Понимание основ цифровой обработки сигналов в умных носимых устройствах

Умные носимые устройства, такие как фитнес-трекеры, умные часы и мониторы здоровья, в значительной степени полагаются на цифровую обработку сигналов (DSP) для анализа данных, собранных с датчиков. Понимание основ DSP помогает нам оценить, как эти устройства предоставляют точную и в режиме реального времени информацию о нашем здоровье и активности. Технология включает в себя преобразование необработанных показаний датчиков - таких как электрические импульсы сердца, движения запястья или температура кожи - в чистые, действенные идеи. Без DSP необработанный сигнал носимого будет слишком шумным или запутанным для использования. Эта статья исследует основы обработки цифровых сигналов в умных носимых устройствах, охватывающих его основные компоненты, ключевые методы, приложения реального мира и будущие направления. Являетесь ли вы разработчиком, энтузиастом технологий здравоохранения или просто любопытным о том, как работают ваши умные часы, это глубокое погружение прояснит, как DSP превращает хаотические данные в надежные показатели.

Что такое цифровая обработка сигналов?

Обработка цифровых сигналов относится к математической манипуляции оцифрованными сигналами для улучшения их качества, извлечения информации или сжатия их для передачи. В контексте носимых устройств сигналы исходят от датчиков, которые измеряют физические явления — ускорение, световые отражения, биоэлектрическую активность и т. Д. Эти аналоговые сигналы преобразуются в дискретные цифровые числа с помощью аналого-цифрового преобразователя (ADC), затем обрабатываются с использованием алгоритмов, которые могут отфильтровать шум, обнаружить конкретные шаблоны и вычислить статистику. Корни DSP восходят к 1960-м годам с развитием быстрого преобразования Фурье (FFT), но сегодня он пронизывает потребительскую электронику, особенно в небольших форм-факторах, таких как носимые устройства.

Уникально, носки требуют алгоритмов DSP, которые являются эффективными (для экономии батареи и вычислительной мощности) и надежными (для обработки артефактов движения и различного контакта с кожей). Например, фотоплетизмографический (PPG) датчик измерения частоты сердечных сокращений должен отклонять световые помехи от источников окружающей среды и шума, вызванного движением. DSP методы делают это возможным. По сути, DSP устраняет разрыв между физическими сигналами и цифровыми решениями , позволяя носимым сообщать о шагах, стадиях сна и даже уровнях кислорода в крови.

Основные компоненты DSP в носимых устройствах

Типичный носимый DSP-провод состоит из четырех основных этапов: зондирование, оцифровка, обработка и вывод. Каждый этап имеет решающее значение для обеспечения точных результатов в рамках строгих ограничений мощности и размера.

Сенсоры

Современные носимые устройства упаковывают несколько датчиков: акселерометры (движение), гироскопы (ориентация), оптические датчики (скорость сердечных сокращений, SpO2), датчики биоимпеданса (композиция тела), датчики температуры и микрофоны (звук окружающей среды). Каждый датчик выдает непрерывное электрическое напряжение или ток, который отражает физическую величину. Характеристики сигнала - амплитуда, частота и динамический диапазон - определяют требования к обработке ниже по течению.

Аналоговые к цифровым преобразователям (ADC)

ADC преобразует непрерывные аналоговые сигналы в дискретные цифровые образцы с определенной скоростью отбора проб (например, 100 Гц для частоты сердечных сокращений, 1 кГц для ЭКГ). Разрешение (количество бит) определяет наименьшее обнаруживаемое изменение; носимые устройства часто используют 12-24-битные ADC. В конструкциях с низким энергопотреблением ADC должны балансировать скорость, точность и потребление энергии. Такие методы, как избыточная выборка и модуляция дельта-сигма, помогают достичь высокого разрешения без чрезмерного энергопотребления.

Алгоритмы обработки

После оцифровки сигнал попадает в сердце DSP: алгоритмы, которые фильтруют, преобразуют и интерпретируют данные. Эти алгоритмы работают на микроконтроллерах (MCU) или специализированных цифровых процессорах сигналов (чипах DSP) в пределах носимого. Обычно используемые алгоритмы включают в себя:

Алгоритмы должны быть оптимизированы для низкой задержки и минимального объема памяти.Некоторые носимые устройства загружают часть обработки на подключенный смартфон, но обработка на устройстве предпочтительнее для конфиденциальности и отзывчивости.

