如上篇博客所述，一般的模式识别，做了场景设计，就可以知道什么数据可以采集到，采用与实际应用时同样流程做样本数据采集、归纳特征库，就可以应用到相应场景。通常来说，特征是已经稳定存在的，只是要根据计算机计算的要求，找出合适的描述方式。

　　而体征信息识别与这个过程最大差异在于，新的诊断方法会在数据丰富过程中不断被发现和归纳出来，因此识别软件不能固化到终端设备里，而需要由云端提供不断更新的识别引擎。

　　引擎工作分三层：原始数据层、检波层、应用层。

　　原始数据层：采集用户体征信息，并以原始数据形式提供给检波层，比如脉象仪提供的是纵轴方向为血管粗细、横轴为时间轴的波形图给检波层。原始数据层涉及硬件，不同硬件可能输出相同原始数据，就像电阻屏和电容屏都可以提供触摸轨迹给系统一样。

　　检波层：对原始数据进行整理，比如脉象仪的原始数据既可以简单滤波得到心率，也可以根据已有知识，找特定波形分布情况，提供给应用层。检波层既涉及对原始数据的整理，也涉及根据新诊断方法的发明而需要定义新的检波格式，需要与应用开发者合作。

　　应用层：根据检波层提供的数据，进行计算，识别用户身体状况。

　　在这三层中，由于根据诊断方法的进步归纳的特征片段可能用于很多应用的判断，因此开发者提交的检波格式定义必须开源或者有其他高效的授权机制以便于复用。由于检波格式定义与新诊断方法相关性特别高，所以除一些基本的检波格式由硬件商提交外，应用开发者也会提交很多检波格式。

　　由于硬件设备多种多样，引擎的困难在于如何把多种硬件生产的原始数据检波出相同规则数据，比如根据多普勒效应拍照生成的血管粗细变化波形图，和心电图都可以检波得到心率，但其他方面呢？如何做到应用层与原始数据层真的能通过检波层隔离？真的让应用开发者不用关心硬件？这更多是需要从商业运营层面解决，如果体征信息识别引擎解决了这个问题，就牛叉大啦。

　　下图是体征信息识别引擎业务链：