把人体想象成一座永不停工的城市：心脏是动力泵站，血管是道路管网，细胞是街区的居民。每一秒都有无数“生命信号”——心跳、血糖、血氧——在街道上川流不息。谁来盯住这些信号，防止它们悄悄出乱子？答案是生物传感器：它们像驻守在各路口的智能哨兵站，不眠不休地感知、记录、上报。而执行器就是收到警报后立刻出动的消防员或交警——比如胰岛素泵在血糖超标时自动输注，起搏器在心搏停止时发出电击。哨兵站发现异常后，需要通过物联网这张“城市通讯网络”把情报传回指挥中心（健康监测平台），再由那里的“分析官”（算法）判断风险等级、决定是否出警。这篇教程会带你从哨兵站的感知原理出发，一路走到指挥中心的决策算法，再看如何让整套系统省电又高效，最后看看这些技术今天已经走进医院、养老院和你的手腕。

岗位关联

掌握生物传感器与健康监测的完整链路，是迈向智慧医疗、可穿戴设备、远程监护等领域的重要一步，它把硬件感知、网络通信与智能算法串成一条能落地的 AIoT 工程能力。

目录
  1. 可视化演示
  2. 传感原理概述
  3. 关键性能指标
  4. 物联网通信协议
  5. 数据预处理
  6. 健康监测算法
  7. 边缘智能部署
  8. 优化策略
  9. 应用与前景
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示生物传感器的工作原理、实时生命体征监测与健康数据趋势分析。切换模式查看不同维度，拖动滑块调节监测灵敏度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

实时生命体征监测 心率监测：光电容积脉搏波(PPG)检测血流脉动，计算心率 血氧饱和度：双波长LED透射/反射法测量SpO2 HR = 60 / T_ppg PPG周期倒数即为瞬时心率

传感原理概述

哨兵站怎么“认人”？靠的不是长相，而是气味分子和指纹。生物传感器的识别元件——酶、抗体、DNA 探针——就像一把把特制的钥匙，只与特定的生物分子吻合：血糖试纸里的葡萄糖氧化酶只认葡萄糖分子，抗原检测卡里的抗体只紧盯病毒蛋白。一旦钥匙插进锁孔，就触发下游的“换能器”，把这次生物层面的相遇翻译成电信号，就像哨兵按响警铃，让远处的人也知道出事了。

从比喻回到技术，生物传感器由两大部分组成：生物识别元件和换能器。前者负责“认人”，后者负责“翻译”。常见的识别机制包括酶催化反应、抗体-抗原结合、核酸杂交等；常见的换能方式有电化学、光学、压电效应。识别越专一，误报越少；翻译越高效，信号越强。

衡量“翻译”效率的核心参数叫灵敏度：输入变化一个单位，输出能变化多少。灵敏度越高，哨兵的听觉越敏锐，越能捕捉微弱线索。公式表达为：

灵敏度太高会风声鹤唳，一点点干扰就报警；太低又会漏掉真正的危险。优秀的工程师要像调校哨兵站的收音机一样，把灵敏度调到“恰到好处”。

S=ΔOutputΔInputS = \dfrac{\Delta \text{Output}}{\Delta \text{Input}}
灵敏度就是把“生命信号的变化量”除以“传感器读数的变化量”，比值越大，传感器对微小变化越敏感。
  1. ΔInput（输入变化）被测生物量浓度的变化量，比如血糖从 5 mmol/L 升到 6 mmol/L。
    ΔInput=6−5=1 mmol/L\Delta \text{Input} = 6 - 5 = 1 \text{ mmol/L}
  2. ΔOutput（输出变化）传感器输出的电信号变化量，比如电流从 2 μA 升到 3 μA。
    ΔOutput=3−2=1 μA\Delta \text{Output} = 3 - 2 = 1 \text{ μA}
  3. 求比值两者相除得到灵敏度，数值越大，说明输入每变动一小点，输出就大幅跳动，哨兵越“灵敏”。
    S=1 μA1 mmol/L=1 μA/(mmol/L)S = \dfrac{1 \text{ μA}}{1 \text{ mmol/L}} = 1 \text{ μA}/(\text{mmol/L})