выход

После обработки результаты отображаются на устройстве (экран, вибрация) или передаются в парный смартфон или облачный сервис.Формы вывода включают числовые метрики (шаги, калории), графические тренды (графики вариабельности сердечного ритма) или оповещения (обнаружение аномального ритма). Качество вывода напрямую зависит от предшествующих этапов DSP — мусора в, мусора вне.

Как DSP улучшает носимую функциональность

Эффективный DSP обеспечивает многие функции, которые пользователи теперь принимают как должное. DSP - это невидимый движок, который преобразует шумные потоки датчиков в надежные сведения о здоровье. Ниже приведены некоторые ключевые улучшения.

Медико-метрическая точность

Мониторинг сердечного ритма является классическим примером: необработанные сигналы PPG содержат огромные респираторные и двигательные артефакты. DSP применяет адаптивную фильтрацию, отмену движения (используя данные акселерометра в качестве эталона) и пиковое обнаружение для извлечения интервалов от удара до удара. Подобные методы улучшают оценки SpO2, частоту дыхания и классификацию стадии сна. Исследования показали, что расширенный DSP может уменьшить ошибки сердечного ритма от более чем 20% до менее 5% во время умеренных физических упражнений.

Обнаружение падения

Обрабатывая данные акселерометра и гироскопа в режиме реального времени, DSP может идентифицировать модели ударов, за которыми следует период бездействия. Алгоритмы анализируют величину векторов ускорения, изменения угловой скорости и позы после удара. Это позволяет носимым устройствам автоматически предупреждать аварийные контакты. Задача заключается в различении падений от внезапных движений, таких как прыжки или быстрое сидение - модели DSP обучаются тысячам смоделированных сценариев падения.

ЭКГ анализ

Последние умные часы с возможностями ЭКГ, очищенными FDA, используют DSP для извлечения односвинцовой формы ЭКГ из электродов на заднем кристалле и коронке. Устройство отфильтровывает электрический шум (например, 50/60 Гц гудение сети), базовый блуждание и мышечные артефакты. Затем оно обнаруживает R-пики и анализирует интервалы для флага фибрилляции предсердий (AFib). Весь конвейер обработки должен работать в течение нескольких секунд, чтобы обеспечить проверку сердечного ритма по требованию.

Признание деятельности

DSP позволяет носимым устройствам классифицировать такие виды деятельности, как ходьба, бег, езда на велосипеде, плавание или сон. Сложные алгоритмы применяют частотный анализ и машинное обучение для различения моделей походки, длины шага и каденции. Для плавания датчики давления и гироскопы помогают идентифицировать типы инсульта. Эти функции зависят от временных и частотных функций DSP, извлеченных из необработанных данных акселерометра.

Используемые методы DSP

фильтрация

Фильтры подавляют нежелательные компоненты, сохраняя интересующий сигнал. Фильтры с низким пропуском удаляют высокочастотный шум (например, дрожание мышц), фильтры с высоким пропуском удаляют медленные дрейфы (например, базовый блуждание), а фильтры с полосовым пропуском выбирают определенный частотный диапазон (например, полоса сердечного ритма около 0,5-4 Гц). Фиксированные фильтры (например, FIR или IIR) разработаны автономно; адаптивные фильтры корректируют коэффициенты в реальном времени на основе опорного шумового сигнала, например, с помощью акселерометра для отмены артефактов движения в PPG.

Фурье преобразует

Преобразование Фурье преобразует сигналы временной области в частотные спектры. В носимых устройствах оно используется для идентификации доминирующих частот — например, пик в спектре PPG соответствует частоте сердечных сокращений. Быстрое преобразование Фурье (FFT) делает возможным анализ частоты в реальном времени на крошечных микроконтроллерах. Однако FFT предполагает, что сигнал неподвижен над окном, что не всегда верно для динамических действий. Кратковременная трансформация Фурье (STFT) решает эту проблему, анализируя перекрывающиеся окна с течением времени.

