穿戴式設備商機持續成長, 根據市場研究機構IDC預估, 2021年智能穿戴設備出貨量將達2億4010萬台, 相較於2017年的1億2550萬台, 市場成長將近一倍, 5年複合成長率達18.2%; 而穿戴式產品的使用定位也逐漸明朗, 目前多以運動, 定位, 通話, 支付為主, 特別是在健身, 健康生活的風潮擴散之下, 運動健身更是穿戴式設備的重要應用領域, 像是國際知名大廠Apple, Garmin, 三星(Samsung)皆紛紛推出著重於運動應用之穿戴產品.
與此同時, 人工智慧(AI)的迅速崛起, 也為穿戴式設備帶來全新應用, 例如人體動作識別, 透過深度資訊搜集與分析, 結合AI的穿戴設備將能提供更有效, 準確的數據讓消費者參考; 而感測器, 便在這波運動健身和AI浪潮中扮演關鍵的角色, 其訊息搜集的品質直接影響後續的處理與應用, 因此, 目前各大感測器供應商皆致力於提升感測器精確度.
AI/多功能應用興 推動感測器精準度提升
AI的快速發展, 帶動各種創新應用如雨後春筍般而來, 而這股浪潮也蔓延至穿戴應用之上. 意法半導體亞太區產品行銷經理陳建成(圖1)表示, 隨著健身, 醫療照護風氣擴散, 加上AI興起, 穿戴設備的功能和應用愈來愈廣; 而為有效分析日漸龐大的數據資料, 提供消費者更準確, 更值得信任的分析結果, 後端的演算法也因而變得更加複雜. 為減少演算法運算時間, 設備商也開始要求感測器精確度, 換言之, 繼小尺寸, 低功耗之後, 精確度已成感測器設計重要的考量之一.
Ams台灣區總經理李定翰也指出, 穿戴式設備勢將會朝特化產品發展, 例如專業的運動腕錶, 醫療照護設備等, 而面對愈加廣泛的應用和更趨複雜的演算法, 感測器若 2000 能提升精確度, 第一時間偵測到的數據越準確, 後段演算法越能分析出正確的資料供消費者參考, 如此一來, 便有利於終端製造商加快產品和應用開發時程, 這便是現在感測器精確度不停提升的主要因素.
提升感測精準度 三大參數為關鍵
AI風潮席捲全球, 穿戴設備創新應用也日漸增加, 而背後的演算法複雜度大增, 也促使感測器精確度須跟著提高. 陳建成指出, 要提升感測器的準確度, 得在設計時參考三個關鍵參數, 分別為噪音(Noise), 穩定度(Stability), 以及誤差(Tolerance).
上述三種都是強化感測器精準度的關鍵參數, 而這些參數中又各自包含許多調校細項, 像是噪音中須注意的包括震動排除(Vibration Rejection), 閃爍雜訊(Flicker Noise), 高頻率噪音(High Frequency); 穩定度則是須注意長時間穩定(Stability of Time), 穩定度vs溫度(Stability vs Temperature), 可靠性(Repeatability); 至於誤差則是包含偏移(Offset), 靈敏度(Sensitivity)和非線性(Non-Linearity).
陳建成進一步解釋, 噪音, 穩定度及誤差參數皆為調整感測器精準度重要參數, 若噪音沒有調整完善, 容易導致偵測數據失真; 穩定度則是確保產品能因應不同的環境變化, 持續收集準確數據.
陳建成舉例, 若一款感測器的震動為10GHz, 就表示該感測器皆在10GHz的震動下收集資訊; 但如果感測器穩定度不夠好, 其震動頻率不停隨著使用者的動作或外在環境改變, 從10GHz跳到20GHz, 再從20GHz跳回10GHz, 就意味著此一感測器的數據收集是非線性的, 這樣子所收集的數據是相當不準確, 也容易導致演算法無法順利運行, 使穿戴設備相關應用分析失真, 或是停擺. 也因此, 感測器的穩定度對於實現精確偵測是具備高度的重要性.
至於誤差值部分, 毋庸置疑, 一定是朝誤差值越小越好, 目前各家感測器的供應商目標都是追求誤差值在正負1以內. 陳建成說, 現今各家業者積極追求誤差值的原因就如同前面所說, 後端的演算法對於感測器精確度的要求越來越高, 希望感測器在第一步偵測時, 所收集到的數據就相當準確, 才能減少演算法之後的運算和調校時間.
