李安安 石萍

0 引言

可穿戴設備，也稱為可穿戴式生物傳感器，可以收集人群的原始生理參數(shù)，再經(jīng)處理成為用戶容易理解的健康數(shù)字信息從而進行健康監(jiān)測，如對心率、血壓、血氧飽和度、血糖及體溫等的連續(xù)監(jiān)測。同時，可穿戴設備還可以采集步數(shù)、活動類別、體態(tài)、活動軌跡、睡眠監(jiān)測及能量消耗等相關指標。根據(jù)用戶需求及設備實現(xiàn)的功能不同，將其穿戴在人體的不同部位。常見的穿戴位置及信息傳輸存儲流程如圖1所示。相對于早期的可穿戴設備，近年來可穿戴設備在設計上具有更輕便、精細和時尚的特點。同時，隨著人們對移動健康的需求增大，對可穿戴設備的性能也提出了更高的要求。

圖1 可穿戴設備常見穿戴位置及數(shù)據(jù)傳輸存儲流程圖Figure 1 Common wearable position of wearable device and flowchart of data transmission and storage

為了更好地了解不同可穿戴設備在健康相關領域的應用現(xiàn)狀，本文采用文獻追蹤方法，利用PubMed及CNKI數(shù)據(jù)庫對近十年的文獻使用“可穿戴設備”關鍵詞進行搜索。由于本文只研究可穿戴設備在人體健康領域的應用，因此，在工業(yè)、教育及軍事等領域的研究被排除在外。通過對文獻涉及的可穿戴設備應用領域和設備使用的具體傳感器及相關算法對搜索到的文獻進行了分類，并總結了可穿戴設備在日常應用過程中涉及的相關關鍵技術，并分析了其可能存在的問題，且對智能可穿戴設備在人體健康相關領域的發(fā)展趨勢進行了綜述。

1 應用現(xiàn)狀

本文利用PubMed數(shù)據(jù)庫對近十年的文獻使用“可穿戴設備”關鍵詞進行搜索，共552篇文獻(除去908篇綜述類文獻)，通過對文獻中研究使用的可穿戴設備進行統(tǒng)計匯總，根據(jù)可穿戴設備實現(xiàn)的功能及應用領域可以分為以下幾類。

1.1 娛樂休閑類

智能眼鏡、無線耳機及VR頭盔等產(chǎn)品是典型的休閑娛樂類可穿戴設備，此類產(chǎn)品占據(jù)可穿戴設備大部分市場，除外觀精美以外，其核心技術主要在于設備的續(xù)航能力、無線通訊技術及人機交互效果等。一般這類可穿戴設備會結合相機、視頻、音樂等多媒體的應用，主要用于滿足用戶瀏覽圖片、網(wǎng)頁等操作，典型的商業(yè)產(chǎn)品如Google glass、BaiduEye、Emotiv頭盔、Apple watch等。

1.2 運動檢測類

大多數(shù)的運動檢測類穿戴設備都內(nèi)置有氣壓計、三軸加速度傳感器和陀螺儀，可以實現(xiàn)對運動過程中的步數(shù)、距離、卡路里消耗、活動類型和姿勢的檢測。由于運動過程中信號具有極大的不穩(wěn)定性，因此對傳感器的靈敏性及算法的準確性具有很高的要求。使用不同傳感器的商業(yè)化可穿戴設備應用越來越廣泛，其中最熱的是在慣性測量裝置的運動分析和活動監(jiān)測領域[1]。一般來說，運動類穿戴設備具有的濾波器、峰谷檢測和頻域自適應閾值功能可使設備針對不同的用戶及環(huán)境表現(xiàn)出較強的穩(wěn)定性。但大多數(shù)情況下鮮有研究者將傳感器信號與活動檢測量之間建立聯(lián)系，形成數(shù)學模型。

