引言

健康管理需求攀升与亚健康问题凸显，推动可穿戴体征监测设备成为智慧医疗领域研究热点。传统医疗监测设备普遍存在三大痛点：其一，多采用单点传感器设计，仅能采集单一或少数体征指标，难以全面、精准反映人体复杂健康状态；其二，通信链路依赖传统蓝牙技术，存在传输速率低、功耗偏高的短板，无法满足多参数实时传输需求；其三，设备体积与重量超标，多数产品厚度超5mm，长时间穿戴易产生不适感，难以适配长时间监测场景。高强度工作人群猝死风险频发，亟需兼具高响应速度、高准确性与优良穿戴体验的监测方案。集成电路产业的快速发展为可穿戴监测设备的技术升级提供了有力支撑。当前主流可穿戴体征监测设备多依赖进口芯片，现有研究在监测参数全面性、通信速率、轻量化设计及专项风险预警等方面尚未形成一体化解决方案。尽管动态基线校准、云端健康管理等技术已在相关领域取得进展，但缺乏与国产化芯片、多参数融合监测、高速无线通信的深度结合。本研究以WS63E芯片为核心，开发集多参数协同监测、高速数据传输与轻量化穿戴于一体的体征监测系统，旨在推动智慧医疗设备国产化进程，同时为加班熬夜等高危场景提供精准、高效的健康监测与风险预警支持，具有重要的工程应用价值与社会意义。

1 系统总体设计

1.1 系统架构

系统采用“感知层—传输层—处理层—应用层”四层架构，如图1所示。感知层由多类型传感器组成，负责体征数据与运动状态的采集；传输层基于星闪SLE技术实现数据无线传输，同时兼容Wi-Fi与BLE通信协议；处理层包括WS63E主控模块的数据预处理与云端平台的深度分析；应用层通过云健康管理小程序向用户提供数据可视化、异常预警与健康建议功能。各模块协同工作，形成“采集—传输—分析—预警”的完整闭环。

1.2设计流程

系统设计遵循“需求导向—方案设计—原型开发—测试优化”的迭代流程，具体通过以下步骤推进：先明确多参数监测、高精度测量、轻量化穿戴、低功耗续航及猝死风险预警等核心需求，再完成以WS63E芯片为核心的硬件设计（含传感器组合配置、电路原理图设计与PCB Layout及电源管理策略优化）；随后开发软件算法与云端界面；接着通过3D打印与焊接实现软硬件集成；之后开展性能测试与迭代优化；最后通过多场景对比验证实用性。该系统主控芯片 WS63E采用32bit微处理器架构，最大工作频率240MHz，内嵌606KB SRAM等存储资源，具备低功耗与多通信协议支持特性，可满足多参数实时传输需求，工作温度范围-40℃～+85℃，适配复杂环境。

2 电路系统设计

2.1 核心控制电路

核心控制电路以WS63E芯片为核心，外围配置电源管理单元、存储单元与通信模组。芯片I/O口资源分配如下：P0端口连接MAX30102传感器，P1端口对接SHT20与MPU6050，P2端口用于星闪通信模组控制，P3端口实现电源管理与状态指示。电路采用多层PCB设计，优化接地策略与信号布线，减少电磁干扰，确保数据传输稳定性。

2.2 电源管理电路

电源管理电路采用锂电池供电方案，集成充电管理、电压转换与功耗控制功能。选用RT9013-33GB LDO稳压器实现5V到3.3V的电压转换，输出纹波＜10mV；采用锂电池充电管理芯片TP4056，支持最大1A充电电流，具备过充、过放、过流保护功能。通过低功耗设计策略，实现系统在待机状态下功耗小于10μA，工作状态下平均功耗低于5mA，保障24h以上连续续航。

2.3 无线通信电路

无线通信电路基于星闪SLE1.0技术设计，采用M528H-S63星闪模组，工作频段2.4GHz，支持1MHz/2MHz/4MHz可调频宽。电路设计中采用阻抗匹配技术优化天线性能，传输距离达10m，实现零丢包传输；采用数据优先级机制，异常体征数据传输优先级高于普通数据，确保预警信息实时送达。

