摘要：随着智慧医疗、健康监护和人机交互技术的不断演进，可穿戴电子设备逐渐从基础的单一参数监测向多功能复合型系统发展，对信号采集与处理系统的设计提出了更高要求。为满足多源生理信息的稳定采集与实时处理需求，本文设计了一套具备心率、血氧、体温、加速度等多种信号同步监测能力的可穿戴系统架构。系统采用低功耗嵌入式主控芯片，集成高灵敏度传感器模组，结合模拟前端调理电路与数字信号处理算法，实现了高精度、低噪声的信号获取和高效的数据融合。实验验证表明，该系统具备良好的实用性能与扩展能力，能够在移动医疗、慢病管理及运动健康等应用场景中发挥重要作用。

关键词：可穿戴电子设备；信号采集；生理参数监测；低功耗设计；数据处理系统

随着人们健康意识的增强和移动计算技术的广泛应用，能够实现全天候生理数据监测的可穿戴设备迅速普及。当前市场主流产品多集中在心率、步数等单一参数层面，难以满足复杂健康评估与多场景适配的需求。而实现多参数联合监测、动态数据融合与实时处理的核心在于高效可靠的信号采集与处理系统。该系统不仅需要在结构上兼顾集成性和可穿戴性，还必须具备较强的抗干扰能力和功耗控制能力，以适应长时间佩戴和多种活动状态下的稳定运行。因此，从传感器选型、电路设计到数据处理架构的全链路优化，已成为推动可穿戴设备性能跃升的关键环节。

一、系统总体架构设计

（一）功能需求与系统模块划分

针对多参数健康监测的应用场景，系统需实现对心率、血氧、体温、三轴加速度、肌电等多种生理与行为信号的实时、同步采集与有效分析，以满足连续健康管理、运动评估和慢性病预警等多重功能需求。整体架构划分为四个主要功能模块：信号采集层、信号处理与分析层、无线通信层和电源管理层。信号采集层集成多个高性能传感器模块，通过模拟/数字接口（如I²C、SPI、ADC）与主控单元连接，实现高精度数据输入；信号处理与分析层基于嵌入式微处理器进行信号调理、采样控制、特征提取、数据压缩及异常初判等核心功能；无线通信层支持BLE 5.0及LoRa通信，负责将处理后的数据以高稳定性方式传输至手机App或云平台；电源管理层采用可编程电源控制策略，配置升降压芯片、电量监测模块与多级能耗模式，支持系统在不同任务状态下智能切换运行与待机模式。

（二）核心控制模块与通信结构

系统主控单元选用意法半导体STM32L476RG低功耗微控制器，采用ARM Cortex-M4架构，主频达80 MHz，集成12位ADC模块、DMA传输引擎及多组I²C/SPI/UART外设接口，具备丰富的接口资源与较强的实时信号处理能力[1]。其1 MB Flash与128 KB SRAM的存储配置，可支持多任务调度与本地数据缓存。系统通过I²C总线连接体温与血氧模块，确保稳定通信；高带宽的SPI通道用于加速度与陀螺仪模块连接，以保证高频动态数据的完整性。DMA方式结合双缓存机制显著提升传输效率并减轻主核负担。无线通信部分选用Nordic nRF52832蓝牙芯片，支持BLE 5.0协议，具备2 Mbps速率、长连接能力与Mesh组网扩展功能。实际测试表明，在开阔视距条件下通信距离可稳定维持在40米以上，空闲连接状态下平均电流不超过8 mA，保障长时稳定运行与数据回传效率。

（三）系统电源管理与低功耗策略

电源管理模块以TI公司的BQ24074为核心，具备智能充电识别、USB供电管理、充放电保护与电池状态指示等功能。供电系统搭配3.7V/500 mAh聚合物锂电池，结合板载LDO稳压电路供给不同电压等级的器件，实现稳定供电。在满电状态下，系统连续监测运行时长达72小时以上。主控芯片支持多种低功耗运行模式，包括运行（Run）、睡眠（Sleep）与停止（Stop）三档状态，分别对应电流消耗约5.2 mA、0.3 mA与1.2 µA。功耗调控策略基于RTOS内核调度器，结合LPTIM低功耗定时器完成定周期采样触发；传感器通过GPIO控制实现工作/断电状态切换，非采集周期内关闭ADC、禁用外设时钟与供电，大幅度降低平均功耗，实现能效与性能的最佳平衡，满足长时间户外佩戴场景的续航要求。

二、生理信号采集模块设计

（一）传感器选择与布置方式

系统设计基于多参数生理信号采集需求，优先选用高集成度、低功耗、便于穿戴布置的传感器模块[2]。心率与血氧采集采用MAX30102光电容积脉搏波（PPG）传感器，该模块集成红光与红外LED、光敏二极管和内置模拟前端，具有自动环境光补偿与数字滤波功能，支持1 kHz采样率，I²C接口通信，封装尺寸仅为3.3 mm × 5.6 mm，适合手腕、指尖等常见穿戴部位布置。体温检测选用MLX90614红外温度传感器，采用非接触式热辐射测温原理，在目标距离5 cm范围内精度达±0.2℃，响应时间小于0.5 s，适用于连续监测皮肤表面温度变化，常用于睡眠监测与高温预警场景中。