关键性能指标

城市会给每个哨兵站定期考核：报得准不准、反应快不快、能不能常年无休地站岗。生物传感器也有三张考核成绩单——信噪比、响应时间、稳定性与寿命。

信噪比（SNR）衡量“真实信号”和“背景噪声”的比值。想象哨兵在暴风雨夜站岗，风声雨声（噪声）很容易盖过脚步声（信号）。信噪比越高，哨兵越能在嘈杂中听清真正的异常。公式为：

响应时间指哨兵从发现异常到发出报告所花的时间。心电监护要求毫秒级响应，而血糖监测允许几十秒的等待。稳定性则看传感器长期运行后漂移多少——有的传感器用久了基线会“跑偏”，就像钟表走时久了会慢，需要定期校准。寿命则决定哨兵站多久需要换岗。

考核成绩决定哨兵站能不能上岗：信噪比太低、响应太慢、寿命太短的传感器，就像年久失修的老岗亭，再便宜也没人敢用。

SNR=PsignalPnoise\text{SNR} = \dfrac{P_{\text{signal}}}{P_{\text{noise}}}
信噪比就是“信号功率除以噪声功率”，比值越大，信号越清晰，噪声越不碍事。
  1. P_signal（信号功率）有用的生命信号强度，比如心跳波形蕴含的能量。
    Psignal=1N∑i=1Nxi2P_{\text{signal}} = \dfrac{1}{N}\sum_{i=1}^{N} x_i^2
  2. P_noise（噪声功率）干扰信号的强度，包括电子噪声、运动伪迹等。
    Pnoise=1N∑i=1Nni2P_{\text{noise}} = \dfrac{1}{N}\sum_{i=1}^{N} n_i^2
  3. 计算比值信号功率除以噪声功率，通常用分贝（dB）表示，比值越大越好。
    SNRdB=10×log⁡10(PsignalPnoise)\text{SNR}_{\text{dB}} = 10 \times \log_{10}\left(\dfrac{P_{\text{signal}}}{P_{\text{noise}}}\right)

物联网通信协议

哨兵发现异常后，怎么把情报送回去？靠吼肯定不行，得选合适的“对讲频道”。物联网的通信协议，就是哨兵站上报情报的专用频道。整套系统分三层：感知层（哨兵站）、网络层（对讲网络）、应用层（指挥中心）。

近距离场景常用蓝牙低功耗（BLE）——手环和手机之间就靠它，像对讲机的短波频道，功耗低、距离近（10 米左右）。远距离场景则用低功耗广域网（LoRa、NB-IoT）——像卫星电话，能传几公里，适合农村、野外、养老院大范围部署。还有 Wi-Fi 这种“中距离高速频道”，功耗高但能传大块数据。

选择协议的本质是在速率、距离、功耗三个指标间做权衡。一条健康数据从感知到送达总会经历三个环节，总时延公式为：

选错“频道”的代价很实在：心电监护用 LoRa 传大波形会卡顿，血糖贴片用 Wi-Fi 则电池撑不过两天。好的架构师，懂得给不同哨兵配不同频道。

Ttotal=Tsense+Ttransmit+TprocessT_{\text{total}} = T_{\text{sense}} + T_{\text{transmit}} + T_{\text{process}}
总时延 = 感知时延 + 传输时延 + 处理时延，任何一个环节慢了，监护都会迟到。
  1. T_sense（感知时延）传感器从接触到生物信号到完成采样的时间。
    Tsense=1fsT_{\text{sense}} = \dfrac{1}{f_s}
  2. T_transmit（传输时延）数据包通过无线网络到达服务器的时间，与协议和距离强相关。
    Ttransmit=数据量传输速率T_{\text{transmit}} = \dfrac{\text{数据量}}{\text{传输速率}}
  3. T_process（处理时延）服务器或边缘设备分析数据所花的时间。
    Ttotal=Tsense+Ttransmit+TprocessT_{\text{total}} = T_{\text{sense}} + T_{\text{transmit}} + T_{\text{process}}

数据预处理

哨兵的报告送到指挥中心时往往字迹潦草、夹杂风雨声：传感器采到的原始信号里混着呼吸扰动、肌肉抖动、电路噪声。直接拿这些脏数据做分析，就像让分析官读一份被雨淋花的报告，必然出错。所以先要“清洗报告”。