Адаптивные алгоритмы

Носимые среды постоянно меняются — контакт кожи меняется, меняются модели движения и меняется ориентация датчиков. Адаптивные алгоритмы, такие как наименьшие средние квадраты (LMS) или рекурсивные наименьшие квадраты (RLS), позволяют DSP регулировать коэффициенты фильтра на лету. Это повышает надежность против нестационарных артефактов. Например, когда пользователь переходит от ходьбы к бегу, адаптивный шумопоглощающий прибор в трубопроводе PPG может обновить свой фильтр, чтобы минимизировать помехи движения без ручной калибровки.

Машинное обучение

Машинное обучение (ML) дополняет классический DSP, изучая сложные шаблоны из меченых обучающих данных. Носимые устройства используют модели ML (деревья решений, машины вектора поддержки, легкие нейронные сети) для классификации жестов, обнаружения аритмий или прогнозирования падений. DSP предварительно обрабатывает необработанные сигналы в функции (например, среднее значение, дисперсия, спектральная мощность) перед их поступлением в модель ML. Последние достижения в крошечном ML позволяют этим моделям работать непосредственно на носимом оборудовании, уменьшая зависимость от облачной связи. Узнайте больше о крошечном ML для носимых устройств .

Волновая трансформация

Волновые преобразования являются альтернативой преобразованиям Фурье, которые одновременно захватывают информацию о времени и частоте. Они преуспевают в анализе переходных событий — таких как внезапное падение или преждевременное сердцебиение — поскольку они могут увеличиваться в короткие сегменты сигнала. В анализе ЭКГ вейвлет-преобразования помогают обнаруживать Р-волны, комплексы QRS и Т-волны с высокой точностью, даже в шумных записях. Некоторые носимые устройства используют дискретное разложение пакетов вейвлетов для извлечения признаков.

Реальные приложения DSP в носимых устройствах

DSP не только теоретический, он обеспечивает широкий спектр потребительских и медицинских носимых устройств. Вот примечательные примеры в разных категориях.

Фитнес-трекеры и умные часы

Основные устройства, такие как Fitbit, Apple Watch, Garmin и Samsung Galaxy Watch, полагаются на DSP для подсчета шагов, частоты сердечных сокращений, отслеживания сна, обнаружения стресса и автодетектирования тренировок. Apple Watch Series 8 и более поздние используют DSP для запуска таймеров ручной стирки от движения и звука и для обнаружения автомобильных аварий с помощью акселерометров высокого динамического диапазона.

Носимые изделия медицинского класса

Устройства, одобренные регулирующими органами (FDA или CE) для мониторинга сердечных аритмий, такие как AliveCor KardiaMobile или QardioCore, используют передовые алгоритмы DSP для достижения точности клинического уровня. Эти устройства часто используют запатентованные методы шумоподавления и отказа от артефактов для обеспечения надежной диагностики. Носимый монитор ЭКГ Qardio является одним из примеров, который использует DSP для непрерывного мониторинга.

Слуховые СПИД и умные наушники

Современные слуховые аппараты - это сложные носимые устройства, которые используют DSP для усиления речи при подавлении фонового шума. Адаптивное формирование луча, отмена обратной связи и формирование частоты - все это происходит в режиме реального времени. Аналогичным образом, интеллектуальные наушники с датчиками здоровья (например, оптическими датчиками сердечного ритма в ушном канале) полагаются на DSP для извлечения чистых сигналов из сложного местоположения.

Спорт и реабилитация

Носимые устройства, используемые спортсменами и физиотерапевтами, такие как ремень Whoop или Moov, используют DSP для анализа эффективности движения, времени контакта с землей и углов суставов. Для реабилитации носимые устройства на основе DSP могут обнаруживать компенсаторные движения и направлять пациентов правильно выполнять упражнения, снижая риск травм.

Проблемы и ограничения

Несмотря на свою мощь, DSP в носимых устройствах сталкивается с несколькими препятствиями, которые влияют на пользовательский опыт и осуществимость.

Потребление энергии

Вычисления DSP в реальном времени потребляют энергию. Запуск современных фильтров или моделей ML непрерывно на небольшой батарее является сложной задачей. Инженеры должны отменять точность для времени автономной работы: например, выборка частоты сердечных сокращений может упасть со 100 Гц до 25 Гц во время сна, чтобы сэкономить энергию. Новые чипы DSP сверхнизкой мощности, такие как Arm Cortex-M55 с векторными инструкциями Helium, направлены на баланс производительности и эффективности.

