2. 可穿戴设备与数据源剖析

可穿戴健康数据接入平台的第一道关口，不是服务器，也不是数据库，而是“设备侧”。如果对设备类型、传感器原理和数据输出格式缺乏清晰认识，后续的解析、存储和告警都会建立在错误假设之上。本节从设备分类入手，逐层剖析传感器如何把生理量转成电信号，再转成平台可消费的数据，并归纳接入过程中最常见的挑战。

一、常见设备类型与数据特征

可穿戴设备可按佩戴位置和测量方式分为几大类。腕带式设备（智能手表、手环）以光电容积脉搏波（PPG）为核心，辅以加速度计和陀螺仪，输出心率、血氧、步数、睡眠分期等；胸带式设备（心率带）使用心电电极，输出 RR 间期和瞬时心率，精度高但佩戴约束强；指夹式设备（脉搏血氧仪）通过双波长透射测量 SpO₂，适合短时点测；贴片式设备（动态心电贴、连续血糖监测 CGM）可连续记录数天，输出高频采样波形或组织间液葡萄糖浓度；此外还有耳戴式（耳温、心率）、臂带式（无创血压）和智能服装（呼吸率、体表温度）。

不同设备的数据特征差异极大：心率带采样率可达 1000 Hz，而手环心率通常 1 Hz 或更低；CGM 每 5 分钟一个点，心电贴则可能每秒数百点。平台在设计接入层时，必须按设备类型区分采样率、时间戳精度、数据量级和传输方式，不能一刀切。

二、传感器原理：从生理量到电信号

PPG 是最常见的可穿戴传感原理。LED 发出绿光（约 525 nm）或红外光照射皮肤，光电二极管接收反射光。血液搏动导致吸收光量周期性变化，形成交流分量（AC）叠加在直流分量（DC）上。心率由 AC 的周期推算，SpO₂ 则由红光与红外光的 AC/DC 比值 R 计算：R = (AC_red/DC_red)/(AC_ir/DC_ir)，再通过经验曲线映射为血氧饱和度。运动伪影、佩戴松紧和肤色都会影响 PPG 质量。

心电（ECG）传感器使用两个或多个电极测量体表电位差。胸带设备通常输出单导联信号，R 波峰值检测后得到 RR 间期，进而计算心率变异性（HRV）。加速度计基于 MEMS 电容变化测量三轴加速度，用于计步、姿态识别和睡眠体动判断；陀螺仪测量角速度，常与加速度计融合做姿态解算。温度传感器多用热敏电阻或红外热电堆，前者测体表温度，后者测耳温或额温。CGM 则使用酶电极，组织间液葡萄糖与葡萄糖氧化酶反应产生电流，电流大小与葡萄糖浓度相关。

三、数据输出格式与接入方式

设备输出的数据格式大致分四类。第一类是结构化 JSON，常见于消费级手环通过手机 App 或云 API 返回，字段如 heart_rate、steps、sleep_stage，时间戳多为秒级或毫秒级 Unix 时间。第二类是二进制帧，心率带和心电贴通过 BLE 特征值推送，需要按厂商协议解析字节序、量纲和缩放因子。第三类是点测记录，血氧仪和体温计每次测量生成一条记录，包含测量时间和数值。第四类是连续流，CGM 和动态心电以固定间隔持续输出，数据量大且需要流式处理。

接入方式上，BLE GATT 是最普遍的短距协议：设备作为外设，平台侧通过网关或手机作为中心设备订阅特征值通知。部分设备支持 Wi-Fi 直连或厂商云 API 拉取。无论哪种方式，平台都需要一个设备抽象层，把不同协议、不同字段、不同时间基准的数据统一成内部数据模型。例如，把 heart_rate 统一为 metric_type=HR、value、unit=bpm、timestamp_ms、source_device_id、quality_flag 六个核心字段。

四、接入挑战与应对思路

第一个挑战是时间戳对齐。设备本地时钟可能漂移，不同设备之间时间基准不一致。平台应在接入时记录“设备上报时间”和“网关接收时间”两个时间戳，并在数据模型中保留原始时间戳，便于后续做时钟校正。第二个挑战是采样率差异。1 Hz 的心率和 1000 Hz 的心电不能放在同一张原始表里，应按采样率分层存储：高频波形进时序库或对象存储，低频指标进关系库或宽表。

第三个挑战是运动伪影和数据质量。PPG 在运动时 AC 分量被噪声淹没，平台应支持质量标记（如 quality_flag=0/1/2 表示差/中/好），并在告警和统计时过滤低质量数据。第四个挑战是协议碎片化。同一厂商不同型号的 GATT 特征 UUID 可能不同，建议维护设备型号到解析器的映射表，新增型号时只增加解析配置而不改核心代码。第五个挑战是电量与断连。设备电量低时可能降低采样率或停止上报，平台应记录设备状态并在数据缺失时给出明确标记，而不是把缺失当成零值。

五、一个可参考的设备接入配置示例

下面给出一个简化的设备接入配置片段，用于说明平台如何描述一类设备的解析规则。该示例为教学假设，不代表任何真实厂商协议。

{
  "device_model": "example_hr_band_v1",
  "transport": "ble_gatt",
  "service_uuid": "0000180d-0000-1000-8000-00805f9b34fb",
  "characteristics": [
    {
      "name": "heart_rate_measurement",
      "uuid": "00002a37-0000-1000-8000-00805f9b34fb",
      "parser": "hr_measurement",
      "fields": [
        {"name": "hr_bpm", "type": "uint8", "offset": 1, "scale": 1.0, "unit": "bpm"},
        {"name": "rr_interval_ms", "type": "uint16", "offset": 2, "scale": 1.0, "unit": "ms"}
      ],
      "sample_rate_hz": 1,
      "quality_default": 2
    }
  ],
  "timestamp_source": "gateway_receive_time",
  "clock_drift_compensation": true
}

这段配置表达了几个关键决策：用 service_uuid 和 characteristics.uuid 定位数据来源；用 parser 指定解析器；用 fields 描述字节偏移、类型、缩放和单位；用 sample_rate_hz 标记采样率；用 timestamp_source 说明时间戳来源；用 clock_drift_compensation 决定是否做时钟校正。平台加载该配置后，即可把原始 BLE 通知解析为统一数据模型中的记录。

六、结果如何观察与判断

接入是否成功，不能只看“有没有数据”。建议观察四个指标：一是数据到达率，即设备上报条数与预期条数的比值，正常应在 95% 以上；二是时间戳单调性，同一设备的时间戳应递增，出现回退说明时钟异常；三是质量标记分布，若低质量数据占比过高，需要检查佩戴或运动状态；四是字段完整率，关键字段缺失率应接近零。只有这四项都正常，才能认为该设备类型的接入链路是健康的。

本节的核心结论是：可穿戴数据接入不是简单的“收数据”，而是要在设备类型、传感器原理、输出格式和接入挑战四个层面建立清晰的工程认知。只有把设备侧的差异抽象成平台侧的统一模型，后续的存储、分析和告警才有可靠基础。