从我开始使用可穿戴设备来记录自己的步数以来，已经过去了三年。这三年来，我一直在努力达到每天步行1万步的目标，完成这些目标后，我会带着成就感去睡觉。
但后来，我又在手腕上戴了一块智能手表，想看看这些设备的测量结果会有多大差异。这两块手表都戴在同一只手上，同时记录着同样的行走数据。然而，一块手表显示我走了8,400步，而另一块却显示只有6,900步——同样的手腕，测得的步数却相差了1,500步。
因此，我很自然地对自己一直以来所认为的正确做法产生了一些怀疑。
奇怪的是，在购买这些健康追踪设备时，根本没有人会告诉你这一点。包装上并没有写着“实验室测试结果准确，但实际使用中可能不准确”之类的说明，相关应用程序也从未提过：同一家公司生产的不同产品，其步数测量结果可能会存在差异。
不过，当你深入了解这些设备是如何计算步数的时候，你就会发现其中的一些道理其实并不复杂。
目录
MEMS加速度计的工作原理
每一款现代健康追踪设备和智能手表都内置了MEMS加速度计（微电机械系统）。这种加速度计由一块含有微型活动部件的硅芯片组成。
当人体移动时，这些微型部件会发生极其微小的位移，而传感器能够将这种位移转化为电信号的变化来进行检测。大多数可穿戴设备都配备了三轴加速度计，这意味着它们可以同时测量三个方向的运动：
-
上下方向
-
左右方向
-
前后方向
这些信号以每秒约50次的频率被持续采集下来。
当你走路时，你的身体会形成一种特定的运动模式：臀部向下移动，躯干上下起伏，手臂有节奏地摆动。最重要的是，每当你迈出一步时，你的身体都会产生上下晃动的动作。
这种垂直方向的震动被认为是判断一个人是否在行走的最明显迹象之一，正因如此，计步器才会如此依赖这一信号来进行检测。
加速度计会发送三组与运动相关的信息。许多算法会利用欧几里得范数将这些信息合并成一个数值信号：
‖a‖ = √(x² + y² + z²)
这种方式使得设备能够以不受旋转影响的方式测量总加速度。
陀螺仪的作用
高端可穿戴设备通常还配备了陀螺仪，用于检测任何形式的旋转。加速度计和陀螺仪共同组成了惯性测量单元（IMU），这样设备就能区分用户是真正在行走，还是只是在晃动手腕。
如何将步数转化为数字
传感器本身并不能进行任何计算，它所能做的只是生成原始的运动数据。真正的处理工作是在这些数据被算法解读之后才开始的，而正是这个环节使得不同设备的测量结果可能存在显著差异。
每家公司都会使用自己研发的算法。Garmin使用的算法与Apple的不同，而Apple的算法又与Samsung的不一样。目前比较常见的算法方法包括：
-
峰值检测：这种算法会识别加速度信号中那些重复出现的峰值，因为这些峰值通常对应于人类的行走动作。由于大多数人的步速大约在每分钟100到130步之间，所以设备会被设置为能够检测这一范围内的周期性运动。
-
零点交叉检测：与峰值检测不同，这种方法关注的是信号何时会穿过某个中间值。
-
自相关分析：该方法通过观察运动数据随时间变化所呈现出的重复模式来进行判断。
-
频域分析：有些算法会寻找行走动作中存在的主导频率成分。
-
机器学习模型：现代可穿戴设备通常会利用机器学习技术，通过对大量标记过的行走数据进行分析来识别行走模式。这类系统在大多数情况下都能准确区分行走、跑步、打字、开车以及随意挥动手臂等动作。
然而，每种算法都有其自身的优缺点。如果算法的灵敏度设置得过高，智能手表可能会忽略那些缓慢或细微的动作；而如果灵敏度设置得太低，那么在洗碗或者行驶在颠簸的路面上时，设备就可能会错误地记录为步数。
并没有完美的设定方案，但每家公司都会根据自己的需求选择最适合的折中方案。
为什么基于手腕的追踪技术如此困难
现代可穿戴设备面临的主要问题在于它们在人体上的佩戴位置。
这种佩戴在腰部的计步器位于人体的重心附近，因此能够检测到非常清晰、强烈的信号。正因如此，传统的夹式计步器往往表现得比人们预期的要好。
相反，智能手表是通过检测手臂运动产生的信号来工作的，而你的手腕本身就会产生很多干扰信号。在正常行走时，手臂会自然地摆动，这使得腿部动作与手臂动作之间存在很强的关联性；但任何现实生活中的情况都可能破坏这种关联性。例如，如果你在推婴儿车、拿着购物袋或手机，或者双手插在口袋里走路，这种关联性就会减弱，从而无法检测到与腿部动作相关的具体信号。
除此之外，佩戴智能手表的身体部位也会影响数据的解读结果。比如，惯用的一侧手臂通常会产生更强的加速度信号，但由于它要执行各种日常动作，因此也会产生其他额外的信号。
这就是为什么大多数可穿戴设备在设置时都会要求用户指定将设备戴在哪个手腕上的原因之一。
为什么慢速行走会干扰可穿戴设备的检测功能
这项研究中最令人惊讶的一点是：准确检测正常速度的行走其实比检测慢速行走要容易得多。