1.2.1 計步

計步是運動檢測類穿戴設備的基本功能，計步功能主要是基于微機電系統(tǒng)實現(xiàn)的。常見的計步檢測算法主要有峰值檢測算法[2]、動態(tài)閾值檢測算法、零速率修正算法、自相關算法及兩種或多種算法結合等。其他基于時間和頻率的方法，如傅里葉變換和小波變換等，能夠利用步行周期實現(xiàn)對步長的準確檢測。有研究表明，商用健身可穿戴設備相對于研究級的加速度計，對活動強度的評估準確性不高[3]。Winfree等[4]對Fitbit進行了評估，發(fā)現(xiàn)Fitbit對運動強度的評估準確率低，該團隊還利用Actiongraph GT3X算法并結合貝葉斯分類器對Fitbit Flex進行了改進，將誤差率降低到了16.32%。陶瑞媛等[5]對基于Android系統(tǒng)的多款計步APP做了評估，結果顯示，健身類APP的計步功能準確性與實際步行速度及設備放置位置相關。在一般情況下，佩戴在髖部或腳部的計步器比佩戴在手腕，或利用智能手機測量的計步器準確性更高。Toth等[6]對市面上的8種計步器(StepWatch、ActiPAL、Fitbit Zip、Yamax Digi-Walker SW-200、New Living Style NL-2000、Actiongraph GT9X、Fitbit Charge和Fitbit AG)利用14種不同的計步方法進行了對比分析，發(fā)現(xiàn)StepWatch的計步準確率最高。多種校準方法可用來提高可穿戴設備計步功能的準確性，如基于單個用戶進行個性化設置，并在啟動計步功能之前檢測最小步行持續(xù)時間等方法[7]。

1.2.2 能量消耗

可穿戴設備的功能逐漸多樣化，其中卡路里消耗是消費者關注的重點之一。一般來說，能量消耗(energy expenditure，EE)的測量有直接測量法和間接測量法，可由氧熱價、呼吸熵等來表示，根據(jù)體質量、運動時間、速度、距離等采用不同的公式進行EE計算。其中，雙標水法和氣體代謝分析法被稱為評估EE的“金標準”，但價格都較昂貴且存在不適用的情況。與健康相關的智能可穿戴設備多采用MotionX技術，使用3D加速度計識別運動模式，并將其轉換成可以識別的能量消耗量[8]。

目前，尚未有單一技術能實現(xiàn)在自由生活條件下對EE的準確量化，但可結合多種方法來提高準確率，如心率、加速度測量及步數(shù)統(tǒng)計等。Pande等[9]開發(fā)了一個基于神經(jīng)網(wǎng)絡和套袋回歸樹的初始線性回歸模型，結合氣壓計數(shù)據(jù)測得的EE與黃金標準熱量計(COSMED K4b2)測得的實際EE相關性可達96%。Shcherbina等[10]選取了60名志愿者，在不同狀態(tài)下接受7款設備的評估，實驗表明，Apple Watch 3總體誤差率最低，Samsung gear S2誤差率較高，所有設備誤差率均超過20%，多數(shù)手腕佩戴的設備在實驗室活動中EE測量效果差。有研究者對比了3款商用運動手表(Suinto Ambit2、Garmin Forerunner920XT和Polar V800)，發(fā)現(xiàn)設備對于EE值的計算準確性依賴于運動強度，高強度運動下3款設備誤差率都較高[11]。使用可穿戴設備進行戶外活動EE檢測的準確率仍較低，需要開發(fā)更加有效的運動檢測傳感器和算法[12]。

1.2.3 活動軌跡及運動分類

人體活動識別系統(tǒng)大體可分為兩類：(1) 基于計算機視覺的系統(tǒng)；(2) 基于加速度傳感器的系統(tǒng)[13]。多種傳感器可被用來改善識別系統(tǒng)的性能，如RGB傳感器、深度傳感器(Kinect等)及慣性傳感器等。傳統(tǒng)的運動識別主要遵循圖2所示的模式[1]。

圖2 傳統(tǒng)運動識別開發(fā)系統(tǒng)方案Figure 2 Traditional motion recognition development system

