智能穿戴设备基础：常见穿戴设备类型、硬件架构、传感器类型及其数据特点

智能穿戴设备是TinyML最典型的落地场景之一。理解穿戴设备的硬件边界、传感器数据特性以及功耗约束，是进行后续源码移植、模型压缩和功耗调优的前提。本章从设备分类、硬件架构、传感器选型与数据特征四个维度展开，帮助开发者建立从物理世界到数字信号的完整认知链路。

2.1 穿戴设备分类与硬件架构核心原理

智能穿戴设备按照佩戴位置和功能定位，可分为手腕类（手表、手环）、头部类（AR/VR眼镜、耳机）、躯干类（智能胸带、医疗贴片）以及脚部类（智能鞋垫）。尽管形态各异，其硬件架构高度趋同：以超低功耗MCU为核心，外接传感器阵列、无线通信模块、电源管理单元和有限的人机交互接口。典型架构中，MCU通过I2C/SPI总线挂载IMU、PPG等传感器，通过UART或BLE与手机通信，电源部分采用锂聚合物电池加DC-DC转换器，整体PCB面积通常小于200mm²。

从TinyML视角看，穿戴设备硬件架构的关键约束在于：算力（通常为几十至几百MHz的Cortex-M4/M33）、内存（RAM 64KB~512KB）、存储（Flash 512KB~4MB）以及峰值功耗（<10mW）。这意味着模型推理必须在极低资源下完成，通常采用INT8量化、1D-CNN或轻量级Transformer架构。此外，穿戴设备往往没有主动散热，芯片温度漂移会影响传感器精度，因此模型需要具备一定的鲁棒性。

2.2 传感器类型及其数据特点

穿戴设备中最常用的传感器包括：惯性测量单元（IMU，含加速度计和陀螺仪）、光电容积脉搏波（PPG）、心电（ECG）、体温、环境光、气压和麦克风。这些传感器的数据特点差异显著，直接影响预处理和模型设计策略。

传感器	采样率范围	数据维度	噪声特性	典型应用
加速度计	25~200Hz	3轴 (X/Y/Z)	高频振动噪声、重力分量	计步、跌倒检测、手势识别
陀螺仪	25~200Hz	3轴 (X/Y/Z)	温漂、零偏不稳定	姿态估计、旋转检测
PPG	25~100Hz	1~2通道	运动伪影、环境光干扰	心率、血氧、压力指数
ECG	125~500Hz	1~3导联	肌电干扰、基线漂移	心律失常检测、HRV分析
体温	0.1~1Hz	1维	热惯性、接触压力影响	发热监测、基础体温
麦克风	8~16kHz	1通道	环境噪声、回声	语音命令、咳嗽检测

数据特点的核心规律是：IMU数据具有高频、短时相关性，适合用窗口化特征（如FFT、均值、方差）提取；PPG/ECG数据具有强周期性，但极易受运动伪影污染，需要结合IMU进行自适应滤波；环境光、温度等慢变数据则适合低频采样和阈值判断。在TinyML模型设计中，通常将原始数据切分为1~5秒的滑动窗口，每个窗口内做归一化、去直流、带通滤波等预处理，再送入模型。

2.3 穿戴设备数据采集与预处理操作流程

在实际项目中，穿戴设备的数据采集需要遵循一套标准流程，以保证数据质量和模型训练的可靠性。以下是推荐的六步操作流程：

1. 传感器初始化：配置采样率、量程（如加速度计±2g/±4g/±8g）、FIFO缓冲深度，并校准零偏。
2. 数据同步：多传感器之间需要时间戳对齐，通常以MCU的RTC或BLE帧同步信号为基准。
3. 信号调理：对原始ADC值进行低通滤波（如截止频率为采样率1/4的Butterworth滤波器），去除高频噪声。
4. 数据打包：按固定窗口长度（如64个采样点）封装为数据帧，添加CRC校验和序列号。
5. 边缘缓存：在MCU内部环形缓冲区暂存数据，防止突发写入Flash时丢失。
6. 传输或推理：若开启TinyML推理，则直接调用模型进行实时分类；否则通过BLE批量传输至手机端。

