故事的起點：一台被遺棄的聽診器
我有一天在實驗室的倉庫裡翻到一台智慧聽診器。它被丟在一個角落，包裝盒上佈滿灰塵，看起來是某個合作案結束後就被遺忘了。
身為一個對 IoT 設備有點著迷的生醫工程師，我腦中只有一個念頭：拆。
這篇文章紀錄的就是我逆向工程這台聽診器的過程——從搞懂它的藍牙通訊協定、分析它收到的音訊訊號、到思考怎麼接上生成式 AI 做遠距診斷輔助。
先搞清楚：聽診器在「聽」什麼？
在拆設備之前，我們得先懂生理學。聽診器聽的東西主要有兩種：心音和肺音。
心音的來源
你的心臟有四個腔室和四組瓣膜。每次心跳包含兩個主要的聲音：
- S1（第一心音）：二尖瓣和三尖瓣關閉時產生的聲音，代表心室開始收縮。聽起來像是「搏」的一聲，音調較低。
- S2（第二心音）：主動脈瓣和肺動脈瓣關閉時的聲音，代表心室收縮結束。聽起來像「噠」的一聲，音調稍高。
正常的心音是規律的「搏-噠、搏-噠」。如果出現第三心音（S3）、第四心音（S4）或心雜音（Murmur），可能代表瓣膜有問題或心臟功能異常。
從**心臟電生理（Cardiac Physiology）**的角度來看，心音跟心電圖（ECG）有直接的時間對應關係：S1 出現在 ECG 的 QRS 波群附近（心室去極化、開始收縮），S2 出現在 T 波結束附近（心室再極化、收縮結束）。這個時間關係在後面的訊號分析會很重要。
肺音的來源
肺音是空氣在呼吸道中流動產生的聲音。**呼吸系統（Respiratory System）**的結構從氣管到支氣管、到細支氣管、最後到肺泡，就像一棵倒過來的樹。
正常的肺音（稱為肺泡呼吸音）是柔和的「呼——吸——」聲。異常的肺音包括：
- 囉音（Crackles/Rales）：像揉搓頭髮的聲音，可能代表肺部有積液（如肺炎、心衰竭）
- 哮鳴音（Wheezes）：高音調的「咻——」聲，代表呼吸道狹窄（如氣喘）
- 摩擦音（Pleural Friction Rub）：像兩張砂紙互磨，代表肋膜發炎
聽起來很複雜，但重點是：不同的聲音代表不同的疾病狀態，這就是聽診器的診斷價值。
拆開來看：硬體架構
打開外殼之後，我看到了以下的硬體組成：
聲學模組
聽診器的前端是一個壓電式麥克風，跟傳統聽診器的膜片（Diaphragm）不同的是，壓電麥克風能把聲波直接轉換成電訊號。它的敏感度不錯，頻率響應範圍大約在 20-2000 Hz，剛好覆蓋了心音（20-200 Hz）和肺音（100-2000 Hz）的範圍。
類比前端
麥克風輸出的電訊號非常微弱（微伏等級），需要經過多級放大和濾波。這裡用了一個低雜訊運算放大器做前級放大，然後接一個帶通濾波器（20-2000 Hz），最後經過 ADC（類比數位轉換器）把類比訊號變成數位數據。
主控制器
核心是一顆 Nordic nRF52832 晶片——這是 IoT 設備界的「國民晶片」，同時整合了 ARM Cortex-M4 處理器和 BLE（低功耗藍牙）通訊模組。處理器負責數位訊號處理，BLE 負責把數據傳到手機 App。
電源管理
一顆 3.7V 鋰聚合物電池，搭配電源管理 IC。續航力大約 8 小時連續使用。
BLE 通訊協定：偷聽藍牙封包
這是逆向工程最有趣的部分。我用 nRF Connect（Nordic 出的藍牙除錯工具）去掃描這台聽診器的廣播封包。
發現的 GATT 服務
BLE 通訊用的是 **GATT（Generic Attribute Profile）**架構。簡單說就是把數據組織成「服務（Service）」和「特徵（Characteristic）」的層級結構，有點像資料夾和檔案的關係。
我在這台聽診器上找到了以下服務：
- Audio Streaming Service（自定義 UUID）：這是主要的音訊傳輸通道。它用了一個 Notify 特徵，以 8kHz 取樣率、16-bit 精度持續串流原始音訊數據。每個 BLE 封包大約 160 bytes，也就是 80 個取樣點。
- Device Information Service（標準 UUID）：包含韌體版本、硬體版本、序號等基本資訊。
- Battery Service（標準 UUID）：回報電池電量。
- Control Service（自定義 UUID）：用來控制錄音的開始/暫停/停止，以及調整麥克風增益。
封包格式解析