2.4传感器模块

传感器模块采用多器件组合方案，可实现全维度体征参数采集，具体选用MAX30102集成模块作为心率/血氧传感器，其内置红光/红外LED与光电探测器，支持I2C接口通信，具备抗运动干扰能力且工作功耗小于1mW；体温监测采用SHT20数字温湿度传感器，测量范围覆盖-40℃～+125℃，温度精度达±0.1℃，并支持8/12/14bit分辨率可调；运动状态监测选用MPU6050六轴传感器，该传感器集成3轴加速度计与3轴陀螺仪，测量范围为±2/±4/±8/±16g可调，采样率最高1kHz，用于运动状态识别与伪影消除；各传感器通过SPI/I2C复用接口与WS63E芯片连接，针对不同传感器的信号特性，设计了包含滤波电路、放大电路与电平转换电路的专用信号调理电路，以确保采集数据的完整性与准确性，传感器模块原理图如图2所示。

3 软件系统设计

3.1 软件架构设计

软件系统采用分层架构设计，分为设备端软件与云端软件两部分，其中设备端软件基于RT-Thread嵌入式操作系统开发，包含驱动层、数据采集层、算法处理层与通信层，驱动层实现传感器及通信模组的硬件驱动，数据采集层负责多传感器同步采样与数据缓存，算法处理层完成数据预处理、基线校准与风险评估，通信层实现星闪SLE/MQTT协议的数据传输；云端软件则包括云服务器与微信小程序，云服务器采用MySQL数据库存储体征数据，支持百级数据并发写入且查询响应时间＜500ms，小程序可实现数据可视化、异常预警、历史数据查询等功能，支持心率、血氧、体温等参数的折线图展示。软件整体设计及软件逻辑运行如图3和图4所示。

3.2 核心算法设计

3.2.1 动态基线校准算法

为消除运动伪影与环境干扰、提升数据准确性，提出一种动态基线校准算法，其简化流程如下：多源数据同步采集：以50Hz采样率同步采集心率、血氧、体温等原始生理信号，及MPU6050六轴传感器输出的运动状态数据。基于卡尔曼滤波进行预处理，通过卡尔曼滤波抑制原始数据中的随机噪声与基线漂移，所用公式（1）如下所示：

(1)

其中，为时刻滤波估计值，为原始测量值，为卡尔曼增益，A为状态转移矩阵，B为控制输入矩阵，为控制输入量。

历史数据驱动的基线建立环节构建容量为5000组的循环样本库，对非标准化数据进行平滑处理与时间标准化转换（统一为整点数据）以消除采样间隔不一致引发的误差，同时通过运动自适应动态校准实时调整基线阈值，静息状态采用固定基线保障测量稳定性，运动状态则采用10s滑动窗口基线，动态修正运动伪影导致的测量偏差。算法逻辑流程图见图5。

3.2.2 猝死风险预警算法

针对加班熬夜场景，本研究设计基于多参数融合的猝死风险预警算法，具体实现流程如下：首先提取心率（HR）、心率变异性（HRV）、血氧饱和度（SpO₂）及体温（T）四项与猝死风险高度相关的关键特征指标，随后基于医学标准与临床数据设定预警阈值（HR＜40或＞120次/分钟、HRV＜50ms、SpO₂＜90%、T＞38.5℃或＜35℃），再采用加权求和法计算风险值（权重系数通过临床数据训练获得），核心公式为：

（2）

其中，~为权重系数，为指标归一化函数），最后当风险值≥预设阈值时，立即启动分级预警机制，并通过云健康管理小程序向用户推送预警信息。

4 实验结果与分析

测试分为实验室性能测试与场景化验证两部分，参照设备选用欧姆龙HPO-201T指夹式医用心率测试仪、医用电子体温计及指夹式血氧仪，测试工具包括示波器（Tektronix MDO3024）、频谱分析仪（Keysight N9320B）与电子负载（Chroma6302A），测试场景涵盖静息状态、日常活动及包含静坐、轻度活动与睡眠阶段的12h模拟加班熬夜场景；在静息状态下对10名受试者进行连续1h监测（每10分钟记录一次数据），结果显示系统心率测量范围64—91次/分钟、误差±1次/分钟，血氧饱和度测量范围95%—99%、误差±2%，体温测量范围36.2-37.5℃、误差±0.1℃，与参照设备测量值高度相关，Pearson相关系数分别达0.883、0.912、0.947，满足医用级精度要求；通信性能测试中，10m范围内多设备并发传输24h实现零丢包、零中断，平均传输延迟小于100ms，续航测试中设备满电状态下持续工作25.2h，与标称续航24h相比误差率低于2%，符合长时间穿戴监测需求；模拟加班熬夜场景下对5名受试者进行12h连续监测，针对心率异常升高、血氧饱和度骤降、心率变异性降低及综合异常四种情况的预警响应时间分别为2.3±0.5s、1.8±0.3s、3.1±0.6s、3.5±0.8s，预警准确率分别达95.0%、98.0%、89.0%、92.0%，平均响应时间＜5s，为猝死风险防控提供有效支持；与现有主流体征监测设备对比，本系统以WS63E为核心芯片，支持心率、血氧、体温、运动多参数监测，在心率精度（±1次/分钟）、通信技术（星闪SLE1.0）、设备重量（20g）、续航时间（≥24h）及猝死风险预警功能方面均优于采用进口Nordic nRF52832芯片的设备与采用STM32L476芯片的设备，展现出显著的技术优势，实测效果对照见表1。