Mooney等[14]對Finis Swimsense?和Garmin SwimTM兩款設備進行了評估，兩款設備的算法均能對不同的泳姿做到準確評估，但準確性有個體差異(專業(yè)運動員的準確性比業(yè)余愛好者準確性高)。Kanoga團隊[15]利用肌電控制系統(tǒng)通過表面肌電圖識別運動，發(fā)現(xiàn)相較傳統(tǒng)的運動識別算法，臂帶式表面肌電信號裝置短期使用具有較強的性能，但不適合長期使用。商用智能穿戴設備多采用GPS 傳感器實現(xiàn)定位功能，配合三軸傳感器實現(xiàn)對不同運動模式(爬坡、步行、騎車等)的識別，使用第三方應用可以實時顯示動態(tài)運動軌跡。

1.3 人體健康監(jiān)測及醫(yī)療應用類

可穿戴設備不僅可以提供短時生理數(shù)據(jù)，還可以在不同的條件下實現(xiàn)長期且持續(xù)的人體監(jiān)測，可為臨床決策提供一定依據(jù)[16-20]。Jovanov[21]發(fā)現(xiàn)，可穿戴健康檢測設備干預的10名慢性病患者在3個月后平均體重明顯下降，且體力活動水平和健康狀態(tài)均明顯改善。Voss等[22]利用Google glass對孤獨癥譜系障礙兒童進行干預，通過可穿戴設備的圖片、音頻等干預措施教會兒童識別、表現(xiàn)情緒，臨床研究發(fā)現(xiàn)可穿戴設備引導的數(shù)字化家庭治療可以提高當前的護理水平。

1.3.1 睡眠監(jiān)測

一般來說，采用多導睡眠圖(polysomnography,PSG)作為評估睡眠的金標準，但其僅適用于臨床及實驗室研究環(huán)境，且需要專業(yè)人員操作。非實驗室環(huán)境下一般使用Actigraph，這款設備可全天佩戴，通過三軸加速度計等將采集到的生理信號轉換為數(shù)字信號并導出，但Actigraph存在一定缺陷，不能識別靜止狀態(tài)下的覺醒[23]。

Gautam等[24]基于Kushida算法、統(tǒng)計函數(shù)和隱馬爾科夫模型將智能手機內(nèi)置加速度傳感器采集的人體數(shù)據(jù)進行分類，區(qū)分睡眠和清醒兩種狀態(tài)。Meltzer等[25]在63名青少年及兒童中評估了Fitbit Ultra的睡眠監(jiān)測效果，實驗證明，與PSG相比，F(xiàn)itbit Ultra在正常模式高估了睡眠總時間和睡眠效率，敏感模式下相反。因此在臨床上這款設備還不能替代傳統(tǒng)PSG，需慎重使用。Xie等[26]通過薈萃分析對市面上銷量最高、評價最好的幾款產(chǎn)品做了多種功能評估，就睡眠監(jiān)測來說，這些可穿戴設備實現(xiàn)的精準度比較高，平均絕對百分比誤差為0.11且不同設備之間的差異很小。先前的研究發(fā)現(xiàn)，僅使用運動傳感器識別睡眠狀態(tài)會產(chǎn)生較大的誤差，容易把靜止清醒狀態(tài)歸為睡眠狀態(tài)，因此建議使用多傳感器檢測睡眠，引入新的算法和參數(shù)評估睡眠狀態(tài)可能會有更好的效果[23]。

1.3.2 房顫檢測

房顫屬于最常見的心律失常類疾病，且容易引發(fā)動脈栓塞、肺栓塞、心功能不全、心臟猝死等并發(fā)癥，因此，房顫的早期預測和及時治療對降低腦卒中及其他血管栓塞類疾病的發(fā)病率有很大的意義[27]。