第一步是滤波去噪。最朴素的方法叫移动平均：把每个点的值替换成它周围若干点的平均值，噪声被“抹平”，信号轮廓保留下来。就像把一连串抖动的脚印平均出一条稳定的行走路线。公式为：

第二步是基线校正。传感器可能因为温度、电极接触不良而产生缓慢漂移，像海平面缓缓升降，需要把“零线”拉回正常位置。第三步是特征提取：从清洗后的信号里提炼关键数字——心跳峰值的位置、波峰间隔、波幅高度等，相当于把整份报告压缩成“关键案情摘要”。

清洗报告是分析官的好习惯：数据不干净，后面所有算法都是沙上建塔。把滤波、校正、提特征这套流程做到位，哨兵的情报才能变成可靠的决策依据。

y[n]=1N∑k=0N−1x[n−k]y[n] = \dfrac{1}{N}\sum_{k=0}^{N-1} x[n-k]
移动平均滤波：输出第 n 个点的值，等于它和前 N-1 个点的平均值，窗口越大越平滑，但也越容易抹掉细节。
  1. x[n-k]（窗口内历史点）取当前位置之前的第 k 个采样值作为计算素材。
    x[n],  x[n−1],  x[n−2],  …x[n],\; x[n-1],\; x[n-2],\; \dots
  2. N（窗口大小）参与平均的采样点数量，N 越大越平滑。
    y[n]=1N(x[n]+x[n−1]+⋯+x[n−N+1])y[n] = \dfrac{1}{N}\left(x[n] + x[n-1] + \cdots + x[n-N+1]\right)
  3. 求和取平均把窗口内的点求和，再除以 N，得到去噪后的值。
    y[n]=1N∑k=0N−1x[n−k]y[n] = \dfrac{1}{N}\sum_{k=0}^{N-1} x[n-k]

健康监测算法

情报清洗完毕，轮到指挥中心的分析官登场。他们手里的“规则手册”主要有三招：阈值判断、心率变异性分析、趋势预测模型。

阈值判断最简单直接：设定一条红线，信号越线就拉警报。比如血氧低于 90% 就告警。趋势预测模型则更高明，它看的是走向——如果一项指标连续下滑，即使还没跌破红线，系统也会提前预警，像老气象员看云识天气。而心率变异性（HRV）是体检中最有信息量的指标之一：健康的心脏像个灵活的舞者，跳得并不完全规律；HRV 过低反而可能提示压力过大或自主神经失衡。常用指标 RMSSD 公式为：

有了这三招，分析官就能从“心跳偶然一快”和“心跳正在失控”之间分清轻重缓急。阈值负责守底线，HRV 负责看状态，趋势模型负责预测未来——三招合璧，城市安防才算完整。

RMSSD=1N−1∑i=1N−1(RRi+1−RRi)2\text{RMSSD} = \sqrt{\dfrac{1}{N-1}\sum_{i=1}^{N-1} \left(RR_{i+1} - RR_i\right)^2}
RMSSD 衡量相邻两次心跳间期的波动幅度：波动越大说明心率变异性越高，通常代表身体调节能力强。
  1. RR_i（心动间期）第 i 次心跳到第 i+1 次心跳之间的间隔时间，单位毫秒。
    RRi=ti+1−tiRR_i = t_{i+1} - t_i
  2. 相邻差计算相邻两个 RR 间期的差值，差值波动大说明心跳节奏灵活。
    ΔRR=RRi+1−RRi\Delta RR = RR_{i+1} - RR_i
  3. 平方后取平均再开根先平方消除正负抵消，再求均方根，得到稳健的变异性度量。
    RMSSD=1N−1∑i=1N−1(RRi+1−RRi)2\text{RMSSD} = \sqrt{\dfrac{1}{N-1}\sum_{i=1}^{N-1} \left(RR_{i+1} - RR_i\right)^2}

边缘智能部署

有些警报等不及传回总指挥部。想象心跳骤停的瞬间，如果数据先上传云端再等分析结果返回来，黄金救援时间早已流逝。于是城市在每个街区都设了“分哨所”——边缘计算，让哨兵站附近的小型处理器就地完成推理。

