人体日常健康管理可穿戴设备研究进展

李安安 石萍

0 引言

可穿戴设备，也称为可穿戴式生物传感器，可以收集人群的原始生理参数，再经处理成为用户容易理解的健康数字信息从而进行健康监测，如对心率、血压、血氧饱和度、血糖及体温等的连续监测。同时，可穿戴设备还可以采集步数、活动类别、体态、活动轨迹、睡眠监测及能量消耗等相关指标。根据用户需求及设备实现的功能不同，将其穿戴在人体的不同部位。常见的穿戴位置及信息传输存储流程如图1所示。相对于早期的可穿戴设备，近年来可穿戴设备在设计上具有更轻便、精细和时尚的特点。同时，随着人们对移动健康的需求增大，对可穿戴设备的性能也提出了更高的要求。

图1 可穿戴设备常见穿戴位置及数据传输存储流程图Figure 1 Common wearable position of wearable device and flowchart of data transmission and storage

为了更好地了解不同可穿戴设备在健康相关领域的应用现状，本文采用文献追踪方法，利用PubMed及CNKI数据库对近十年的文献使用“可穿戴设备”关键词进行搜索。由于本文只研究可穿戴设备在人体健康领域的应用，因此，在工业、教育及军事等领域的研究被排除在外。通过对文献涉及的可穿戴设备应用领域和设备使用的具体传感器及相关算法对搜索到的文献进行了分类，并总结了可穿戴设备在日常应用过程中涉及的相关关键技术，并分析了其可能存在的问题，且对智能可穿戴设备在人体健康相关领域的发展趋势进行了综述。

1 应用现状

本文利用PubMed数据库对近十年的文献使用“可穿戴设备”关键词进行搜索，共552篇文献(除去908篇综述类文献)，通过对文献中研究使用的可穿戴设备进行统计汇总，根据可穿戴设备实现的功能及应用领域可以分为以下几类。

1.1 娱乐休闲类

智能眼镜、无线耳机及VR头盔等产品是典型的休闲娱乐类可穿戴设备，此类产品占据可穿戴设备大部分市场，除外观精美以外，其核心技术主要在于设备的续航能力、无线通讯技术及人机交互效果等。一般这类可穿戴设备会结合相机、视频、音乐等多媒体的应用，主要用于满足用户浏览图片、网页等操作，典型的商业产品如Google glass、BaiduEye、Emotiv头盔、Apple watch等。

1.2 运动检测类

大多数的运动检测类穿戴设备都内置有气压计、三轴加速度传感器和陀螺仪，可以实现对运动过程中的步数、距离、卡路里消耗、活动类型和姿势的检测。由于运动过程中信号具有极大的不稳定性，因此对传感器的灵敏性及算法的准确性具有很高的要求。使用不同传感器的商业化可穿戴设备应用越来越广泛，其中最热的是在惯性测量装置的运动分析和活动监测领域[1]。一般来说，运动类穿戴设备具有的滤波器、峰谷检测和频域自适应阈值功能可使设备针对不同的用户及环境表现出较强的稳定性。但大多数情况下鲜有研究者将传感器信号与活动检测量之间建立联系，形成数学模型。

1.2.1 计步

计步是运动检测类穿戴设备的基本功能，计步功能主要是基于微机电系统实现的。常见的计步检测算法主要有峰值检测算法[2]、动态阈值检测算法、零速率修正算法、自相关算法及两种或多种算法结合等。其他基于时间和频率的方法，如傅里叶变换和小波变换等，能够利用步行周期实现对步长的准确检测。有研究表明，商用健身可穿戴设备相对于研究级的加速度计，对活动强度的评估准确性不高[3]。Winfree等[4]对Fitbit进行了评估，发现Fitbit对运动强度的评估准确率低，该团队还利用Actiongraph GT3X算法并结合贝叶斯分类器对Fitbit Flex进行了改进，将误差率降低到了16.32%。陶瑞媛等[5]对基于Android系统的多款计步APP做了评估，结果显示，健身类APP的计步功能准确性与实际步行速度及设备放置位置相关。在一般情况下，佩戴在髋部或脚部的计步器比佩戴在手腕，或利用智能手机测量的计步器准确性更高。Toth等[6]对市面上的8种计步器(StepWatch、ActiPAL、Fitbit Zip、Yamax Digi-Walker SW-200、New Living Style NL-2000、Actiongraph GT9X、Fitbit Charge和Fitbit AG)利用14种不同的计步方法进行了对比分析，发现StepWatch的计步准确率最高。多种校准方法可用来提高可穿戴设备计步功能的准确性，如基于单个用户进行个性化设置，并在启动计步功能之前检测最小步行持续时间等方法[7]。