三轴加速度信号采集采用MPU6050模块，集成三轴加速度计与三轴陀螺仪，输出分辨率16位，最大采样率高达1.6 kHz，可精确捕捉静态姿态变化与动态运动状态，广泛应用于步态识别、跌倒检测等算法输入端。肌电信号采集基于银氯化干电极贴片，结合低噪声模拟前端INA333仪表放大器构成前置信号采集通路，输入带宽范围覆盖0.1 Hz至500 Hz，有效放大表面肌电波形。以手臂肌肉活动监测为例，电极可布设于肱二头肌及肱三头肌处，对运动状态、力量输出与疲劳状态进行实时评估。

（二）模拟前端与信号调理电路设计

模拟前端电路的设计目标是保证生理信号的高保真放大、有效滤波与精确模数转换。心电、肌电通道均选用TI公司生产的INA333低功耗仪表放大器，其具备超高输入阻抗（10 GΩ）与高共模抑制比（≥100 dB），可有效屏蔽50 Hz电源干扰与佩戴过程中的体动噪声，尤其适用于肌电、心电等微弱信号的放大处理。经前级放大后的模拟信号引入Sallen-Key结构的二阶有源带通滤波器，中心频率覆盖10～250 Hz，电容与电阻选型为C1=C2=10 nF、R1=R2=6.8 kΩ，该设计对PPG与肌电信号的主要频段具有良好的通带响应与高频抑制能力，可显著提升后续模数转换精度。

模数转换环节采用STM32L4内置的12位逐次逼近型ADC模块，其最高采样率支持2.4 MSPS，系统配置在1 kHz工作频率下运行，既满足多通道实时处理需求，又兼顾能耗控制。为避免频繁中断导致的数据抖动与延迟，ADC输出通过DMA控制器直接写入内存的环形缓冲区，实现无CPU干预的数据搬移。在动态心电信号采集中，以QRS波群为典型特征，其频率主要集中在1040 Hz，滤波器对其保留良好。信号经前级放大50倍后电压范围在0.51.2 V之间，覆盖ADC参考输入区间，量化后信号作为后续QRS检测与心率变异性分析的基础数据源，在实测场景中表现出较强的波形保真度与响应稳定性。

（三）多通道同步采集与存储方案

系统支持多达5个独立采集通道，分别对应PPG（心率/血氧）、皮肤温度、三轴加速度、肌电信号和环境光强。所有通道数据通过独立通道或多路复用方式接入DMA控制器，每通道配置独立内存缓存区，采用环形缓冲机制进行数据管理，确保在长时间连续采集过程中实现无丢包、不溢出、无数据错位。采集数据写入缓存后由RTC（实时时钟）模块自动打上统一时间戳，时间分辨率精度可达1 ms，确保多模态信号在时间轴上的严格对齐，有助于提升后续特征融合与行为识别算法的准确性与稳定性。

在本地数据临时存储方面，系统配置W25Q32JV SPI Flash芯片，容量32 Mbit，支持典型5 ms页写模式，具备掉电数据保持、抗静电击穿能力和高耐擦写次数（>100，000次），适用于高频采集应用。Flash采用环形存储逻辑管理，实现写入效率与可靠性的动态平衡。在网络中断或移动端通信不稳定的情况下，系统将数据临时写入Flash缓存区，待通信恢复后通过串行协议自动回传至终端，避免数据丢失与重传冲突。以实际测试为例，系统在一次户外骑行场景中采集6000组多参数样本数据，期间蓝牙连接短暂中断约45秒，重新连接后Flash数据完整上传，体现了该采集与存储机制在复杂场景下的高可靠性与实用性。

三、信号处理与数据通信系统设计

（一）数据预处理与特征提取算法

为确保从多源传感器获取的原始信号具有较高的可用性与可解释性，系统在数据采集后首先执行多级预处理流程。所有模拟信号在进入处理算法前，统一通过数字滤波器进行清洗。心率、肌电与PPG信号先后经过高通滤波（截止频率0.5 Hz）与低通滤波（截止频率50 Hz），滤除电源工频、基线漂移及高频随机噪声，以提升信号信噪比[3]。在具体实现中，滤波器采用二阶IIR结构，既能节省计算资源，又具备实时滤波能力。对于加速度信号，则使用滑动窗口平均法（窗口长度10点）进行平滑处理，有效削弱手部抖动等高频干扰，适用于静息状态识别与姿态分析。