边缘计算把模型部署在设备端或网关，信号一产生就在本地判断，时延极短。终端推理则更进一步，把轻量级 AI 模型直接塞进手环芯片里。而云边协同讲的是分工：边缘负责实时响应、本地告警，云端负责训练大模型、汇总全院区数据做长期分析。边缘和云端像巡警与刑侦专家——巡警当场处置，专家回实验室慢慢破案。时延对比清晰直观：

边缘不是万能的——本地芯片算力有限，跑不了大模型；云端的全局视角也无可替代。最佳实践永远是“急事在边缘、大事上云端”，让每个哨位各司其职。

Tedge=Tinfer,Tcloud=Tupload+Tinfer+TdownloadT_{\text{edge}} = T_{\text{infer}}, \qquad T_{\text{cloud}} = T_{\text{upload}} + T_{\text{infer}} + T_{\text{download}}
边缘计算省去了上传和下载时间，因此总时延通常远小于云计算：T_edge ≪ T_cloud。
  1. T_edge（边缘时延）本地处理器就地推理，只需一个推理时间。
    Tedge=TinferT_{\text{edge}} = T_{\text{infer}}
  2. T_cloud（云端时延）数据要上传云端、等待推理、再下载结果，三段相加。
    Tcloud=Tupload+Tinfer+TdownloadT_{\text{cloud}} = T_{\text{upload}} + T_{\text{infer}} + T_{\text{download}}
  3. 比较两者上传下载往往是几十到几百毫秒，足以决定生死。
    Tedge≪TcloudT_{\text{edge}} \ll T_{\text{cloud}}

优化策略

哨兵站不能 24 小时开着探照灯巡逻——那是巨大的能源浪费。可穿戴设备最宝贵的资源就是电池，一颗纽扣电池要撑几个月，逼着工程师设计“节能值班表”。

动态采样是第一条策略：安静睡觉时降低采样频率，运动或异常时自动加密采样。就像哨兵深夜困倦时低频巡逻，听到可疑动静才打起精神仔细搜。省电调度利用 BLE 的睡眠机制：平时休眠，需要时短突发地唤醒传输，把待机功耗压到微安级。自适应精度则动态调整传感器的分辨率，普通时段用粗粒度，异常时段开到最高精度。省下的能量可以用一个简单公式估算：

优化策略的本质是“把好钢用在刀刃上”：该清醒时绝不犯困，该休眠时绝不多耗一度电。省下的每一焦耳，都撑起哨兵站更长的守护时间。

Esaved=(Pfull−Pdyn)×TdynE_{\text{saved}} = (P_{\text{full}} - P_{\text{dyn}}) \times T_{\text{dyn}}
省下的能量 = （满功耗 - 动态功耗） × 动态运行时长，把“不必满功率”的时间省下来，就是可穿戴设备续航的秘密。
  1. P_full（满负荷功耗）传感器全速采样、全功率传输时的功率。
    Pfull=V×IfullP_{\text{full}} = V \times I_{\text{full}}
  2. P_dyn（动态策略功耗）采用动态采样和休眠策略后的平均功率。
    Pdyn=V×IdynP_{\text{dyn}} = V \times I_{\text{dyn}}
  3. 乘以时长两者差值乘以动态策略运行的时间，得到节省的能量。
    Esaved=(Pfull−Pdyn)×TdynE_{\text{saved}} = (P_{\text{full}} - P_{\text{dyn}}) \times T_{\text{dyn}}

应用与前景

如今，这支哨兵网络已经从概念图纸走进了现实生活。可穿戴设备把传感器塞进手腕——智能手环监测心率、血氧、睡眠，手机上的健康 App 就是你的个人指挥中心。远程医疗让医生在电脑前实时查看病房里每位患者的心电波形，异常自动弹窗，护士第一时间响应。慢病管理则把糖尿病、高血压患者从医院解放出来：血糖贴片持续上报，云端算法分析趋势，必要时胰岛素泵（执行器）自动给药，形成感知-决策-执行的完整闭环。

