可穿戴设备基础：常见传感器（PPG、ECG、IMU、体温、血氧）的工作原理、选型与数据特性
在Edge AI可穿戴健康监测系统中，传感器是物理世界与数字智能之间的第一道桥梁。无论是检测心率、追踪运动姿态，还是评估血氧饱和度，所有下游的AI推理、异常预警和临床决策都依赖于传感器输出的原始信号质量。本章将深入剖析五类核心传感器——PPG（光电容积脉搏波）、ECG（心电）、IMU（惯性测量单元）、体温与血氧传感器——的工作原理、关键选型参数及其数据特性，帮助你在硬件选型和数据管线设计阶段就建立正确的工程判断。
2.1 PPG传感器：光学心率与血氧感知的核心
核心原理
PPG（Photoplethysmography，光电容积脉搏波描记法）利用光在人体组织中的吸收与反射特性来检测血液容积变化。其基本原理是：LED发出特定波长的光照射皮肤，光电二极管（PD）接收经过组织吸收、反射或透射后的光信号。当心脏收缩时，血管内血容量增加，光吸收量增大，接收到的光强减弱；心脏舒张时则相反。这一周期性变化即构成PPG波形。
在波长选择上，绿光（530nm左右）对血红蛋白吸收率最高，适合腕部等皮肤较厚部位的心率检测；红光（660nm）与红外光（940nm）则用于血氧饱和度计算，因为氧合血红蛋白（HbO₂）与脱氧血红蛋白（Hb）在这两个波长下的吸收系数差异显著。典型PPG传感器（如Maxim MAX30102、TI AFE4404）内部集成了LED驱动、跨阻放大器（TIA）、ADC和数字滤波逻辑，通过I2C接口直接输出数字信号。
选型关键参数
| 参数 | 典型范围 | 选型考量 |
|---|---|---|
| LED波长 | 绿光520-540nm / 红光660nm / 红外880-940nm | 绿光适合心率，红+红外组合支持SpO₂ |
| ADC分辨率 | 16-22 bit | 高分辨率可捕捉微弱脉搏信号 |
| 采样率 | 25-100 Hz | 心率检测25Hz足够，HRV分析需≥50Hz |
| 动态范围 | 90-110 dB | 适应不同肤色、佩戴松紧度 |
| 功耗 | 0.5-5 mW | 可穿戴设备需考虑电池续航 |
| 环境光抑制 | 内置环境光消除电路 | 户外运动场景必备 |
数据特性与处理要点
PPG信号幅度通常在毫伏级，极易受到运动伪影干扰。当佩戴者手臂摆动时，传感器与皮肤之间的相对位移会产生基线漂移和大幅噪声，其频率可能与心率频带（0.5-4Hz）重叠，导致传统滤波器难以有效分离。数据特性上，PPG信号具有以下特点：
- 准周期性：波形近似周期信号，但受呼吸、血压波动影响存在心率变异性（HRV）
- 低频漂移：由组织缓慢位移和温度变化引起，需高通滤波（截止频率0.3-0.5Hz）
- 运动伪影：幅度可达有效信号的数倍，需加速度计辅助的自适应滤波或时频分析
2.2 ECG传感器：心电信号的精准采集
核心原理
ECG（Electrocardiogram，心电图）通过体表电极记录心脏电活动引起的电位变化。心肌细胞在除极和复极过程中产生微弱的生物电信号（约0.5-4mV），通过导电电极和仪表放大器（INA）进行差分放大。典型穿戴式ECG采用单导联或双导联设计，电极放置于胸部或手腕，通过Ag/AgCl干电极或湿电极与皮肤接触。
ECG信号的关键特征包括P波（心房除极）、QRS波群（心室除极）和T波（心室复极）。其中QRS波群是心率检测和心律失常分析的核心特征，其幅度通常为1-2mV，持续时间约80-120ms。与PPG相比，ECG提供的是心脏电活动的直接测量，不受外周血液循环影响，因此心率检测精度更高，且能提供更丰富的病理信息（如ST段改变、QT间期延长等）。
选型与电路设计要点
穿戴式ECG前端芯片（如TI ADS1292、ADI AD8232）集成了仪表放大器、右腿驱动（RLD）电路和24位Δ-Σ ADC。选型时需关注：