1.2.2 能量消耗

可穿戴设备的功能逐渐多样化，其中卡路里消耗是消费者关注的重点之一。一般来说，能量消耗(energy expenditure，EE)的测量有直接测量法和间接测量法，可由氧热价、呼吸熵等来表示，根据体质量、运动时间、速度、距离等采用不同的公式进行EE计算。其中，双标水法和气体代谢分析法被称为评估EE的“金标准”，但价格都较昂贵且存在不适用的情况。与健康相关的智能可穿戴设备多采用MotionX技术，使用3D加速度计识别运动模式，并将其转换成可以识别的能量消耗量[8]。

目前，尚未有单一技术能实现在自由生活条件下对EE的准确量化，但可结合多种方法来提高准确率，如心率、加速度测量及步数统计等。Pande等[9]开发了一个基于神经网络和套袋回归树的初始线性回归模型，结合气压计数据测得的EE与黄金标准热量计(COSMED K4b2)测得的实际EE相关性可达96%。Shcherbina等[10]选取了60名志愿者，在不同状态下接受7款设备的评估，实验表明，Apple Watch 3总体误差率最低，Samsung gear S2误差率较高，所有设备误差率均超过20%，多数手腕佩戴的设备在实验室活动中EE测量效果差。有研究者对比了3款商用运动手表(Suinto Ambit2、Garmin Forerunner920XT和Polar V800)，发现设备对于EE值的计算准确性依赖于运动强度，高强度运动下3款设备误差率都较高[11]。使用可穿戴设备进行户外活动EE检测的准确率仍较低，需要开发更加有效的运动检测传感器和算法[12]。

1.2.3 活动轨迹及运动分类

人体活动识别系统大体可分为两类：(1) 基于计算机视觉的系统；(2) 基于加速度传感器的系统[13]。多种传感器可被用来改善识别系统的性能，如RGB传感器、深度传感器(Kinect等)及惯性传感器等。传统的运动识别主要遵循图2所示的模式[1]。

图2 传统运动识别开发系统方案Figure 2 Traditional motion recognition development system

Mooney等[14]对Finis Swimsense®和Garmin SwimTM两款设备进行了评估，两款设备的算法均能对不同的泳姿做到准确评估，但准确性有个体差异(专业运动员的准确性比业余爱好者准确性高)。Kanoga团队[15]利用肌电控制系统通过表面肌电图识别运动，发现相较传统的运动识别算法，臂带式表面肌电信号装置短期使用具有较强的性能，但不适合长期使用。商用智能穿戴设备多采用GPS 传感器实现定位功能，配合三轴传感器实现对不同运动模式(爬坡、步行、骑车等)的识别，使用第三方应用可以实时显示动态运动轨迹。

1.3 人体健康监测及医疗应用类

可穿戴设备不仅可以提供短时生理数据，还可以在不同的条件下实现长期且持续的人体监测，可为临床决策提供一定依据[16-20]。Jovanov[21]发现，可穿戴健康检测设备干预的10名慢性病患者在3个月后平均体重明显下降，且体力活动水平和健康状态均明显改善。Voss等[22]利用Google glass对孤独症谱系障碍儿童进行干预，通过可穿戴设备的图片、音频等干预措施教会儿童识别、表现情绪，临床研究发现可穿戴设备引导的数字化家庭治疗可以提高当前的护理水平。

1.3.1 睡眠监测

一般来说，采用多导睡眠图(polysomnography,PSG)作为评估睡眠的金标准，但其仅适用于临床及实验室研究环境，且需要专业人员操作。非实验室环境下一般使用Actigraph，这款设备可全天佩戴，通过三轴加速度计等将采集到的生理信号转换为数字信号并导出，但Actigraph存在一定缺陷，不能识别静止状态下的觉醒[23]。

