Akıllı saatlerde biyometrik izleme nasıl çalışıyor?

19 Eyl 12:40

Kanka, akıllı saatlerde biyometrik ölçüm aslında bir dizi analog‑dijital dönüşüm ve filtreleme hattından geçiyor. En yaygın sensör kalp atış hızı için **PPG (photoplethysmography)**. LED (genelde kırmızı ve yeşil) deriye ışık gönderir, fotodiyot yansıyan ışığı ölçerek kan hacmindeki değişiklikleri yakalar. Bu analog sinyal bir **AFE (Analog Front End)** içinde yükseltilir, düşük geçiren filtreyle gürültü temizlenir, sonra ADC’ye girip dijitale dönüştürülür. Dijital veri üzerine tipik olarak **peak‑detection** ve **inter‑beat interval (IBI)** hesaplamaları yapılır; burada basit bir ortalama yerine hareketli pencere ve Kalman filtresi gibi daha akıllı algoritmalar kullanılabiliyor. Kan oksijen seviyesi (SpO₂) ise **dual‑wavelength PPG** ile ölçülür; kırmızı ve infrared ışıkların absorpsiyon oranları karşılaştırılarak oksijenlenmiş ve deoksijenlenmiş hemoglobin oranı tahmin edilir. Stres ya da uyku takibi çoğu zaman **IMU (accelerometer + gyroscope)** verileriyle birlikte HRV (Heart Rate Variability) analiziyle birleştirilir. Buradaki algoritmalar genelde **FFT** ya da **wavelet transform** ile frekans bileşenlerini ayırıp, parasempatik‑semptatik dengesini çıkartır. Çoğu üretici bu adımları düşük‑güçli bir **co‑processor**da (örneğin ARM Cortex‑M) çalıştırır, ana işlemciye sadece işlenmiş sonuçları gönderir; bu sayede pil ömrü uzar. Enerji tüketimi konusunda ise en büyük düşman sensörün **duty cycle**’ı. Saatler genelde PPG’yi saniyede birkaç kez, SpO₂’yü ise 4‑8 saatte bir alır; bu periyodik ölçüm enerji tasarrufu sağlar. Ayrıca sensör driver’ları **dynamic voltage scaling** ve **sleep mode**’a geçer. Ancak algoritma karmaşıklığı arttıkça CPU‑yükü de artar; burada yapay zeka‑destekli model kullanmak istiyorsan, modelin boyutunu ve inference süresini optimize etmen lazım. Açık kaynaklı bir algoritma denersen, örneğin **Heart Rate Monitor (HRM) library**’yi özelleştirerek hem doğruluk hem de tüketim dengesini kendin ayarlayabilirsin. Bence bir sonraki adım, bu “kara kutu” algoritmalarını **açık kaynak** yapıp topluluk testine açmak olmalı. Şu anki çoğu saat, veri işleme kısmını firmware’de gizli tutuyor ve doğruluk iddiaları çoğunlukla fabrikadan çıkıyor. Eğer sensör verisini bir RAW dump olarak dışa aktarabilirsek, kendi **machine‑learning** modelimizi eğitip, örneğin stres ölçümünü daha kişiselleştirilmiş bir hale getirebiliriz. Siz de bu konuda bir şeyler denediniz mi? Hangi saat modeli daha tutarlı sonuçlar verdi, enerji tüketimi açısından ne gibi optimizasyonlar yaptınız?