评价这套闭环是否可靠，要看它的诊断灵敏度——真正生病的人能被正确识别出来的概率，对应哨兵“不漏报”的能力：

注意这里的概念与第一节的“灵敏度参数”不同：传感器灵敏度说的是物理转换能力，诊断灵敏度说的是算法判断能力——一个是“听见”多清楚，一个是“判断”多准确。

从手腕上的手环到整座医院的监护网络，生物传感器正在把“生病了才知道”变成“还没发作就预警”。哨兵网络越织越密，执行器越来越聪明，每个人未来都值得拥有一座随身的微型医院。

Sensitivity=TPTP+FN\text{Sensitivity} = \dfrac{TP}{TP + FN}
诊断灵敏度 = 真阳性数 ÷（真阳性数 + 假阴性数），它衡量系统漏报的比例，数值越接近 1，哨兵越不会放跑真正的危险。
  1. TP（真阳性）确实患病且系统正确报警的样本数。
    TP=患病且告警TP = \text{患病且告警}
  2. FN（假阴性）确实患病但系统漏报的样本数。
    FN=患病但未告警FN = \text{患病但未告警}
  3. 求比值真阳性除以总患病数，越高说明漏报越少。
    Sensitivity=TPTP+FN\text{Sensitivity} = \dfrac{TP}{TP + FN}

AI 应用场景

智能手环的实时心率异常预警

阶段：数据采集 → 边缘推理 → 移动端告警

解决的问题：传统心电监护需要去医院贴电极、接设备，用户无法在日常生活中持续监测。AI 加持的手环在本地完成心电信号滤波和阈值判断，异常时立即震动提醒，无需把每一秒数据都传到云端。

具体案例：一位程序员佩戴支持 HRV 监测的手环，某天连续加班后系统检测到他的心率变异性显著下降、静息心率持续走高，在阈值模型触发前，趋势预测模型就推送了“疲劳风险”提示。他及时休息，避免了可能的过劳风险。

养老院跌倒检测与远程监护

阶段：感知层采集 → 边缘网关处理 → 云端平台分析

解决的问题：老人跌倒后如果无人发现，后果极其严重。传统方案依赖摄像头存在隐私问题，单纯加速度计阈值判断又误报率高。边缘智能在本地用轻量级模型识别跌倒姿态，结合云端行为模式分析降低误报。

具体案例：某养老院在每位老人手腕上佩戴集成加速度计和陀螺仪的终端，边缘网关在 200 毫秒内判断跌倒事件并呼叫护士站，同时云端记录一周活动规律，发现“夜间如厕频率异常上升”提前预警健康风险。

糖尿病慢病管理的闭环调控

阶段：连续血糖监测（CGM）→ 云端趋势分析 → 胰岛素泵执行

解决的问题：传统血糖监测需要扎手指取血，每天几次的离散采样无法捕捉夜间低血糖等危险事件。连续血糖监测传感器每 5 分钟上报一次数据，云端算法预测血糖变化趋势，指挥胰岛素泵自动微调给药量。

具体案例：1 型糖尿病患者佩戴德康 G6 动态血糖仪配合闭环胰岛素泵，系统在血糖即将跌破 70 mg/dL 的前 20 分钟就暂停基础胰岛素输注，成功避免了夜间低血糖昏迷事件。