Gautam等[24]基于Kushida算法、统计函数和隐马尔科夫模型将智能手机内置加速度传感器采集的人体数据进行分类，区分睡眠和清醒两种状态。Meltzer等[25]在63名青少年及儿童中评估了Fitbit Ultra的睡眠监测效果，实验证明，与PSG相比，Fitbit Ultra在正常模式高估了睡眠总时间和睡眠效率，敏感模式下相反。因此在临床上这款设备还不能替代传统PSG，需慎重使用。Xie等[26]通过荟萃分析对市面上销量最高、评价最好的几款产品做了多种功能评估，就睡眠监测来说，这些可穿戴设备实现的精准度比较高，平均绝对百分比误差为0.11且不同设备之间的差异很小。先前的研究发现，仅使用运动传感器识别睡眠状态会产生较大的误差，容易把静止清醒状态归为睡眠状态，因此建议使用多传感器检测睡眠，引入新的算法和参数评估睡眠状态可能会有更好的效果[23]。

1.3.2 房颤检测

房颤属于最常见的心律失常类疾病，且容易引发动脉栓塞、肺栓塞、心功能不全、心脏猝死等并发症，因此，房颤的早期预测和及时治疗对降低脑卒中及其他血管栓塞类疾病的发病率有很大的意义[27]。

常见的房颤检测装置主要为临床心电图、置入式心电设备及便携式可穿戴心电测量装置。光电容积描记技术(photoplethysmography,PPG)是最常见的用于检测心脏功能的可穿戴设备技术，通常来自PPG传感器的数据用拍频检测算法处理，一般包括数据预处理、波形提取、峰谷检测及拍间间隔的分类等[28]。有研究提出了一种新框架，通过改进的频率切片小波变换和卷积神经网络结合来区分房颤及其他类型的心搏，证实了从短期信号中准确识别房颤是有可能的[29]。还有配合ECG设备使用的便携式心电测量装置，范平等[30]利用“掌上心电”E-U08装置在院外实现了远程监测患者心电并实时反馈给院内医生的操作，检出率显著高于传统的12导联心电图机。William等[31]通过52名患者的卡地亚移动心脏监测器与导联心电图对照，证实了临床医生在设备的辅助下能够提高对房颤的检测准确率及效率。AliveCor发布的第一款被批准使用的智能手表配件Kardia Band(KB)通过记录单导联ECG信号检测房颤[32]，其后发布了可以使用六导联的Kardia Mobile 6L心电设备。Study Watch可以记录、存储并显示ECG波形图，但这款手表仅能用于实验室研究，暂不可提供用户数据访问[33]。

房颤是一种严重的心律不齐现象，伴随多种并发症，是导致心肌梗死等多种心脏疾病的主要原因，小型可穿戴设备若要实现自动房颤检测需要精密的传感器及算法，对技术要求较高。

1.3.3 跌倒检测

识别跌倒并启动预警可以有效降低相关疾病发病率和死亡率。临床检测受时间空间限制，且使用的设备较为笨重。可穿戴设备实现的跌倒检测功能在实际应用中不易出现信号错误，最为实用。

一般的可穿戴设备多基于加速度计、陀螺仪和磁强计等三轴装置，还有多传感器融合检测及基于视频的检测。有研究采用机器学习的方法来区分跌倒和正常状态，常用的方法有k-NN、最小二乘法、支持向量机、贝叶斯决策、动态时间规整及人工神经网络[34]等。还有一些研究利用统计分析提取信号特征来识别跌倒趋势。一般来说，跌倒风险具有个体差异性，与年龄、体质量等有很大关系，且所处的环境对其也有很大影响。基于生物力学模型的分析方法需提取特定的特征，最终的模型性能取决于具体模型结构以及输入的数据。Aicha等[35]对传统的生物力学模型及其提出的深度学习神经网络模型做了对比，发现后者的跌倒风险预测精度明显较高。

除了传感器的类型和数量之外，传感器的放置位置也对检测效果有很大影响。Özdemir团队[36]对传感器数量、受试者、传感器放置位置、传感器组合、分类算法及性能做了总结，研究发现，简单地减少传感器数量会降低检测精度，使用k-NN算法的传感器放置在腰部可使灵敏度达到99.96%。

