首批获得美国食品药品监督管理局（FDA）认证的可穿戴数字健康监测设备，已开始与消费级智能手表实现深度融合，但这仅仅是一个起点。医疗传感技术正经历快速迭代，使得体积更紧凑、成本更低廉、精度持续提升的生理传感器能够嵌入大众可穿戴产品。真正推动这一变革的，是尖端的机器学习与人工智能算法——它们能从海量数据中提取并解读出有临床意义的信息，即使是充满噪声、信号不完美的数据（例如智能手表采集的心电图信号），这些信号常被各类伪迹干扰，传统的确定性规则算法往往难以处理。

就在几年前，要从这些传感器采集的生理信号中挖掘隐藏的规律，并做出足够准确、能够通过监管审评的决策，还非常困难，甚至几乎不可能。如今，机器学习与人工智能算法的演进，使工程师和科学家们得以攻克这些技术瓶颈。本文的核心目标，是系统拆解用于处理生理信号的算法整体架构，揭示其运作机理，将数十年的研究成果还原为更贴近工程实际的实践框架。

先看一个简单案例：活动追踪器中的加速度计数据，如何判断佩戴者处于运动还是静止状态？以下在线视频直观展示了这一过程。同样的思路可扩展到更复杂的真实医学信号，例如心电图——开发一个算法，自动将心电图信号分类为正常节律或心房颤动。

开发机器学习算法通常包含两大步骤（图1）。第一步是特征工程——从感兴趣的数据集中提取特定的数值/数学特征，并传递给下一步。第二步，将这些特征输入成熟的统计分类或回归算法中，例如支持向量机或配置恰当的传统神经网络，训练得到一个模型，后续可用于预测新数据。首先使用一个代表性的标注数据集反复迭代训练，直到模型精度满足要求，然后它就能作为生产环境中的预测引擎，处理新的数据集。

图1. 包含训练与测试阶段的典型机器学习工作流程。

那么，这一工作流程应用于心电图信号分类问题会怎样？这里引用2017年PhysioNet挑战赛的数据集，它包含真实世界的单导联心电图数据，目标是将患者心电图信号分为四类：正常、心房颤动、其他节律、噪声过大。使用MATLAB解决该问题的整体流程及各步骤如图2所示。

图2. 用于开发心电图信号分类机器学习算法的MATLAB工作流程。

预处理与特征工程

特征工程环节，通常是构建强大机器学习算法过程中最棘手的部分。这不能简单视为一个“数据科学”问题——在探索各种解决方案时，必须具备生物医学工程领域的专业背景，理解不同类型生理信号与数据的特性。像MATLAB这类工具，将数据分析和高级机器学习功能直接带给领域专家，使他们能更轻松地将“数据科学”能力应用于具体问题，从而将精力集中在特征工程上。在本案例中，预处理的关键是定位R波位置，并提取心跳间期、信号质量指标等特征。

开发分类模型

Statistics and Machine Learning Toolbox中的分类学习器应用程序，对于刚接触机器学习的工程师和科学家而言，是一个非常便利的起点。在这个例子中，我们从信号中提取了足够多且有用的相关特征后，利用该应用快速探索不同分类器及其表现，然后缩小优化范围。这些分类器包括决策树、随机森林、支持向量机和K近邻（KNN）。通过它们可以试验多种策略，选出最适合当前特征集的那个——通常使用混淆矩阵或ROC曲线下面积进行评估。在我们的案例中，按照这套方法，很快在所有类别上达到了约80%的整体准确率（本次比赛获胜作品得分约83%）。请注意，我们没有在特征工程或分类器调参上投入过多时间，因为重点在于验证方法。通常，在特征工程和调参上付出更多精力，会进一步显著提升分类准确度。更前沿的技术如深度学习，还能将特征工程、特征提取和分类步骤合并到一个训练过程中，不过相比传统机器学习方法，它通常需要更大的训练数据集才能取得良好效果。

挑战、监管与未来前景

虽然许多常见的可穿戴设备尚未完全达到FDA批准和医学验证的标准，但所有技术与消费趋势都强烈指向这一方向。FDA已开始主动简化监管流程、推动监管科学发展，特别是通过数字健康软件预认证计划，以及在设备开发中引入建模与模拟等举措。

从日常使用的可穿戴设备中获取的人体生理信号，正成为全新的数字生物标志物，它们能够全面反映我们的健康状况。这一愿景比以往任何时候都更接近现实——这在很大程度上得益于信号处理、机器学习与深度学习算法的进步。像MATLAB这类工具所支持的工作流程，使医疗设备领域的专家能够应用并利用数据科学技术，而无需成为数据科学专家。