2、硬件基础：常见智能穿戴设备（手表、手环）的传感器组成及其工作原理

智能穿戴设备的本地告警功能——无论是跌倒检测、久坐提醒、心率异常预警还是低电量通知——其判断依据全部来源于设备内部的一组微型传感器与电源管理单元。理解这些硬件组件的工作原理，是设计可靠告警算法、排查误报漏报问题的前提。本章将拆解智能手表与手环的典型硬件架构，重点分析加速度计、陀螺仪、心率传感器和电池管理系统的信号产生、采集与处理链路。

2.1 核心传感器：加速度计与陀螺仪

加速度计和陀螺仪是智能穿戴设备实现运动感知与姿态判断的基石。加速度计测量物体在三个正交轴（X/Y/Z）上受到的比力（Specific Force），即物体相对于自由落体的加速度变化。当前主流穿戴设备采用MEMS（微机电系统）电容式加速度计，其内部包含一个可移动的硅质质量块和固定电极。当设备运动或倾斜时，质量块发生位移，导致电容值变化，通过ASIC（专用集成电路）将电容差转换为数字信号输出。典型参数包括量程（±2g至±16g）、采样率（25Hz至200Hz）和分辨率（12位至16位）。

陀螺仪则用于测量绕三个轴的角速度（单位：dps，度/秒）。MEMS陀螺仪基于科里奥利效应工作：当质量块在驱动方向振动时，若设备发生旋转，会产生垂直于振动方向的科里奥利力，该力使检测质量块发生位移，进而改变电容值。通过解算电容变化即可得到角速度。在跌倒检测中，陀螺仪能够捕捉到身体旋转的剧烈程度——例如从直立位突然变为水平位时，绕X轴或Y轴的角速度可能瞬间超过300 dps。

2.2 心率传感器：PPG光电容积脉搏波技术

智能穿戴设备的心率监测几乎全部采用PPG（光电容积脉搏波描记法）技术。其原理基于朗伯-比尔定律：当特定波长的光照射皮肤组织时，血液中的血红蛋白会吸收部分光能量。心脏收缩时，血管内血容量增加，吸收增强，反射/透射光减弱；心脏舒张时则相反。通过光电二极管检测这种周期性光强变化，即可提取出脉搏波信号。

典型PPG传感器包含以下组件：

• LED光源：绿色光（520-570nm）用于腕部心率测量，因绿光在血液中的吸收率较高且不易受运动干扰；红外光（850-940nm）用于血氧饱和度（SpO₂）测量，可穿透更深组织。
• 光电二极管：将光信号转换为电流信号，通常采用PIN型光电二极管以提高响应速度。
• 跨阻放大器（TIA）：将光电流转换为电压信号，并放大至ADC可采样的范围。
• 环境光消除电路：通过差分采样或主动补偿，滤除环境光干扰。

在心率异常告警场景中，传感器需要持续以1Hz至25Hz的采样率工作。但PPG信号极易受到运动伪影干扰——当用户跑步或摆臂时，皮肤与传感器之间的相对位移会产生噪声。因此，现代穿戴设备通常将加速度计信号与PPG信号进行融合处理，利用自适应滤波器（如LMS算法）或独立成分分析（ICA）去除运动噪声。

2.3 电池管理：电量监测与低电量告警

电池管理是智能穿戴设备中常被忽视却至关重要的环节。本地告警功能（尤其是跌倒检测和心率异常监测）需要持续运行，若电量耗尽前未能及时提醒用户，可能导致关键告警失效。电池管理子系统主要由以下部分组成：

电量计的工作原理通常采用库仑计数法：通过一个低阻值采样电阻（如10mΩ）串联在电池负极，利用电流检测放大器测量充放电电流，并对时间积分得到消耗的电量（mAh）。同时，电量计会结合电池开路电压（OCV）进行校准，因为电池电压与剩余电量存在非线性关系。在低电量告警策略中，系统通常设置两个阈值：警告阈值（如剩余20%）和临界阈值（如剩余5%）。当电量低于警告阈值时，系统会降低非必要功能（如降低屏幕亮度、关闭连续心率监测），但保留跌倒检测等安全功能；低于临界阈值时，则发出强制告警并进入低功耗模式。