1.3.4 血糖检测

临床上通常使用动态血糖监测(continuous glucose monitoring,CGM)设备对糖尿病进行诊断和管理。CGM对2型糖尿病患者血糖监测可有效控制血糖,减少胰岛素用量[37]。一般来说，CGM为预测血糖浓度随时间波动的数学模型提供输入值，这种算法依赖于影响葡萄糖代谢的膳食摄入量、活动和情感等因素的输入，但基于深度学习和支持向量机的方法则可以不考虑这些输入量，且能够对1型2型糖尿病患者的血糖变化进行60 min的预测[38-39]。Bonn等[40]发现智能手机APP结合人体运动能耗监测仪GTX3X对2型糖尿病患者进行干预能使患者运动量和糖脂代谢指标明显改善。Mhaskar等[39]利用深度神经网络对群体进行血糖评估，结果显示，相对于浅层网络，深度神经网络检测效果更好。可穿戴设备用于检测血糖的产品较少，是仍待研究探索的领域。

2 关键技术

市场上的可穿戴设备种类繁多，不同的功能实现取决于不同的技术支持，如设备本身采用的传感器、外部的数据接收设备、无线通讯技术及数据存储平台等。

可穿戴设备使用的传感器主要分为运动传输型传感器、生物传感器以及环境传感器，具体有陀螺仪、加速度计、磁力计、光电传感器、气压高度计及温度传感器等。其人机交互与普通的智能设备不同，是直接充分的交互方式，主要包括语音交互、触觉交互、意识交互等。同时，由于可穿戴设备涉及的领域广，数据量大，应用人群多样化，需要借助人工智能对设备及平台进行优化。无线通讯技术是连接用户及设备之间的纽带，能够实现用户之间、用户与设备、设备与设备之间的数据通信及信息共享。现在常用的通讯技术主要有近场通信技术、蓝牙和无线网络技术。用户可在低耗能情况下，通过无线通讯技术将数据传输至云平台储存以待后续的查看、使用及分享。虚拟现实、增强现实等应用于可穿戴领域相较于传统的人机交互模式，更加注重人类感官的实际感受。获取信息的途径不再受时间空间的限制，虚拟屏幕可能成为人机交互的一种视觉补充。

3 总结与展望

传统的可穿戴设备多是有专人指导的基于研究机构或医疗场所的设备，为特定用户提供实时的可视化生理数据。随着人们对健康的重视，智慧医疗的概念更深入人心。因医疗资源有限，可穿戴设备也意味着向个体医疗应用领域转型，可穿戴设备势必向更信息化、数字化、智能化的方向发展[41]。由于设备本身使用的传感器、外部数据接收设备、无线通讯技术及数据存储平台等技术的发展，除普通的运动检测功能，目前大多数智能可穿戴设备都具有一定的人体健康管理功能，且检测数据可信度较高。

但智能可穿戴设备的普及仍面临一系列的问题与挑战(表1)，互联网技术的发展使得人们除了对设备信号可靠性、长期使用的稳定性和舒适性上有高要求外，对数据的隐私保护方面也更加关注，需要不断改进处理信号及分析数据的算法[45-46]。大多数可穿戴设备独立性不强，多需相应的终端APP支持。同时，便携式的特点也要求可穿戴设备的传感器小型化、融合化，还要求设备具有一定的电池续航能力。由于应用领域的不同，对于一般的智能可穿戴设备仍缺少统一的标准，虽然市场上可穿戴设备种类繁多，功能复杂，但对于特殊群体(老人、小孩及孕妇等)的应用仍存在较大的争议。

表1 可穿戴设备应用现状Table 1 The application status of wearable devices

虽然存在诸多挑战，但便携式智能可穿戴设备的发展已成大趋势，随着科技的发展，设备的硬件技术(处理器、电池技术等)、软件系统(用户为中心的更加精准的算法等)及云服务(个性化服务等)都会实现一定程度的性能提升，用户体验感也会显著增强。同时，5G技术的发展[47]，通信互联网技术的应用会更加深入，在后疫情时代为紧缺的医疗资源提供技术补充。这一趋势将促进更多领域专业知识的交叉融合，促进各行业协同发展，也将会为智能可穿戴设备营造出一个更加健康、安全的应用环境。