- 输入参考噪声：应小于10µVpp，以保证P波和T波可辨识
- 共模抑制比（CMRR）：≥100dB，抑制工频干扰
- 输入偏置电流：干电极场景下需极低偏置电流（<1nA）
- 导联脱落检测：自动检测电极接触状态，避免无效数据
数据特性与处理策略
ECG数据特性与PPG有显著差异：ECG信号频带集中在0.5-100Hz，其中QRS波群能量集中在5-25Hz。采样率建议不低于125Hz，推荐250-512Hz以保留更精细的波形特征。ECG信号处理的核心挑战在于工频干扰（50/60Hz）和肌电噪声（EMG，频率30-300Hz）。
背景与约束：某健康手表产品需在腕部实现房颤（AF）筛查，硬件采用ADS1292 + 双电极腕带设计，MCU为Cortex-M4（主频80MHz），内存仅64KB。
初始现象：腕部ECG信号幅度仅0.3-0.8mV，远低于胸导联，且运动伪影严重，R波检测准确率仅82%。
分析过程：通过频谱分析发现，腕部ECG的QRS能量集中在8-20Hz，而运动伪影主要分布在0.5-5Hz。采用带通滤波（5-30Hz）后，R波检测率提升至91%，但仍不满足95%的目标。
解决方案：引入IMU加速度信号作为参考，采用归一化最小均方（NLMS）自适应滤波器消除运动伪影；同时优化R波检测算法，采用小波变换（Daubechies-4）替代传统阈值法。
结果对比：R波检测准确率提升至96.8%，房颤检测灵敏度达94.2%，特异性95.1%。
代价与复盘：自适应滤波增加约12ms延迟和8KB内存占用，但换来了显著的准确率提升。经验是：腕部ECG必须结合IMU数据，单一信号源难以满足临床级要求。
2.3 IMU传感器：运动感知与姿态追踪
核心原理
IMU（Inertial Measurement Unit）通常集成了三轴加速度计和三轴陀螺仪，部分型号还包含磁力计（9轴IMU）。加速度计基于MEMS（微机电系统）原理，通过检测质量块在加速度作用下的位移变化来测量线性加速度；陀螺仪则利用科里奥利效应测量角速度。在可穿戴健康监测中，IMU承担多重角色：运动状态识别（静止、走路、跑步）、姿态解算（俯仰、横滚、偏航角）、能量消耗估算以及PPG/ECG运动伪影的参考信号。
选型关键参数
| 参数 | 加速度计 | 陀螺仪 | 选型建议 |
|---|---|---|---|
| 量程 | ±2g ~ ±16g | ±125 ~ ±2000dps | 日常活动选±8g/±500dps |
| 噪声密度 | 80-300 µg/√Hz | 0.003-0.01 dps/√Hz | 低噪声保证姿态解算稳定性 |
| 输出数据率 | 50-400Hz | 50-400Hz | 与PPG采样率匹配 |
| 零偏稳定性 | — | ±1-5 dps | 影响长时间姿态漂移 |
| 接口 | I2C/SPI | I2C/SPI | SPI适合高数据率场景 |
数据特性与融合策略
IMU数据具有高频特性，加速度计输出包含重力分量（1g）和运动加速度，需要低通滤波（截止频率5-10Hz）分离重力，用于姿态初始对准。陀螺仪数据积分会产生累积漂移，需通过加速度计和磁力计进行互补滤波或卡尔曼滤波校正。在Edge AI场景中，常用的姿态解算算法包括Mahony滤波和Madgwick滤波，两者计算量小，适合MCU实时运行。
2.4 体温传感器与血氧传感器
体温传感器：NTC与红外热电堆
体温监测在可穿戴设备中通常采用两种方案：NTC热敏电阻和红外热电堆。NTC方案通过测量电阻值随温度的变化来推算体温，成本低、响应快，但需要与皮肤良好接触，且受环境温度影响较大。红外热电堆方案通过检测人体辐射的红外能量来非接触式测量体温，适合耳温枪或额头测温，但在可穿戴设备中功耗较高。