Python 演示

python48 行
# -*- coding: utf-8 -*-"""模拟生物传感器心率信号: 生成带噪声的 ECG, 移动平均滤波, 阈值异常告警"""import mathimport random def gen_ecg(fs=250, seconds=10, anomaly=False):    """生成模拟心电信号, fs 为采样率(Hz), anomaly 控制是否注入异常尖峰"""    samples = []    n = fs * seconds    for i in range(n):        t = i / float(fs)        beat = math.sin(2 * math.pi * t)        noise = random.uniform(-0.15, 0.15)        if anomaly and 4 < t < 5:            noise += 0.9        samples.append(beat + noise)    return samples def moving_average(signal, window=9):    """移动平均滤波: 用窗口内平均值平滑高频噪声"""    half = window // 2    out = []    for i in range(len(signal)):        lo = max(0, i - half)        hi = min(len(signal), i + half + 1)        out.append(sum(signal[lo:hi]) / (hi - lo))    return out def detect_anomaly(signal, threshold=0.85):    """阈值告警: 幅值超过 threshold 的点记为异常"""    alerts = []    for i, v in enumerate(signal):        if abs(float(v)) > threshold:            alerts.append((i, v))    return alerts def main():    fs = 250    raw = gen_ecg(fs=fs, seconds=10, anomaly=True)    clean = moving_average(raw, window=9)    alerts = detect_anomaly(clean)    print("总采样点数:", len(raw))    print("滤波后异常告警数:", len(alerts))    for idx, val in alerts[:5]:        print("t=%.2fs 幅值=%.3f 告警!" % (idx / float(fs), val)) if __name__ == "__main__":    main()
目的：完整演示了生物传感器健康监测的核心链路——生成带噪声的心电信号、用移动平均滤波去除噪声、再用阈值判断检测异常尖峰。
  1. beat = math.sin(2 * math.pi * t)用正弦波模拟 1 Hz 的心跳主波，相当于哨兵要识别的“真实信号”。
  2. noise = random.uniform(-0.15, 0.15)叠加随机噪声，模拟传感器里的电路干扰和身体抖动。
  3. if anomaly and 4 < t < 5: noise += 0.9在第 4 到第 5 秒注入大幅尖峰，模拟一次心律失常事件。
  4. out.append(sum(signal[lo:hi]) / (hi - lo))移动平均的核心一行：取窗口内数据的平均值，把噪声抹平。
  5. if abs(float(v)) > threshold:阈值判断：信号幅值超过 0.85 就记为异常，对应算法里的“红线告警”。

常见误区

误区我买传感器就挑灵敏度最高、分辨率最细的型号，参数越漂亮，监测系统就越厉害，贵一点没关系。

正解精度和功耗、成本、体积是一组跷跷板。可穿戴设备里，超高精度的传感器往往更耗电、更贵、体积更大，反而撑不起长续航。真正的工程智慧是“够用就好”：按应用场景匹配精度，再用算法弥补硬件的不足，就像哨兵站不会为了看清 1 公里外的蚊子而放弃便携性。

为何常见：大家容易把“参数好”等同于“产品好”，但忽略了可穿戴场景里续航和佩戴舒适度同样是核心指标。

误区云端服务器算力那么强，算法又先进，把所有数据都传到云端处理一定比在手表上算更靠谱。

正解云端算力强没错，但数据上传下载的时延可能长达几百毫秒，心搏骤停等场景等不起。边缘计算在本地即时推理，响应时间可低至几十毫秒。正确姿势是云边协同：紧急判断交给边缘，长期趋势和模型训练交给云端，两者各司其职。

为何常见：人们本能地认为“更强大的计算设备 = 更好的结果”，忽视了物联网场景里时延和网络带宽同样是硬约束。

误区移动平均滤波的窗口越大，噪声去得越干净，那我干脆设一个 50 点的大窗口，信号不就完美了吗？

正解窗口过大的确能抹平噪声，但也会把真实的心跳特征一起抹掉——QRS 波峰变矮变钝，RR 间期测不准，后续的 HRV 分析全部失真。滤波的本质是“在去噪和保真之间找平衡”，窗口大小要匹配信号本身的频率，通常取能保留主波又压住噪声的尺寸。

为何常见：滤波的“平滑”效果直观可见，让人误以为越平滑越好，却忽略了过度平滑对特征信号的破坏。

误区手环用蓝牙连手机，那蓝牙能传照片能放歌，手环的数据肯定也能高码率实时传，只是厂商故意限制。

正解BLE 是“蓝牙低功耗”协议，设计目标恰恰是低功耗、小数据量、短时突发传输，峰值速率远低于经典蓝牙。它的省电秘诀在于大部分时间深度睡眠、需要时才短暂唤醒。想在 BLE 上持续传高分辨率心电波形，就像用对讲机放交响乐——信道根本扛不住，只能先做压缩和特征提取再传。

