生理資訊感測應用導入AI技術後，感測器從提供「知道」轉變成「預防」導向，不再只是生理數據的呈現，則能夠提醒使用者目前生理機能可能導致某些疾病發生，讓使用者調整飲食或作息，成為家裡的健康諮詢師。
追求健康人士或訓練中的運動員希望得知每天身體機能是否達到預設的強度、動作是否精確，正在接受治療的患者或慢性病患也需要確認身體數值有所改善。因此，隨著智慧應用技術漸趨成熟，生理資訊感測裝置不只偵測人體狀況來產生原始數據並呈現出來，現今MCU能開始執行簡易AI運算，把感測器蒐集的原始資料即時分析並提供判斷結果，甚至發出示警通知。
此外，感測器智慧化設計亦能從感測使用者生理數據，例如：慣用手、膚色或環境等，來判讀使用者身分，適時調整感測強度來節省感測裝置功耗。因此，AI應用讓生理資訊感測裝置趨向獨特化、個人化裝置。
在MCU執行邊緣運算提高分析效率
傳統感測器沒有資料處理能力，蒐集人體生理數據後，需要傳送至後台(例如：雲端或伺服器)，經由後台運算與分析，再呈現感測結果，但此模式不僅增加傳輸延遲與功耗，也可能造成資料誤判問題。
為了能夠更即時處理感測器蒐集的生理數據與加強準確性，近幾年業者將感測器與MCU結合，執行簡單的邊緣運算，並且智慧化過濾非必要干擾數據，德州儀器(TI)嵌入式產品應用經理王盈傑(圖1)認為，感測器除了蒐集感測的數據，也能直接在MCU運行分析資料。
圖1 德州儀器嵌入式產品應用經理王盈傑表示感測器蒐集的資料可以先在具有AI技術的MCU進行初步運算判讀。
另一方面，從感測融合角度來看，早期整合多種感測器的原始數據後，需要傳送至後台利用融合軟體來分析，但在傳遞與分析過程便拉長了時間，比較不容易在短時間得知生理情況。Bosch台灣暨東南亞總經理黃維祥(圖2)表示，現今感測器能在MCU執行感測融合技術，不同感測器蒐集的資料直接在MCU統整，快速了解生理數值是否達到常態標準。
圖2 Bosch台灣暨東南亞總經理黃維祥認為感測器在MCU執行融合感測運算能即時判斷使用者當下動作。
除此之外，在穿戴裝置上，感測器蒐集的原始資料雖可傳送至裝置內嵌CPU來分析，但CPU運算的耗能比MCU高。因此，業者在感測器內建一個低功耗MCU，直接執行感測融合跟資料聚合(Data Aggregation)，降低整體穿戴裝置的耗能。
在這樣情況下，MCU作為邊緣運算元件，在感測器內占了舉足輕重的地位，除了提高感測器分析效率外，甚至可以降低功耗。此外，現今有些生理資訊感測器還能執行簡易AI演算，從蒐集原始資料直接呈現判斷結果，更加縮短了分析時程。
AI轉換數據成診斷資訊
從生理資訊感測器應用角度來說，感測器在過去只是讓使用者「知道」當下生理狀況。但隨著醫學、聯網能力和AI技術不斷進步，感測器從「知道」轉變成「預防」導向為主，再加上在生理資訊感測器能夠執行感測融合技術，整合多種感測技術的感測應用，如雨後春筍般出現，讓感測器不只呈現單一數據，而是能在綜合分析後，利用AI運算判讀數據製作有意義的診斷資料，甚至提供建議。
在正式醫療體系內，醫療感測結合AI技術長期以來都被充分應用。雖然現今大部分消費型的穿戴裝置不是正式醫療設備，呈現數據只能當作參考用途，但這些感測裝置如同一個健康顧問或諮詢平台，把生理感測數值由AI分析來判斷，提供使用者可能罹患某些疾病的風險大小及各種健康指標。資策會MIC資訊電子產業研究中心資深產業分析師鄭凱安(圖3)表示，AI運算加入到生理資訊感測裝置在這一、兩年開始出現，感測融合技術蒐集的數據，包括心跳、脈搏、呼吸或血壓的情況，來判斷使用者身體異常情況，甚至能夠準確點出異常之處。
圖3 資策會MIC資訊電子產業研究中心資深產業分析師鄭凱安提出現今感測器的MCU開始搭載簡單AI運算，如同簡配AI晶片。當雲端到邊緣運算都使用AI技術，便能帶動AI在生理感測器應用的趨勢。
不但如此，在MCU執行簡易AI運算也能拯救性命。當使用者跌倒後，感測器能夠直接在MCU分析並判斷使用者已經跌倒，進一步發出示警，避免錯過救援黃金時間。在此同時，感測器把感測資料與警告訊息傳送至後台，來提供長期分析與追蹤。
目前，很多消費型生理感測應用都是從傳統醫療感測轉移而來，其中，影像辨識是生理感測應用搭配AI運算的最新技術。鄭凱安指出，過去AI在醫院只能辨識靜態影像(例如X光、電腦斷層掃描等)，但現在市場上出現針對使用者臉部血管來偵測，可藉由動態攝影方式來判斷使用者心跳、血壓和疲勞狀況。
AI智慧調整判讀門檻
儘管部分業者在出廠前會預先訓練AI設定預設值，但是生理資訊感測器也會隨著每日記錄使用者生理數據或周圍環境，透過AI機制適時調整「判讀門檻」，舉例來說，有人天生心跳比正常人還快，若照預設門檻來看，原先裝置會判定異常，但在裝置蒐集數據足夠情況下，便調整門檻變成正常。
導入AI運算的生理感測應用也能夠從時間、環境與使用者生理數據判讀使用者正在進行某項運動，來改變感測模式。黃維祥表示，Bosch開發的自我學習型運動感測器BHI260AP(圖4)，出廠前已經在MCU導入預設數據並建立名稱，若感測器收到了使用者數據與預設數據相吻合，便能判定使用者正在做某個特定動作。除了判定使用者正在進行某個特定動作外，當使用者正在運動的項目不是業者預設的數據，若連續執行好幾次後，便會記載在裝置內，使用者能夠自行自訂項目名稱，下次做同樣動作便能辨識出來。ams台灣區總經理李定翰認為，精確判定來自大數據的結果，資料聚合才是生理監測最大核心。
圖4 Bosch開發自我學習型運動感測器BHI260AP，利用AI技術來辨識使用者動作並且能自動追蹤運動項目
智慧化應用提昇感測功耗效率
智慧化應用也能協助降低生理感測器功耗，不需要重覆透過原始設定來感測使用者，直接利用上次紀錄方式來調整偵測模式，以血氧感測器為例，起初無法判定使用者膚色或生理狀況，內建三顆LED會打最強光來偵測，由於電路設計附自動增益控制(AGC)功能，經由不斷偵測從三顆燈縮減成一顆半，後來感測數據發現都是同一人，則直接打一顆半的燈來感測。李定翰表示，這種設置越來越細緻化，能夠從光感測器或動作控制器來偵測使用者，而採取較省電的感測模式。
儘管現在市面上智慧手環、智慧手表等穿戴裝置已經獲得許多消費者接受，但若加入AI運算後，成本則會提升很大幅度。然而，疫情的出現如同催化劑，促使業者激發新型態感測方式或病徵判斷技術，開始慢慢地在MCU研發AI相關演算法，儘管目前還無法搭載至小型裝置，但能夠藉由在MCU開發完成後，擴散AI技術普及到穿戴型裝置。