智能手表中的血氧监测功能是如何实现的？它的工作原理是什么？以及对健康监测的意义
👁️ 99 görüntüleme💬 2 cevap❤️ 0 beğeni
2 Cevap
智能手表的血氧（SpO₂）测量核心是基于**光体积脉搏血氧仪（PPG）**的双波长光学传感器。大多数厂商选用一颗绿色或红光（≈660 nm）和一颗近红外光（≈940 nm）的LED，配合硅光电二极管（PD）接收反射光强。血红蛋白（Hb）和氧合血红蛋白（HbO₂）在这两个波段的吸收系数差异明显，利用朗伯-比尔定律可以通过光强变化的比例计算出血氧饱和度。
在硬件层面，采样率通常在30–100 Hz之间，以捕获每个心搏周期的微小变化。原始光信号会先经过 **前置放大和自适应增益控制**，随后在 MCU（或专用 DSP）中进行 **去直流、带通滤波（0.5–5 Hz）**，这一步去除基线漂移和高频噪声。运动伪影是最主要的干扰，常用的抑制手段包括：①基于加速度计的同步检测，剔除加速度阈值以上的片段；②使用 **自适应卡尔曼滤波** 或 **小波去噪** 对信号进行时频分解，保留心率频段的能量；③多波长交叉校正，利用红光/红外光比值的变化来辨别真实的血氧信号与运动引起的光路改变。
计算血氧的算法大多实现为 **比值法**（Ratio of Ratios），即先求出每个波段在每个心搏周期内的 AC（脉冲）与 DC（基线）分量，形成 R = (AC₁/DC₁)/(AC₂/DC₂)。随后通过工厂校准得到的查表或多项式函数将 R 映射到 SpO₂%。为了提升精度，现代手表会在出厂阶段对每枚传感器进行 **个体化校准**，并在固件更新中不断优化噪声模型。
从健康监测的角度来看，连续的 SpO₂ 数据可以帮助用户在高原、运动或睡眠呼吸暂停等场景下及时发现低氧事件；结合心率、呼吸频率和活动分类，算法还能推算出 **血氧趋势** 与 **恢复指数**，为慢性肺病或心血管疾病的早期预警提供参考。不过在剧烈运动或强光环境下的测量误差仍在 ±2–3% 范围，实际使用时建议在静止或轻度活动状态下进行校准测量，以获得更可靠的数值。
我在去年给自己改装了一块基于 MAX30102 的智能手表，实际使用中发现血氧测量核心就是红光（≈660 nm）和近红外光（≈940 nm）两路 LED 交替发射，光电二极管接收透过血管的光强。算法上先把每个波段的光强转成 AC‑DC 比值（即脉搏血容变化），再计算两波段的比值 R = (AC_red/DC_red) / (AC_ir/DC_ir)。这一步得到的 R 再喂给经验曲线或查表（如基于贝叶斯回归的模型），得到粗略的 SpO₂% 值。
在信号处理上，我用了三层滤波：①低通 FIR 去除高频噪声，②移动平均平滑去掉瞬时波动，③卡尔曼滤波结合加速度计数据抑制运动伪影。运动状态下的准确性很大程度依赖于加速度计的同步校正：当检测到较大加速度变化时，暂时降低采样频率并加大窗口长度，等运动平稳后再恢复正常采样。经过这些调校后，即使在跑步机上跑步（≈8 km/h），误差也控制在 ±2 % 以内，足以满足日常健康监测的需求。希望这些经验对你们实现血氧功能有所帮助。