为何常见：很多人把“蓝牙”当成一个统一概念，没注意到经典蓝牙与 BLE 在功耗与速率定位上的本质差异。

面试题

Q1. 生物传感器实现健康监测的核心功能是？

单选题 · easy

  • A.生物量转电信号← 正确答案
  • B.放大音频信号
  • C.拍摄高清图像
  • D.存储健康档案

答案：A。生物传感器由识别元件与换能器组成，识别元件锁定目标分子，换能器把生物量变化转换为可测电信号。B 是音频设备功能，C 是摄像头功能，D 是数据管理功能，均与感知本质无关。

Q2. BLE（蓝牙低功耗）的省电主要得益于？

单选题 · easy

  • A.高带宽数据流
  • B.睡眠与短时突发← 正确答案
  • C.大功率长距离
  • D.持续高速传输

答案：B。BLE 平时深度休眠，仅在需要时短暂唤醒完成一次短突发传输，因此平均功耗极低。高带宽、大功率、持续传输都是耗电行为，与 BLE 的省电设计背道而驰。

Q3. 传感器灵敏度 S 的定义是？

单选题 · easy

  • A.输出变化比输入← 正确答案
  • B.输入变化比输出
  • C.采样率高低
  • D.信噪比大小

答案：A。灵敏度 S = ΔOutput / ΔInput，指输入变化一个单位时输出变化多少。B 是倒数关系，C 是采样频率，D 是信噪比，三者都不等于灵敏度的定义。

Q4. 移动平均滤波窗口设置过大可能导致？

单选题 · mid

  • A.彻底去除噪声
  • B.过度平滑失真← 正确答案
  • C.增大信号幅值
  • D.提升采样频率

答案：B。窗口越大平均范围越宽，噪声虽被压制，但真实的心跳波峰也被抹平，导致 QRS 波变钝、RR 间期测量失真。A 过于绝对，C、D 与滤波无关。

Q5. 边缘计算相比云端计算的最大优势是？

单选题 · mid

  • A.网络带宽更窄
  • B.响应时延更低← 正确答案
  • C.数据存储更多
  • D.设备功耗更高

答案：B。边缘设备在本地完成推理，省去上传、下载的传输时延，适合毫秒级响应的急救场景。带宽窄、存储多是云端的特征，功耗高是劣势而非优势。

Q6. RMSSD 指标主要反映人体的？

单选题 · mid

  • A.平均心率快慢
  • B.心率变异性← 正确答案
  • C.血氧饱和度
  • D.体温变化率

答案：B。RMSSD 通过对相邻 RR 间期差求均方根，衡量心跳节奏的波动程度，是心率变异性（HRV）的经典指标。平均心率看均值，血氧和体温是另一类传感器指标。

Q7. 云边协同架构中，云端主要负责？

单选题 · hard

  • A.训练全局模型← 正确答案
  • B.实时采集数据
  • C.滤波去噪处理
  • D.充电视觉显示

答案：A。云端算力强、视野广，负责大模型训练、跨用户全局统计分析；实时采样本就是传感器职责，滤波去噪通常就近在边缘完成，充电与云无关。

Q8. 以下属于生物传感器关键性能指标的有？

多选题 · mid

  • A.高灵敏度← 正确答案
  • B.高信噪比← 正确答案
  • C.快速响应← 正确答案
  • D.屏幕分辨率

答案：ABC。灵敏度衡量信号转换能力，信噪比衡量抗干扰能力，响应时间决定告警速度，这三者都是传感性能核心指标。屏幕分辨率是显示设备的参数，与传感器无关。

Q9. 下列能有效降低可穿戴设备功耗的策略有？

多选题 · hard

  • A.动态调整采样← 正确答案
  • B.蓝牙低功耗← 正确答案
  • C.边缘预处理← 正确答案
  • D.持续满速发送

答案：ABC。动态采样在闲时降低频率、BLE 利用睡眠机制、边缘预处理减少无效数据上传，三者都能省电。持续满速发送是功耗最高的做法，应避免。

Q10. 健康监测中可用于异常检测的算法手段有？

多选题 · extreme

  • A.阈值判断异常← 正确答案
  • B.分析心率变异性← 正确答案
  • C.趋势预测建模← 正确答案
  • D.图像压缩编码

答案：ABC。阈值判断划红线守底线，HRV 分析察觉节奏紊乱，趋势预测提前预判风险，三者都是监测算法核心手段。图像压缩用于减少传输数据量，并不承担异常检测职能。