2.4 传感器数据融合与告警判断流程

单个传感器的数据往往不足以做出可靠判断。例如，仅凭加速度计无法区分“用户弯腰捡东西”和“跌倒后倒地”这两种动作。因此，现代穿戴设备采用多传感器数据融合策略。以下是一个典型的跌倒检测判断流程：

1. 加速度计持续采样：以50-100Hz采样三轴加速度，计算合成矢量幅度（SVM = √(x²+y²+z²)）。
2. 预触发检测：当SVM超过阈值（如2.5g）时，进入疑似跌倒状态，启动陀螺仪高速采样（200Hz）。
3. 姿态变化验证：在触发后1-2秒内，检查陀螺仪积分得到的姿态角变化。若从直立（约0°）变为水平（约90°），则进一步确认。
4. 撞击峰值检测：在触发后500ms内，检测是否存在SVM峰值超过4g的撞击信号。
5. 静止判定：跌倒后通常伴随一段静止期（2-10秒），加速度计方差显著降低。
6. 综合评分：将上述特征加权评分，超过阈值则触发告警。

久坐提醒则相对简单：利用加速度计判断用户是否处于静止状态（SVM方差低于阈值），结合RTC计时器累计静止时间。当连续静止超过设定值（如60分钟），且当前时间在用户设定的活动时段内，则触发提醒。心率异常告警则依赖PPG信号的质量评估——当信号质量指数（SQI）高于阈值时，才认为心率值可信，否则可能因运动伪影导致误报。

2.5 实战案例：手环跌倒检测误报排查

背景：某健康管理公司推出的一款手环在用户打羽毛球时频繁触发跌倒告警，导致用户投诉率上升。该手环采用加速度计（量程±16g，采样率100Hz）和陀螺仪（量程±2000dps），算法基于SVM阈值2.5g触发。

现象分析：通过抓取设备日志发现，羽毛球挥拍动作中，手臂快速加速和减速导致SVM峰值达到3.2g-4.5g，超过了2.5g的触发阈值。同时，挥拍后的收拍动作伴随身体重心转移，陀螺仪检测到约60°-80°的姿态变化，接近跌倒判断的90°阈值。

关键数据：

时间戳       SVM(g)    角速度(dps)   姿态角(°)
12:03:22.145  3.8       320          45
12:03:22.245  4.2       410          62
12:03:22.345  2.9       280          78
12:03:22.445  1.8       150          85

分析判断：虽然SVM和姿态角均接近跌倒特征，但挥拍动作的持续时间较短（约300ms），且撞击峰值后没有出现典型的静止期。跌倒的SVM峰值通常持续50-100ms，随后进入持续2秒以上的低活动状态。

解决方案：在算法中增加“撞击后静止期检测”条件——要求SVM峰值后1秒内，SVM平均值低于1.2g且持续时间超过1.5秒。同时，将触发阈值从2.5g提高至3.0g，并增加陀螺仪角速度变化率（角加速度）作为辅助判据。优化后，羽毛球场景的误报率降低了92%，而真实跌倒的检出率保持在97%以上。

2.6 常见误区与设计要点

误区一：传感器量程越大越好。虽然大量程可以避免信号饱和，但会降低小信号的分辨率。例如±16g量程下，16位ADC的分辨率约为0.5mg/LSB，而±2g量程下分辨率可达0.06mg/LSB。对于久坐检测等需要精细分辨微小运动的场景，过大的量程反而会降低灵敏度。

误区二：忽略传感器校准。MEMS传感器在出厂时存在零偏误差（加速度计约±50mg，陀螺仪约±5dps）。若不进行校准，长时间积分后姿态角误差会累积。建议在设备静止时进行零偏校准，并在每次开机时执行快速校准。

误区三：电池管理只关注容量。实际上，电池内阻、温度特性对低电量告警的准确性影响显著。在低温环境下（0°C以下），锂电池可用容量可能下降30%以上，若电量计未做温度补偿，可能在剩余20%电量时就突然关机。