陳建成解釋, 過往穿戴式設備製造商之所以沒有特別要求感測器精確度, 是因為穿戴設備的功能較為簡單, 對於數據分析的需求還沒有這麼高; 但隨著AI興起, 大數據時代來臨, 加上消費者對於穿戴設備的功能要求越來越高, 製造商須透過演算法開發更多創新應用, 使得演算法愈趨複雜. 在這種情況下, 若感測器精確度不足, 已無法像過往一樣, 靠後端演算法多花一點時間, 針對硬體不足的部分進行調整. 總結來說, 如今小尺寸和低功耗對於感測器而言已是必備條件, 穿戴式設備製造商進而開始對感測器精確度有所要求, 希望藉此加速產品, 應用開發時間.
健康管理風氣盛行 光學感測元件再進化
隨著消費者對於穿戴設備的功能要求日益增加, 羅姆半導體台灣設計中心技術協理王韋迪也認為, 此一趨勢將會推動穿戴設備朝兩極化(低階, 高階)的市場發展, 而高階產品的功能越多, 對於感測器的精確度要求也會越高.
像是偵測跑步, 遊泳, 消耗多少卡路裡, 走路頻率等, 這些應用都是靠感測器收集數據, 再由後端演算法進行分析, 若感測器的精確度提升, 將有助於演算法的數據分析結果更加準確.
王韋迪以血壓偵測的應用為例, 指出現在消費者對於相關應用的要求不僅止於血壓, 脈搏跳動次數等測量, 還希望能藉此得知血管年齡等生理徵象; 為實現此一目標, 應用於血壓偵測的感測器須提高取樣頻率, 增加單位時間內的測量次數, 才能取得複雜的生理徵象.
也因此, 羅姆持續精進感測器的製程技術, 例如該公司近期推出的新款支援壓力測量和血管年齡測量的光學式脈搏感測IC—BH1792GLC, 其感光部由紅外線截止濾光片和Green濾光片組成, 透過Green濾光片, 可僅讓綠色波長穿過, 進而降低紅外線和紅外光等幹擾, 使此一感測器在即便像運動時的劇烈晃動和太陽光等紅外線較強的環境下, 也能執行高精度脈搏測量.
此外, 該產品還可以對應1024Hz高速取樣, 與傳統產品相比, 脈搏測量速度最快高達32倍, 可以支援目前備受市場矚目的壓力, 血管年齡等生命徵象數值測量.
王韋迪指出, 當然, 除了上述新款脈搏感測IC使用的方式外, 感測器強化精確度還有許多方面須要考量, 像是如何透過製程優化, 讓感測器內部的電容電阻更小, 或是降低電路板上走線之間的電感等, 使感測器具備更高的精確度, 都是在硬體設計上須要注意的地方.
另一方面, 未來健康醫療勢將成為穿戴設備的重要應用市場, 多方合作, 形成產業合作鏈, 一定是未來感測器供應商的必經之路. 王韋迪指出, 當感測器偵測到數據之後, 後端的資料擷取, 分析就跟演算法相關, 為此, 感測器供應商除了從硬體著手外, 也須和演算法公司合作, 軟硬兼施來提升感測器的整體偵測效能; 至於在數據判讀上, 則須仰賴專業的醫療團隊支援, 如此一來, 藉由多方的合作, 方可提供消費者值得信任且精確的數據和分析結果.
對於穿戴式設備未來發展, 李定翰也持同樣看法, 認為低/高階的市場區隔會愈加明顯, 高階的穿戴設備將會朝特定應用發展, 例如醫療, 運動等; 消費者所需的功能也不像以往, 只需簡單的心跳, 走路步數偵測就行, 而是要判讀使用者目前的運動狀態, 或是運動結果分析等.
因此, 感測器在穿戴設備中的角色日顯重要, 不過, 穿戴設備的使用對象向來是不固定的, 每個使用者的膚色, 毛髮量都不盡相同, 變數很多, 所以, 如何提升感測器精確度就成了現在各家供應商思考的問題; 只要研發的產品精確度愈高, 偵測出來的數據愈準確, 就愈能加速終端製造商產品和應用開發時程, 滿足消費者需求.
