无创式手腕可穿戴设备的传感器和功能综述｜MDPI Sensors

引言

近年来，可穿戴设备由于其广泛的应用前景受到了越来越多的关注。无创式可穿戴设备用于健康活动参数的持续监测、运动监测、性能评估等，可以极大的改变人们的生活方式。来自马里博尔大学的Aida Kamišalić于Sensors期刊发表的一篇综述性文章“Sensors and Functionalities of Non-Invasive Wrist-Wearable Devices: A Review”得到广大学者的认可，阅读量超14,000次，被引次数超80次。本文从以下三个方面对腕式可穿戴设备进行了综述：所用传感器种类、数据的智能分析以及参数的可视化。

腕式可穿戴设备中的传感器

可穿戴设备使用传感器从设备中收集原始数据，这些数据被存储并用于持续监测健康状况、运动行为、评估表现等。手腕活动能够产生不同的信号，如手势、旋转和加速。对手腕活动参数的检测通常需要将加速度计、陀螺仪和磁力计等传感设备组合在同一个设备中，结合使用可整合不同传感器的优势对手腕活动信号进行监测：

加速度计是测量人体运动最常用的传感器，它在一个或多个轴上测量加速度。三轴加速度计 (测量三个垂直轴的振动) 和磁力计 (测量磁场的强度和方向) 可以用来检测人类手臂和身体的不同运动，而RGB-D传感器，结合三轴加速度计，可用于检测20种不同的人类活动。

陀螺仪传感器可用于确定身体不同部位的旋转情况，它通过测量物体绕一个或多个轴的旋转和角速度来监测活动，而磁力计在确定相对于地球磁北的方向时是有用的。陀螺仪大多与加速度计结合使用。

表面肌电图 (sEMG) 用于检测肌肉骨骼的运动和活动，这些运动和活动是由神经发出的信号控制且信号可以在皮肤表面测量。

此外，压电压力传感器可以结合表面机械肌理 (sMMG) 来识别手势，因为在手指屈曲手势中，手掌侧明显偏转，偏转可以使用压电接触传感器阵列来测量。

智能数据分析

从传感设备获取的数据需要进一步的分析，智能数据分析是使用不同的机制将原始输入转换为某种形式的新信号，其过程可以通过多种方式进行，从基本的数学转换、基本规则集，到统计方法和机器学习模型。最近，机器学习在学术界引起了巨大的反响，是可穿戴行业创新的驱动力。机器学习是人工智能的一个子领域，机器从数据中获取信息的方法可分为如下三类：

监督学习

机器根据已经解决的映射学习将输入映射到输出。

无监督学习

机器在没有被标记的情况下学习对数据做出一些假设。

强化学习

机器根据反馈学习做出决策。

测量的可视化

对快速响应的需求和腕式可穿戴设备的硬件条件限制，更强大的可视化大多是在事后 (在活动之后，甚至在进行了特定数量的活动之后) 完成的。事实上，人是视觉生物，与数字表示相比，更容易处理视觉表现。视觉表现比纯粹的数字能告诉我们更多的事实，因此，研究人员开发了一些可视化技术，一方面可以轻松地可视化体育活动，另一方面可以产生有效的理解。

下图是一名半职业自行车手的山地车骑行可视化。从图中可以看出，颜色、图形元素等实体在展示活动中发挥着重要作用，丰富了用户体验。

结论

用于非侵入式生理参数测量的传感器可以捕获带有大量噪声的小信号，数据分析的过程就是使用特定的算法，过滤原始信号，并只放大所需的部分信号，从而减少噪声的过程，测量的可视化则为可穿戴设备的应用带来新机遇。腕式可穿戴的未来发展应改进现有的传感器并适应可穿戴设备的使用，改变数据的同质化问题 (即现阶段每个设备供应商都以自己的方式存储数据，而不是按照共同的惯例)。在未来，这些技术将有望应用于商业可穿戴设备，从而为数据收集过程带来更多的资源。