选型时需关注：精度（±0.1°C为医疗级）、热时间常数（<2s）、长期稳定性（漂移<0.05°C/年）以及校准方式。在数据特性上，体温信号变化缓慢（0.01-0.1°C/min），采样率0.5-2Hz即可满足需求，但需要高分辨率ADC（≥16bit）以分辨微小温度变化。
血氧传感器：基于朗伯-比尔定律
血氧饱和度（SpO₂）测量基于朗伯-比尔定律，通过红光（660nm）和红外光（940nm）两种波长的光吸收比值（R值）来计算。氧合血红蛋白对红光吸收较弱、对红外吸收较强；脱氧血红蛋白则相反。通过计算AC分量（脉动部分）与DC分量（恒定部分）的比值，得到R值，再通过经验校准曲线映射为SpO₂百分比。
血氧传感器的数据特性与PPG高度耦合，通常共用同一光学前端。关键区别在于：SpO₂计算需要精确提取PPG波形的AC/DC分量，对信号质量要求更高。运动状态下，AC分量被严重干扰，导致SpO₂读数漂移。因此，血氧测量通常要求佩戴者保持静止，或在算法中结合IMU数据进行运动补偿。
数据融合与Edge AI设计考量
在Edge AI可穿戴设备中，多传感器数据融合是提升监测准确性的关键。建议采用以下架构：
- 时间同步：所有传感器共享同一时间基准，确保数据对齐（误差<1ms）
- 分级处理：MCU先进行信号质量评估（SQ），丢弃低质量数据段，再送入AI模型
- 特征级融合：将PPG的HRV特征、ECG的QRS形态特征、IMU的运动状态特征组合为多维特征向量
- 功耗管理：根据运动状态动态调整采样率——静止时降低PPG采样率至25Hz，运动时提升至50Hz并开启IMU
背景：某医疗级手环需在家庭场景下筛查OSA，要求整晚（8小时）连续监测SpO₂、心率和体动。
关键输入：MAX30102（PPG+SpO₂）+ BMI160（IMU）+ 体温传感器，MCU为nRF52840（Cortex-M4）。
分析判断：OSA的典型特征为睡眠中反复出现血氧下降（≥3%）伴随心率波动和体动觉醒。算法需在低功耗下实时检测SpO₂下降事件。
实际操作：采用两级检测——MCU端实时计算SpO₂滑动窗口（30秒）均值，当下降超过2%时触发IMU数据记录和ECG（如有）快照；边缘AI模型（轻量级随机森林）对事件片段进行分类，区分OSA事件与伪影。
结果：整晚功耗控制在45mAh（约占总电量15%），OSA检测灵敏度88%，特异性91%。
复盘经验：体温传感器在OSA筛查中价值有限，但可用于排除发热引起的误判；IMU的体动信号是区分OSA事件与翻身伪影的关键。
2.5 传感器选型综合对比与总结
| 传感器 | 核心参数 | 典型功耗 | 数据率 | 主要挑战 | Edge AI角色 |
|---|---|---|---|---|---|
| PPG | 波长、ADC位数、采样率 | 1-5mW | 25-100Hz | 运动伪影、肤色差异 | 心率、HRV、SpO₂ |
| ECG | 噪声、CMRR、采样率 | 0.5-2mW | 125-512Hz | 电极接触、工频干扰 | 心律失常、QRS检测 |
| IMU | 量程、噪声、零偏 | 0.5-3mW | 50-400Hz | 积分漂移、温度漂移 | 运动识别、姿态、伪影消除 |
| 体温 | 精度、热时间常数 | 0.1-1mW | 0.5-2Hz | 接触热阻、环境温度 | 发热预警、基础体温 |
| 血氧 | 波长对、校准曲线 | 与PPG共享 | 25-50Hz | 低灌注、运动干扰 | SpO₂、OSA筛查 |
在Edge AI可穿戴设备的传感器选型中，不存在“最好”的传感器，只有“最合适”的方案。设计者需要根据目标应用场景（健康监测、运动追踪、慢病管理）、佩戴位置（手腕、胸部、耳部）、功耗预算和成本约束进行综合权衡。核心原则是：传感器选型决定了数据质量的上限，而算法和AI模型只能在下限之上进行优化。因此，在项目初期投入足够时间进行传感器选型和信号链路验证，往往比后期优化算法更能带来显著的性能提升。