特征提取方面，心率检测基于PPG波形峰值检测与R-R间期提取法，通过设定动态阈值与求导算法识别每一周期脉搏波顶点，实现心率精度控制在±2 bpm以内。以一次骑行测试为例，系统在10分钟持续监测中记录心率区间为72～164 bpm，波形与ECG测量对比一致率达97%。肌电特征提取包括均方根值（RMS）、平均整流值（ARV）及零交叉率（ZCR），反映肌肉激活强度、持续性与频谱特性。其中，RMS作为主特征输入常用于实时力量等级估计，而ZCR变化趋势在握力动作检测中表现出良好的动态响应。提取后的特征数据存入本地缓存，并传送至分类器模块或云端模型用于状态识别与评估。

（二）多模态信号融合与异常检测

面对多源异构数据并存的复杂环境，系统采用支持向量机（SVM）作为轻量化分类模型，实现健康状态的高效判别与实时分类响应[4]。数据融合阶段，先构建五维特征向量空间：心率、血氧饱和度（SpO₂）、皮肤温度、活动强度（加速度模值）及肌电强度（ARV）。这些特征来自各独立传感器，经统一时间戳对齐、去异常值处理与规范化操作后，统一输入至训练好的SVM模型中。模型采用径向基核函数（RBF），在小样本训练集下具备较高的非线性分类能力与泛化性能。实测中，通过收集10名受试者在日常生活中的佩戴数据（包括静息、行走、体温升高等状态），训练模型识别“静息”“低强度活动”“高温预警”“异常心率”等生理状态类别，平均识别准确率达93.4%，误报率低于5%。

异常检测机制则采用“滑动窗口+模型输出”双重判断策略，以增强系统稳定性与鲁棒性。系统预设参数阈值与持续时间条件，确保短时噪声或体动不触发误警。例如，若心率连续10秒高于180 bpm，或SpO₂低于90%超过8秒，且活动强度低于静息阈值（加速度模值<0.05 g），系统即判定为“静息状态异常”，并通过蓝牙模块向移动终端推送即时预警消息。同时，用户可在App端主动标记身体状态与异常体验，反馈用于模型参数更新与迭代优化。该方法已成功应用于夜间睡眠呼吸暂停监控、老年人跌倒后心率快速检测、慢病人群心肺功能异常预警等典型应用场景，具备良好的通用性与临床辅助价值。

（三）通信机制与数据回传平台设计

系统通信架构基于BLE Mesh网络协议构建，允许多个节点间形成动态路由与数据中继链路，在建筑物或遮挡环境下保持高连接可靠性[5]。例如，在居家测试场景中，主节点布设于客厅，终端设备置于卧室，数据传输不依赖点对点直连，确保了信号完整性。协议栈采用MQTT轻量消息发布协议，支持QoS传输等级设定，数据封装格式使用JSON结构，兼容移动端与Web平台解析。为保障数据传输的隐私与完整性，系统在通信链路中引入AES-128对称加密机制，同时结合SHA256哈希校验对数据包内容进行完整性验证，防止中间人攻击与数据篡改。用户数据通过蓝牙上传至Android端App，App由Flutter框架开发，具备良好的跨平台兼容性与UI响应性能，支持实时波形图绘制（如PPG/肌电动态曲线）、历史数据日历查询、模型识别状态回放与告警推送等功能模块。后端服务器部署于阿里云ECS标准实例（2核4G），数据存储采用InfluxDB时间序列数据库，适配高频采样、实时写入与历史查询场景。数据展示使用Grafana可视化平台构建仪表盘，实现按日、周、月维度查看生理趋势图、异常事件热力图等功能。为支持产品维护与远程升级，系统具备OTA（Over-The-Air）固件更新能力。每次启动检测当前固件版本与云端版本是否一致，若版本更新且通过RSA签名验证后，将自动完成升级流程，保障系统稳定性与扩展能力。

总结：本研究围绕多功能可穿戴电子设备的信号采集与处理系统展开系统设计与优化，构建了集成化的硬件架构，涵盖生理信号采集、模拟调理、数据处理、通信回传与低功耗管理等核心模块。通过合理选型高性能传感器、构建多通道同步采集机制，并结合SVM模型实现多模态特征融合与生理状态智能识别，系统在稳定性、准确性与扩展性方面表现优异。平台在典型健康监测场景中完成多轮测试，验证其具备高可靠性与实用性，为智能健康穿戴设备的工程化落地提供了技术支撑与设计参考。

参考文献

[1]赵锦程.基于多功能传感器的健康检测系统研究[D].青岛大学，2022.002239.

[2]蒲俊宏.柔性机电传感器的制备、结构与性能[D].四川大学，2021.002483.

[3]丁凯，蒋超越，陶铭，等.多源异构传感器数据融合和算力优化研究[J].物联网学报，2024，8（04）：23-33.

[4]杨秋菊.基于模糊理论的多源异构传感器数据融合模型[J].吉林大学学报（工学版），2024，54（10）：3058-3063.

[5]唐启涛，戴小鹏，罗莉霞.卡尔曼滤波下多源传感器数据互补-加权迭代融合算法[J].传感技术学报，2024，37（08）：1460-1465.