常見的房顫檢測裝置主要為臨床心電圖、置入式心電設備及便攜式可穿戴心電測量裝置。光電容積描記技術(photoplethysmography,PPG)是最常見的用于檢測心臟功能的可穿戴設備技術，通常來自PPG傳感器的數(shù)據(jù)用拍頻檢測算法處理，一般包括數(shù)據(jù)預處理、波形提取、峰谷檢測及拍間間隔的分類等[28]。有研究提出了一種新框架，通過改進的頻率切片小波變換和卷積神經(jīng)網(wǎng)絡結合來區(qū)分房顫及其他類型的心搏，證實了從短期信號中準確識別房顫是有可能的[29]。還有配合ECG設備使用的便攜式心電測量裝置，范平等[30]利用“掌上心電”E-U08裝置在院外實現(xiàn)了遠程監(jiān)測患者心電并實時反饋給院內(nèi)醫(yī)生的操作，檢出率顯著高于傳統(tǒng)的12導聯(lián)心電圖機。William等[31]通過52名患者的卡地亞移動心臟監(jiān)測器與導聯(lián)心電圖對照，證實了臨床醫(yī)生在設備的輔助下能夠提高對房顫的檢測準確率及效率。AliveCor發(fā)布的第一款被批準使用的智能手表配件Kardia Band(KB)通過記錄單導聯(lián)ECG信號檢測房顫[32]，其后發(fā)布了可以使用六導聯(lián)的Kardia Mobile 6L心電設備。Study Watch可以記錄、存儲并顯示ECG波形圖，但這款手表僅能用于實驗室研究，暫不可提供用戶數(shù)據(jù)訪問[33]。

房顫是一種嚴重的心律不齊現(xiàn)象，伴隨多種并發(fā)癥，是導致心肌梗死等多種心臟疾病的主要原因，小型可穿戴設備若要實現(xiàn)自動房顫檢測需要精密的傳感器及算法，對技術要求較高。

1.3.3 跌倒檢測

識別跌倒并啟動預警可以有效降低相關疾病發(fā)病率和死亡率。臨床檢測受時間空間限制，且使用的設備較為笨重?？纱┐髟O備實現(xiàn)的跌倒檢測功能在實際應用中不易出現(xiàn)信號錯誤，最為實用。

一般的可穿戴設備多基于加速度計、陀螺儀和磁強計等三軸裝置，還有多傳感器融合檢測及基于視頻的檢測。有研究采用機器學習的方法來區(qū)分跌倒和正常狀態(tài)，常用的方法有k-NN、最小二乘法、支持向量機、貝葉斯決策、動態(tài)時間規(guī)整及人工神經(jīng)網(wǎng)絡[34]等。還有一些研究利用統(tǒng)計分析提取信號特征來識別跌倒趨勢。一般來說，跌倒風險具有個體差異性，與年齡、體質量等有很大關系，且所處的環(huán)境對其也有很大影響?；谏锪W模型的分析方法需提取特定的特征，最終的模型性能取決于具體模型結構以及輸入的數(shù)據(jù)。Aicha等[35]對傳統(tǒng)的生物力學模型及其提出的深度學習神經(jīng)網(wǎng)絡模型做了對比，發(fā)現(xiàn)后者的跌倒風險預測精度明顯較高。

除了傳感器的類型和數(shù)量之外，傳感器的放置位置也對檢測效果有很大影響。?zdemir團隊[36]對傳感器數(shù)量、受試者、傳感器放置位置、傳感器組合、分類算法及性能做了總結，研究發(fā)現(xiàn)，簡單地減少傳感器數(shù)量會降低檢測精度，使用k-NN算法的傳感器放置在腰部可使靈敏度達到99.96%。

1.3.4 血糖檢測

臨床上通常使用動態(tài)血糖監(jiān)測(continuous glucose monitoring,CGM)設備對糖尿病進行診斷和管理。CGM對2型糖尿病患者血糖監(jiān)測可有效控制血糖,減少胰島素用量[37]。一般來說，CGM為預測血糖濃度隨時間波動的數(shù)學模型提供輸入值，這種算法依賴于影響葡萄糖代謝的膳食攝入量、活動和情感等因素的輸入，但基于深度學習和支持向量機的方法則可以不考慮這些輸入量，且能夠對1型2型糖尿病患者的血糖變化進行60 min的預測[38-39]。Bonn等[40]發(fā)現(xiàn)智能手機APP結合人體運動能耗監(jiān)測儀GTX3X對2型糖尿病患者進行干預能使患者運動量和糖脂代謝指標明顯改善。Mhaskar等[39]利用深度神經(jīng)網(wǎng)絡對群體進行血糖評估，結果顯示，相對于淺層網(wǎng)絡，深度神經(jīng)網(wǎng)絡檢測效果更好?？纱┐髟O備用于檢測血糖的產(chǎn)品較少，是仍待研究探索的領域。

