如何实时消除这些干扰信号，相关研究可以在可穿戴设备中干扰信号的去除技术中找到详细内容。

算法如何将杂乱无章的信号转化为有用的信息

一旦信号被数字化并经过初步的质量检测，确定性的数字信号处理技术以及算法模型就能将这些原始数据转化为人类可以使用的有用信息。

数字滤波

首先，原始数据会通过数字带通滤波器进行处理，这些滤波器会过滤掉那些超出人体生理范围之外的频率成分。

对于检测心率的光学信号来说，算法会抑制低于0.5赫兹（相当于每分钟30次心跳）或高于4.0赫兹（相当于每分钟240次心跳）的频率成分，从而去除缓慢的基线漂移和高频的电干扰信号。

特征提取

软件并不会对成千上万的原始数字样本进行连续处理，而是会提取出一些简洁的统计数据和形态学特征作为分析依据。

峰对峰值间隔（△t）：连续脉冲波峰之间的精确时间差。
信号方差：在5秒钟的时间窗口内，加速度数值的分布程度。
主导频率：通过快速傅里叶变换识别出的主要谐波成分。

指标计算方式

对于心率而言，算法会识别有效的收缩期峰值，测量心跳间隔，剔除异常数据，然后计算出每分钟的瞬时心跳次数（60 / △t）。

在步态检测中，算法会处理三轴加速度传感器采集的数据：

软件会监测这一综合加速度值，判断是否存在符合人类行走规律的节奏变化及频率特征，同时忽略那些非周期性的振动现象，例如汽车在颠簸路面上行驶时产生的震动。

经过大规模标记运动数据集训练的机器学习分类器，能够帮助将这些特征数据对应到具体的活动类型中，比如骑自行车、游泳或睡觉等。

为什么可穿戴设备会集成多种传感器

单一的物理传感器往往无法提供足够的信息来准确了解身体的状况。为了解决这一问题，设备会采用传感器融合技术，将多个不同传感器的数据结合起来，从而生成比任何单个传感器单独提供的信息更准确的分析结果。

以心率突然从65次/分钟上升到145次/分钟为例：

如果加速度传感器没有检测到任何身体运动，算法可能会将这一现象解释为心理压力、摄入咖啡因或心脏异常所致。
但如果加速度传感器同时记录到了持续的高频率有节奏的运动信号，系统就会认为这种心率加快是跑步时正常的生理反应。

通过同时分析光学数据、温度数据和惯性数据，系统能够全面了解用户的代谢状态。

正如《多模态传感器融合在生物医学工程中的应用》一文中所指出的那样，结合多种互补的传感器数据有助于消除误报，并弥补各种硬件的局限性。

这些数据都会去哪里呢？

数据处理流程并不仅限于你手腕上的可穿戴设备。相关任务会分布在本地硬件、你的智能手机以及远程云服务器上共同完成。

在可穿戴设备上（边缘计算）：对时间敏感的处理任务会在设备内置的低功耗微控制器上直接运行。原始电压数据的过滤、步态检测以及安全警报功能的监控等操作都会在本地完成，这样就能确保低延迟、低能耗，并更好地保护用户隐私。
在智能手机上：由于智能手机拥有更快速的多核处理器和更大的电池容量，因此它们能够承担复杂的机器学习任务、数据可视化分析工作，还能将GPS定位信息与手腕运动数据结合起来进行处理。
在云端：汇总后的数据会定期上传到远程数据中心，用于长期趋势分析、深入的纵向对比研究，以及基于匿名化数据的下一代算法模型的训练。

传感器可能测量结果准确，但最终得出的结论仍然可能是错误的

人们普遍存在这样一个误解：如果某个健康指标的测量结果不准确，那就意味着相应的传感器一定出现了故障。但实际上，某个物理传感器完全有可能以极高的精确度进行检测，只不过最终显示出来的数据仍然是错误的。

直接进行的物理测量与算法计算得出的结果之间存在本质上的区别：

光电二极管可能会准确记录光线的吸收情况。
模数转换器也会将这些电信号精确地转换为数字数据。
然而，如果用户因为接触到冷空气而出现了严重的血管收缩现象，或者手臂的某些动作无意中模拟了脉搏的频率，那么用于检测峰值信号的算法就可能会错误地识别出这个“频率峰值”。

在数据处理的整个过程中，某个指标可能会出现问题：可能是接触不良导致测量不准确，也可能是某些极端生理状况超出了训练数据集的范围，又或者是在进行特定运动时某些数学假设不再成立。认识到可穿戴设备提供的是基于生理数据的估算结果，而非直接的临床测量数据，这一点对于正确解读日常健康数据来说至关重要。

总结

在最终显示在屏幕上的数字之前，可穿戴设备收集到的数据要经过多个环节的处理。传感器首先捕捉物理信号，硬件将这些信号转换为数字形式，然后算法会对这些数据进行过滤、整合与分析，从而得出有用的健康指标。

了解这一整个数据处理流程后，我们就能清楚地认识到：可穿戴设备提供的测量结果并不总是直接的读数，它们往往是通过多层传感和计算得出的估算值。我们对这个处理流程理解得越透彻，就越能准确理解我们的可穿戴设备实际上在告诉我们什么信息。