在代码实现层面，以STM32L4系列为例，使用DMA+定时器触发方式采集IMU数据，可显著降低CPU占用率。以下是一个简化的传感器数据采集初始化片段：

// 初始化加速度计（ADXL345）为±4g量程，100Hz输出
void accel_init(void) {
    uint8_t data = 0x0B;  // 100Hz, 测量模式
    i2c_write(ADXL345_ADDR, BW_RATE_REG, &data, 1);
    data = 0x09;  // ±4g
    i2c_write(ADXL345_ADDR, DATA_FORMAT_REG, &data, 1);
    data = 0x08;  // 启动测量
    i2c_write(ADXL345_ADDR, POWER_CTL_REG, &data, 1);
}

2.4 案例拆解：智能手环跌倒检测系统的传感器选型与数据链路

以一个典型的智能手环跌倒检测功能为例，其硬件约束为：Cortex-M4 @ 64MHz，RAM 128KB，Flash 1MB，电池容量200mAh。初始设计目标是在误报率低于5%的前提下，跌倒检测灵敏度达到90%以上。

传感器选型：采用BMI160六轴IMU（加速度计+陀螺仪），采样率设为50Hz，量程±8g。选择该传感器是因为其内置FIFO可缓存32帧数据，允许MCU在低功耗模式下批量读取，降低唤醒频率。

数据链路设计：BMI160通过SPI接口连接MCU，中断引脚INT1连接到MCU的EXTI引脚。当加速度幅值超过阈值（如2.5g）时触发中断，MCU从睡眠中唤醒，读取FIFO中前后各1秒的数据（共100帧），进行特征提取。

特征工程：对每个窗口提取以下特征：合成加速度向量幅值（SVM）的峰值、峰值持续时间、姿态角变化量、以及频域能量。这些特征输入一个两层1D-CNN模型（参数量约8K），量化后模型大小约32KB，推理时间约15ms。

实测结果：在10名受试者、每人20次模拟跌倒和20次日常活动（坐下、走路、弯腰）的测试中，灵敏度达到93%，误报率为4.2%。相比纯阈值算法（灵敏度78%，误报率12%），TinyML模型显著提升了性能。

代价与风险：模型推理增加了约0.8mA的峰值电流，但通过将推理频率限制在事件触发后的一次执行，整体平均功耗仅增加0.02mA，对200mAh电池的续航影响可忽略。主要风险在于传感器在剧烈运动时的非线性饱和，以及不同佩戴松紧度导致的信号幅值变化，需在训练数据中增加多姿态、多佩戴方式的样本。

2.5 常见误区与设计复盘

在穿戴设备开发中，工程师常陷入以下误区：

• 误区一：采样率越高越好。实际上，过高的采样率会快速填满FIFO并增加功耗，对于跌倒检测等慢变事件，50Hz已足够；对于语音识别，16kHz是下限，但需要专用音频编解码器。
• 误区二：忽略传感器校准。加速度计和陀螺仪的零偏误差若不校准，会导致姿态漂移，使模型输入分布偏移。建议每次上电时执行6位置校准或使用内置自校准功能。
• 误区三：模型输入直接使用原始ADC值。不同设备的ADC参考电压不同，导致数据范围不一致。应统一转换为物理单位（如m/s²、μV），再进行标准化。
• 误区四：忽视温度影响。PPG传感器的LED发光效率随温度变化，导致信号幅值漂移。在模型训练时加入温度特征或使用差分信号可缓解此问题。

复盘一个失败案例：某团队在开发睡眠监测手环时，直接使用公开数据集训练模型，未考虑自身硬件PPG传感器的采样率（25Hz）与公开数据集（100Hz）不匹配，导致模型在真实设备上准确率骤降。解决方案是重新采集数据并调整模型输入层尺寸，同时增加运动伪影消除模块。这一教训说明，穿戴设备的数据分布高度依赖硬件特性，模型必须与传感器硬件联合调优。