测试项目	测试结果	对比数据	备注：测试标准
心率监测精度	误差范围控制在±1次/分钟	数据平均Pearson相关度大于82%	采用欧姆龙HPO-201T指夹式医用心率测试仪作为参照，进行多场景动态同步测试
体温监测精度	误差范围控制在±0.1℃	测量结果一致（±0.1℃）	使用医用体温计进行对照测试，涵盖不同环境温度下的测量准确性验证
血氧饱和度监测精度	误差范围控制在±2%	测量结果一致（±2%）	通过指夹式血氧仪同步测量
设备续航能力	连续工作时长≥24小时	连续循环监测显示，实际续航与标称值误差率＜2%	满电状态下持续运行测试，记录设备从100% 电量至自动关机的连续工作时长
数据传输性能	零丢包、零中断	与设计标准一致	基于星闪 SLE 技术，在10 米半径范围内进行多设备并发传输稳定性测试
异常情况预警响应时间	≤5秒	-	模拟心率异常、血氧骤降等紧急医疗场景，记录系统触发预警的响应耗时

5结论与展望

本研究成功设计并实现了基于WS63E芯片的可穿戴式多点体征监测系统，通过硬件轻量化设计达成20g超轻形态与24h长续航，结合多传感器协同采集与动态基线校准算法保障了心率、血氧、体温等参数的高精度测量。同时，基于星闪SLE技术构建高速稳定的通信链路，搭配云健康管理平台实现体征异常实时预警，且针对加班熬夜场景优化的猝死风险预警算法可实现危险信号秒级响应，实验结果验证了系统在测量精度、穿戴舒适性与场景适应性方面均满足设计目标，为智慧医疗设备国产化提供了可靠方案；未来将从三方面进一步优化升级，一是扩展传感器类型，增加血糖、乳酸、心电等监测模块，实现更全面的健康状态评估；二是引入机器学习算法，融合用户生活习惯、工作强度等多维度数据，构建个性化猝死风险预测模型，提升预警准确性；三是开发开放API接口，对接医院HIS系统与社区健康管理平台，构建“设备—云端—医疗机构”一体化健康管理生态，推动系统在临床监护与慢病管理中的广泛应用。

参考文献：

1. [1] Zhong B, Wang L. A stretchable cardiac ultrasound imager:a milestone in wearable bioimaging[J].Science bulletin,2023,68(09):868-870.
2. [2] 胡苗苗,赵昕,任宝娜,等. 基于静电纺纳米纤维的柔性可穿戴压力传感器的研究进展[J]. 材料工程,2023,51(02):15-27.
3. [3] Qi Z, Liu H, Jin F, et al. A wearable repetitive transcranial magnetic stimulation device[J].Nature communications,2025,16(01):2731.
4. [4] 金磊,张文婷. 基于物联网监测的生命急救类设备应急调配管理实践[J]. 中国医疗设备,2025,40(01):124-129,163.
5. [5] 马金祥,范新南,张建生,等. 基于无线传感器网络的比例导引优化信息融合研究[J].计算机测量与控制,2014,22(08):2650-2652.
6. [6] 黄俊骁,王志宇,丁仲祥,等.警员可穿戴多体征参数监测系统的设计[J].传感技术学报,2017,30(04):635-640.
7. [7] 胡玫,王永喜.基于STM32的可穿戴式无线体域网信息监测系统设计与实现[J].电气自动化,2021,43(03):20-23.
8. [8] 李颖慧,吕媛媛,吴迎,等.运动性猝死风险防控研究进展[J]. 中国运动医学杂志,2021,40(07):582-590.