Ограничения обработки

Носимые процессоры имеют ограниченную память и тактовую частоту. Сложные алгоритмы, такие как вейвлет-трансформации или глубокие нейронные сети, требуют тщательной оптимизации. Квантизация, обрезка и аппаратные ускорители помогают вписать алгоритмы в ограниченные среды. Тем не менее, не все передовые методы DSP сегодня переносимы на носимые устройства.

Артефакты движения

Шум движения остается главным источником неточности в носимых устройствах. В то время как адаптивная фильтрация и мультисенсорный синтез смягчают некоторые артефакты, они не могут полностью их устранить. Умные часы могут потерять блокировку сердечного ритма во время очень интенсивных действий или когда ремешок свободен. Необходимы будущие улучшения в дизайне датчиков и надежности алгоритма.

Конфиденциальность и безопасность

Носимые устройства собирают конфиденциальные данные о здоровье. Алгоритмы DSP должны безопасно обрабатывать буферизованные сигналы, особенно при выгрузке вычислений в облако. Обработка на грани снижает риск, но модели DSP на устройстве все еще могут утечка информации по боковым каналам. Производители должны соблюдать правила защиты данных, такие как GDPR и HIPAA.

Будущее DSP в носимых устройствах

Траектория DSP в носимых устройствах указывает на большую точность, меньшую мощность и более глубокую интеграцию с ИИ. Несколько тенденций будут формировать устройства следующего поколения.

Edge AI и TinyML

Запуск машинного обучения непосредственно на носимых устройствах без отправки необработанных сигналов в облако является приоритетом. Новые аппаратные ускорители для нейронных сетей (например, Google Tensor, Apple Neural Engine в смарт-часах) позволяют делать выводы на устройстве с минимальным разрядом батареи. DSP будет работать рука об руку с ML для создания функций и классификации выходных данных локально. Платформы AI Edge уже позволяют использовать более умные носимые устройства.

Расширенный сенсор Fusion

Объединение данных из нескольких модальностей датчиков - акселерометра, гироскопа, PPG, температуры, барометра - с использованием фильтров Калмана или фильтров частиц обеспечивает целостное представление о состоянии пользователя. Например, слияние GPS, IMU и частоты сердечных сокращений дает более точные оценки сжигания калорий. Алгоритмы DSP, которые эффективно объединяют данные, станут стандартными.

Персонализированный DSP

Будущие носимые устройства будут адаптировать параметры DSP к физиологии каждого пользователя - пороги вариабельности сердечного ритма, модели походки, тон кожи (влияющие на PPG) и многое другое. Машинное обучение позволит персонализировать в реальном времени, улучшая точность для различных групп населения, включая людей с более темными тонами кожи (которые исторически были недостаточно обслуживаемы оптическими датчиками).

Постоянный мониторинг здоровья

По мере того, как носимые устройства переходят к медицинской диагностике, очищенной FDA, для таких состояний, как гипертония, мониторинг глюкозы и афиб, алгоритмы DSP должны соответствовать строгим стандартам точности. Неинвазивная оценка артериального давления через время транзита импульса (PTT) требует высокоточного времени DSP, которое может обнаруживать приход импульсной волны в двух разных точках тела одновременно. Такие приложения будут стимулировать дальнейшие инновации в DSP с низкой задержкой и высоким разрешением.

Заключение

Цифровая обработка сигналов является основой интеллектуальных носимых устройств, превращая хаотические данные аналоговых датчиков в значимые показатели здоровья и интерактивные функции. От фильтрации шума до обеспечения машинного обучения, алгоритмы DSP постоянно работают за кулисами, чтобы сделать устройства, такие как фитнес-трекеры и умные часы, действительно интеллектуальными. В то время как проблемы, связанные с мощностью, артефактами движения и ограничениями обработки, сохраняются, быстрые достижения в чипах DSP с низким энергопотреблением, краевой ИИ и слияние датчиков обещают еще более точные и персонализированные носимые устройства в ближайшем будущем. По мере развития технологии DSP будет не только повышать удобство, но и играть решающую роль в профилактическом здравоохранении. Независимо от того, являетесь ли вы разработчиком, разрабатывающим следующий алгоритм, или пользователем, доверяющим свое запястье для руководства по здоровью, понимание основ DSP помогает вам оценить тяжелую работу, происходящую внутри этого крошечного, изношенного устройства.