可穿戴设备在检测正常步速时的表现还算不错，但当行走速度减慢时，运动信号中的加速度和节奏就会减弱。因此，那些主要针对健康成年人在普通跑步机上行走的情况进行训练的算法，就很难正确识别慢速行走。相关研究还表明，手腕佩戴式追踪设备在统计慢速行走时所记录的步数也会出现偏差。
但这为什么重要呢？随着年龄的增长，我们的步态会变得越来越缓慢且不那么灵活，这意味着可穿戴设备检测到的运动信号也会变得较弱。此外，患有帕金森病或中风等神经系统疾病的患者，他们的步态特征也可能超出普通算法的识别范围。
所以，下次当你觉得自己的手表坏了的时候，很可能只是因为它的检测系统基于错误的假设来分析你的运动模式而已。
虚假的步数其实是真实存在的
可穿戴设备不仅可能会漏掉一些实际的步数，甚至还会生成一些并不存在的步数。由于加速度计能够检测到各种类型的加速度信号，因此很多与行走无关的动作都可能误导算法。
以下这些活动都可能导致虚假步数的产生：
-
在颠簸的路面上驾驶
-
用力敲击键盘
-
洗碗
-
折叠衣物
-
打鼓
-
乘坐火车或公交车
这里其实存在一个工程学上的困境：算法对慢速行走的敏感度越高，出错的可能性就越大；而如果其敏感度较低，虽然检测效果会更好，但却会低估某些特定的活动所产生的步数。
这就是为什么即使输入了相同的数据，不同品牌的设备也会得出截然不同的结果的原因。
为什么实验室测得的准确性与现实情况不符
在实验室环境中进行的测试中，许多可穿戴设备的步数检测精度其实相当高。在跑步机等受控条件下进行测试时，这些设备的步数测量误差通常能控制在10%以下。但现实生活中的环境要复杂得多。
研究人员将这类数据称为“真实生活环境下的数据”，因为这些数据记录的是人们在日常生活中、在实验室之外进行的运动情况。现实世界中的行走模式充满了各种不规律因素：崎岖的地形、突然的停步、提拿物品、速度的变化、不可预测的手臂动作以及行走间隔的不确定性——所有这些因素都会增加步数检测的难度。
一款智能手表在受控环境中可能会表现出极高的测量精度，但在日常使用中却仍可能出现测量结果不稳定的情况。
是否有些品牌的表现更好?
确实如此，但这种差异通常并不明显。研究表明，在正常的行走条件下，Apple Watch、Garmin、Fitbit和Samsung等品牌的可穿戴设备都能提供较为准确的步数数据。其中，Garmin产品在户外环境中的测量稳定性和可靠性尤为突出。据报道，Apple Watch在人们改变行走方式或走得较慢时也能保持较高的测量精度。Fitbit采用的算法更为敏感，因此可能会显示出更高的步数数值。
不过，还有其他因素也会影响测量的准确性。例如你的行走速度、手臂的自然摆动幅度、设备佩戴在身体上的位置、你正在进行的活动类型，以及算法对这些因素的解读方式等等。同样一款设备，不同人使用后测得的步数数据往往也会存在差异，这种差异有时甚至比不同品牌设备之间的差异还要大。
佩戴设备的人本身如何影响测量精度？以及你可以采取哪些措施来提高准确性
有几种方法可以显著提高步数测量的准确性：
-
尽可能以自然的速度行走：可穿戴设备在适中的行走速度下工作效果最佳。走得太慢、拖着脚走或者频繁停顿，这些动作都会使算法更难以准确检测步数。
-
正确佩戴设备：请确保将设备紧密地佩戴在手腕骨上方，这样它才能随着你的手臂自然移动。
-
正确设置主用手腕：大多数智能手表都会根据你主要使用哪只手来调整传感器的灵敏度设置。
-
保持手臂的自然摆动：如果手中拿着包、推着婴儿车，或者把手插在口袋里，这些行为都可能会影响步数测量的准确性，因为大多数可穿戴设备的传感器都非常依赖手臂的运动数据。
-
及时更新固件：大多数制造商都会通过固件更新来不断优化他们的算法。
-
关注趋势而非具体数值：虽然使用同一款设备记录的步数数据有助于你了解自己的运动习惯和长期规律，但与其他品牌设备的测量结果相比，其准确性可能会较低。
-
在行走方式异常时需谨慎：老年人、康复患者或脑部受伤的人，他们的步数测量结果可能会出现偏差，因为大多数算法都是根据标准的行走模式进行训练的。
最后的思考
如今，可穿戴设备所配备的技术确实令人惊叹。那些仅有米粒大小的小传感器每秒钟会多次检测你的运动数据，过滤掉其中的干扰信息，并尝试解读这些数据所代表的意义。这无疑是一个极其复杂的工程难题。不过，步数统计归根结底其实只是一个估算过程而已。
不同品牌的可穿戴设备计算出的步数往往会有所差异，因为它们在数据过滤、运动模式识别、信号解析以及传感器的位置安排等方面存在差异。没有任何一款设备能够完全准确地记录你的实际步数，它们都是根据你的运动习惯来估算步数的。而事实上，人类的动作也并不总是那么规律有序、便于被精确监测的。
因此，如果你发现两块手表计算出的步数不同，也无需惊慌——这些设备都在尽力解读那些复杂混乱的运动数据而已。