2010年前，业界领先的运动追踪器通常只会记录三个参数——运动量、睡眠时间、卡路里消耗量；运动数据则由搭载25 Mhz处理器以及8 KB运行内存和128 KB闪存的嵌入式加速度计来测量；再加上可充电电池，这就是2000年代初可穿戴设备所需的全部驱动技术。
随着技术不断进步，现在的健身追踪器不仅能够更加精确地记录复杂数据，而且健身、健康和医疗监测之间的界限也变得越来越模糊。如今，高端可穿戴设备支持一系列先进的传感器来记录各类数据，例如，穿戴者的VO2max（最大摄氧量）、血氧饱和度（SpO2）、体温、心率、心率变异性（HRV），以及早期产品率先监测的睡眠和活动数据。
从健身到健康的可穿戴设备
如今，腕戴设备的心脏监测功能将可穿戴设备从健身追踪器转变为管理个人心血管健康的强大工具。心率和HRV以及皮肤温度测量，经证明在预测和检测低血糖方面很有价值[1]，使得下一代可穿戴设备能够把控个人血糖史及相关糖尿病风险。此外，这些传感器还提供压力和心率数据，通过结合睡眠质量信息，可为个人心理健康提供宝贵建议，从而有助于更好地管理压力和焦虑[2]。
下一代SoC优化用于传感器融合和机器学习
巿场对更复杂的可穿戴设备的需求日益增加，推动了商界对用于这些设备的无线系统级芯片（SoC）的需求不断升高。要监控大量可以产生数百万个数据点的传感器，离不开对无线连接的支持。但是，要在理解所有这些数据在其使用场景中的意义，并实现快速有效的临床干预，就需要具有强大处理性能以及机器学习（ML）和边缘传感器融合能力的SoC。
ML算法带来了处理大量数据并从大数据集中提取临床相关信息的能力。例如，在为人体活动识别（HAR）设计的医疗可穿戴设备中，ML非常有用。HAR使可穿戴设备能够确定具体的移动性活动（例如，穿戴者是散步还是慢跑）和功能性活动（他们是在刷牙、洗手还是做饭？）。评估此类活动并做出推断，有助于辨别个人的健康及保健状况[3]。
要获得完整的信息，必须整合来自多个传感器的不同数据流，而这就需要能够执行传感器融合的SoC，以便过滤信息，并确定来自所有不同传感器的数据点与相同的活动或健康问题之间的对应情况。
Nordic nRF54系列支持先进可穿戴设备的无限未来
Nordic在SoC研发中始终秉持“造出来就能创新用起来”的理念。换句话说，需要这些芯片的尖端处理能力或内存分配的应用程序可能尚未设计出来，但只要把芯片交到聪明的工程师手中，他们很快就会研发出可以让芯片物尽其用的应用。
随着Nordic推出革命性的nRF54H20和nRF54L15，使这毋庸置疑。其上一代nRF5340是率先搭载两个Arm Cortex-M33处理器的无线SoC，而nRF54H20目前内置多个Arm Cortex-M33处理器和多个RISC-V协处理器。这些处理器的时钟频率高达320 Mhz，并具有充足集成式内部存储器，包括2 MB非易失性存储器和1 MB运行内存。出色的处理能力和充足的内存使这些新款SoC非常适合需要运行ML模型和边缘传感器融合的应用。
保护敏感数据的最先进安全措施
nRF54H20也是市场上最安全的低功耗多协议SoC之一，对于需要确保潜在敏感个人数据安全性的医疗保健应用程序至关重要。其最先进的安全性设计符合平台安全架构（PSA）认证的3级物联网（IoT）安全标准。这SoC还支持安全启动、安全固件更新和安全存储等安全服务，具有加强的加密加速器以抵御侧信道攻击，以及可以检测正在进行的攻击，并采取适当行动的防篡改传感器。
利用高度集成的SoC替换多个组件，并通过超低功耗无线电和最小睡眠电流延长电池寿命，未来由nRF54H20供电的医疗保健可穿戴设备将继续变得更紧凑、更高效和功能更强大，从而捕获当前无法捕获的各种健康指标。接下来就需要开发人员充分发挥想象力！
参考文献
1.当前无创可穿戴技术在I型糖尿病管理中监测生理信号的潜力：文献综述。
美国国立卫生研究院，2022年。
2.用于心理健康监测的可穿戴传感器的研究综述。美国国立卫生研究院，2023年。
3.基于机器学习算法的可穿戴多传感器数据融合人体活动识别方法。B Vidya, Sasikumar P, 2022年。