那麼, 究竟要如何進一步提升感測器精確度? 李定翰以量測血壓的感測器為例, 指出目前大多還是使用光學感測器偵測血壓, 但如上述, 每個人的生理特徵都不相同, 所以在量測時總會遇到許多變數, 因此, 業者須將光感測器結合其他技術, 強化光感測器對不可見光的分離效能, 使其能在第一時間就先排除許多外在變動因素(如雜訊, 光源的路徑變動), 讓後端的演算法能更快分析數據資料.
像是ams近期推出的新款新型生命體征感測器—AS7024, 便整合了包括AS7024的所有硬體元件, 以及執行血壓測量, 心率測量(HRM), 心率變異性(HRV)和心電圖(ECG)所需的軟體. 該感測器IC由三個LED燈, 光電二極體, 一個用於HRM的光學前端和程序設備以及一個用於ECG的類比前端組成, 且都整合在一個6.1mm× 2.7mm的微型封裝中. 通過外部感測器介面, 該參考設計還可用於迷走神經張力與動脈彈性, 以及皮膚溫度和皮膚電阻率的計算測量.
另外, AS7024 HRM操作以光電容積脈搏波描記法(PPG)為基礎, 通過由血管調整的採樣光來測量脈搏率, 當血液脈衝通過時, 血管會擴張和� 7543 ��縮, 這項技術是經過驗證的. 心電圖是測量心臟竇房結生成的電子脈衝的標準方法.
李定翰表示, 在設計感測器的過程中, 也須與模組商或是設備製造商密切配合, 因每個業者設計的產品, 功用不同, 其客群和使用者也不一樣. 像是防水需求就有許多種, 有的防潑水, 有些要求水下三公尺防水, 有的則希望能到水下十公尺, 每個產品設計想法都不一樣; 而在設計上的任何一個因素, 例如鍍膜, 感測器放置位置, 光線入射角等, 都會影響感測器的精準度. 因此, 感測器供應商也須與終端業者配合, 依照其硬體設計環境和想法, 提升感測器精準度, 滿足需求.
小巧/精準/低功耗成感測器必備特性
恩智浦半導體大中華區市場行銷經理弋方指出, 2018年可以看到很多可穿戴式應用的需求都有了明顯成長, 例如支援移動支付的智能手錶, 手環; 易用小巧的耳機及VR眼鏡等; 可攜式的健康監測和醫療護理產品等.
其中, 在可攜式健康照護設備應用當中, 消費者要求測量精度能達到醫療級的性能水準, 家人和醫生可以即時的獲得和監測到最可靠的健康數據; 或是以可穿戴式健身設備為例, 目前市場上的大部分設備都具有簡單計步功能, 而複雜度更高的感測器和感測器融合演算法可使誤差降低至2%, 讓可穿戴健身設備不僅僅可用於簡單計步, 還能識別不同的運動狀態, 以及判斷姿勢的異常.
因此, 未來, 感測器除了具備小尺寸, 低功耗特性外, 也須不斷精進精確度, 使感測器在更嚴苛的環境, 或是更寬的工作溫度範圍不易受到影響; 以便更有助於融合機器學習和AI演算法, 適用於更豐富, 更具智能的應用場景和服務.
王韋迪則補充, 對消費者而言, 穿戴式設備不是生活中 '必要' 或 '需要' 的產品, 但會是 '想要' 的產品; 所以, 要如何為穿戴產品增添更多功能, 吸引消費者來購買產品, 是穿戴式設備製造商不變的戰略. 因此, 像是偵測心跳, 步數, 心電圖, 血氧, 呼吸頻率等功能將會越來越多, 而這些應用背後都是由演算法支援. 特別是在AI崛起後, 這些應用項目愈來愈多. 可想而知, 未來當穿戴式設備與AIoT結合之後, 商機將會大爆發. 因應此一趨勢, 感測器的精確度勢必須持續提升, 以因應愈加複雜的演算法.
總而言之, AI的迅速崛起為穿戴式設備帶來全新應用, 而為因應更加複雜的演算法, 負責收集資訊的感測器, 其角色也愈加吃重, 不僅須具備小尺寸, 低功耗特性, 精確度也須跟著向上攀升, 才不會造成訊息搜集品質不佳, 而影響後續演算法處理與應用, 並進一步帶給消費者更佳的使用體驗.