2 關鍵技術

市場上的可穿戴設備種類繁多，不同的功能實現(xiàn)取決于不同的技術支持，如設備本身采用的傳感器、外部的數(shù)據(jù)接收設備、無線通訊技術及數(shù)據(jù)存儲平臺等。

可穿戴設備使用的傳感器主要分為運動傳輸型傳感器、生物傳感器以及環(huán)境傳感器，具體有陀螺儀、加速度計、磁力計、光電傳感器、氣壓高度計及溫度傳感器等。其人機交互與普通的智能設備不同，是直接充分的交互方式，主要包括語音交互、觸覺交互、意識交互等。同時，由于可穿戴設備涉及的領域廣，數(shù)據(jù)量大，應用人群多樣化，需要借助人工智能對設備及平臺進行優(yōu)化。無線通訊技術是連接用戶及設備之間的紐帶，能夠實現(xiàn)用戶之間、用戶與設備、設備與設備之間的數(shù)據(jù)通信及信息共享?，F(xiàn)在常用的通訊技術主要有近場通信技術、藍牙和無線網(wǎng)絡技術。用戶可在低耗能情況下，通過無線通訊技術將數(shù)據(jù)傳輸至云平臺儲存以待后續(xù)的查看、使用及分享。虛擬現(xiàn)實、增強現(xiàn)實等應用于可穿戴領域相較于傳統(tǒng)的人機交互模式，更加注重人類感官的實際感受。獲取信息的途徑不再受時間空間的限制，虛擬屏幕可能成為人機交互的一種視覺補充。

3 總結與展望

傳統(tǒng)的可穿戴設備多是有專人指導的基于研究機構或醫(yī)療場所的設備，為特定用戶提供實時的可視化生理數(shù)據(jù)。隨著人們對健康的重視，智慧醫(yī)療的概念更深入人心。因醫(yī)療資源有限，可穿戴設備也意味著向個體醫(yī)療應用領域轉型，可穿戴設備勢必向更信息化、數(shù)字化、智能化的方向發(fā)展[41]。由于設備本身使用的傳感器、外部數(shù)據(jù)接收設備、無線通訊技術及數(shù)據(jù)存儲平臺等技術的發(fā)展，除普通的運動檢測功能，目前大多數(shù)智能可穿戴設備都具有一定的人體健康管理功能，且檢測數(shù)據(jù)可信度較高。

但智能可穿戴設備的普及仍面臨一系列的問題與挑戰(zhàn)(表1)，互聯(lián)網(wǎng)技術的發(fā)展使得人們除了對設備信號可靠性、長期使用的穩(wěn)定性和舒適性上有高要求外，對數(shù)據(jù)的隱私保護方面也更加關注，需要不斷改進處理信號及分析數(shù)據(jù)的算法[45-46]。大多數(shù)可穿戴設備獨立性不強，多需相應的終端APP支持。同時，便攜式的特點也要求可穿戴設備的傳感器小型化、融合化，還要求設備具有一定的電池續(xù)航能力。由于應用領域的不同，對于一般的智能可穿戴設備仍缺少統(tǒng)一的標準，雖然市場上可穿戴設備種類繁多，功能復雜，但對于特殊群體(老人、小孩及孕婦等)的應用仍存在較大的爭議。

表1 可穿戴設備應用現(xiàn)狀Table 1 The application status of wearable devices

雖然存在諸多挑戰(zhàn)，但便攜式智能可穿戴設備的發(fā)展已成大趨勢，隨著科技的發(fā)展，設備的硬件技術(處理器、電池技術等)、軟件系統(tǒng)(用戶為中心的更加精準的算法等)及云服務(個性化服務等)都會實現(xiàn)一定程度的性能提升，用戶體驗感也會顯著增強。同時，5G技術的發(fā)展[47]，通信互聯(lián)網(wǎng)技術的應用會更加深入，在后疫情時代為緊缺的醫(yī)療資源提供技術補充。這一趨勢將促進更多領域專業(yè)知識的交叉融合，促進各行業(yè)協(xié)同發(fā)展，也將會為智能可穿戴設備營造出一個更加健康、安全的應用環(huán)境。