我把 Audio Streaming 的封包抓下來分析，發現它用的是 PCM（脈衝編碼調變） 原始格式，沒有壓縮。8kHz/16-bit 的數據流量大約是 128 kbps，在 BLE 4.2 的頻寬內剛好可以即時傳輸。
這裡有個問題：8kHz 的取樣率根據奈奎斯特定理，最高只能重現 4kHz 以下的頻率成分。對心音來說綽綽有餘（心音頻率主要在 200Hz 以下），但對高頻的肺音（可達 2000Hz）來說也還算夠用。不過如果要做更精細的肺音分析，16kHz 會是更好的選擇。
音訊訊號分析：讓電腦「聽」心肺音
拿到原始音訊數據之後，我用 Python 做了一系列的訊號分析。
心音分割
第一步是從連續的音訊中找出每一個 S1 和 S2。我用的方法是：
- 計算包絡線（Envelope）：用希爾伯特轉換把音訊的瞬時振幅算出來
- 自適應閾值：根據包絡線的統計特性設定動態閾值
- 峰值偵測：找出超過閾值的峰值，標記為心音事件
- S1/S2 分類：利用 S1-S2 間距（收縮期）比 S2-S1 間距（舒張期）短的特性來區分
分割出 S1 和 S2 之後，就能計算心率、評估心音的規律性、偵測有沒有額外的心音或雜音。
頻譜分析
對每一段心音做短時傅立葉轉換（STFT），得到時頻圖（Spectrogram）。正常的 S1 頻率成分集中在 25-45 Hz，S2 在 50-80 Hz。如果出現頻率更高的成分（100-600 Hz），可能是心雜音的特徵。
肺音的分析也類似：正常呼吸音在 100-500 Hz 範圍，囉音會出現短促的高頻脈衝，哮鳴音會出現持續的窄頻帶能量。
機器學習分類
有了特徵之後，我訓練了一個簡單的分類模型。用的是梅爾頻率倒譜係數（MFCC）作為特徵，搭配一個輕量級的卷積神經網路（CNN）。在公開的心音數據集（PhysioNet Challenge 2016）上測試，正常/異常心音的分類準確率約 89%。
生成式 AI 的可能性：遠距診斷輔助
拆解完硬體和訊號處理之後，我開始想一個問題：如果把生成式 AI 接進來，這台聽診器能做什麼？
場景：偏鄉衛生所
想像一個偏鄉衛生所，只有一位護理師駐守。一位老伯伯走進來說胸口不舒服。護理師用智慧聽診器錄下心肺音，數據透過藍牙傳到平板，平板上的 AI 先做第一輪的自動分析：
- 心音分析結果：偵測到 S2 分裂，建議進一步評估主動脈瓣
- 肺音分析結果：右下肺葉有輕微囉音，建議評估有無肺部積液
- 綜合建議：疑似心衰竭早期表現，建議安排心臟超音波和胸部 X 光
護理師可以把 AI 的分析報告和原始音檔一起傳給遠端的心臟科醫師，醫師戴上耳機聽一下音檔、看一下 AI 的分析，就能給出更精確的指導。
生成式 AI 的角色
傳統 AI 只能給數值結果（「異常機率 87%」），但生成式 AI 可以用自然語言生成完整的分析報告，甚至根據病人的年齡、病史、症狀等資訊，給出個人化的建議。
它不是要取代醫生——在台灣的法規下，AI 不能直接做診斷。但它能扮演「超級助手」的角色，幫助非專科醫師或偏鄉醫療人員做出更好的初步判斷。
逆向工程教會我的事
拆這台聽診器的過程中，我學到最重要的事情是：一個看似簡單的醫療設備，背後涉及的知識域有多廣。
- 心臟電生理和呼吸生理學（為什麼會有這些聲音）
- 聲學和感測器原理（怎麼收集聲音）
- 嵌入式系統和 BLE 通訊（怎麼把數據傳出來）
- 數位訊號處理（怎麼分析訊號）
- 機器學習（怎麼讓電腦自動判斷）
- 臨床醫學（分析結果代表什麼）
- 法規和倫理（產品能不能合法上市）
這就是生醫工程迷人的地方——它不是任何一個單一學科，而是把很多學科串在一起的整合型領域。
給想動手做的你
如果你也想試試逆向工程，不一定要從聽診器開始。你家裡可能就有很多可以拆的 IoT 設備：智慧手環、藍牙體溫計、數位血壓計。
幾個建議：
- 先理解這個設備在偵測什麼生理訊號、背後的生理學原理是什麼
- 用 nRF Connect 或 LightBlue 去掃描設備的藍牙通訊，看看它傳了什麼數據
- 試著把數據接到 Python 裡做簡單的視覺化和分析
- 想想看：如果你是設計師，你會怎麼改良這個產品？
最好的學習方式，永遠是把東西拆開來看。
延伸概念：呼吸系統 · 呼吸系統解剖 · 心臟生理 · 電生理學 · 免疫系統生理概論 · 敏感度分析 · 心電圖 · 腎臟功能 · 肝臟功能
