計步器是三個零件穿著同一件大衣。加速度計把動作轉成一串數字。濾波器決定這串數字裡哪些是訊號、哪些只是世界在推你。偵測器在清理過的訊號流裡數波峰，再把一個數字交給 App，由 App 決定怎麼呈現。每個零件對「什麼算一步」都有自己的意見，而這些意見只是大部分時候剛好一致。
這套系統實際上在做什麼
感測器每秒回報好幾次三軸的加速度。走路會產生一個週期性的起伏——腳跟著地、蹬地、擺腿——疊在重力以及身體當下正在做的其他事情之上。濾波器的工作，就是把這個週期性起伏從其餘成分裡分離出來。有些實作採用帶通濾波器，調到典型的步頻，大約每秒一到三步。有些則用移動平均、高通級，或一個小型學習模型。接著偵測器尋找超過自適應閾值的波峰，並強制一段不反應期，避免同一步被算兩次，然後把計數加一。
這條流程聽起來很整齊。實際上並不。閾值必須浮動，因為慢跑和拖步走產生的振幅差很多，而固定閾值不是漏掉拖步走，就是把慢跑重複計數。不反應期必須長到足以壓下振鈴，又短到能容許快速步頻。這條鏈上的每一個常數都是折衷，而誤差就住在這些折衷裡。
逐層來看
先從感測器說起。戴在手腕上的加速度計，看到的手臂擺動比看到腳步還多，所以這個訊號是走路的代理，而不是走路的量測。口袋與髖部的位置看到的是身體質心，更直接地追蹤步伐，但也會收到挪椅子和車輛震動。感測器本身是誠實的；位置才是變數。這和手腕上的光體積描記法是同一堂課——硬體沒問題，位置才是爭論點。
接著是濾波器。調到步行頻率的帶通，會把低於通帶的慢速拖步走擋掉，也會把高於通帶的快速衝刺擋掉。這是設計選擇，不是缺陷，但這意味著計數器有它偏好的步態。自適應濾波器改為試著追蹤主導頻率，這在各種速度下都有幫助，卻可能在講電話時鎖定到有節奏的手臂擺動。
最後是 App。它可能把一天的計數平滑化、四捨五入到某個目標，或把部分步數也計入。這些每一個都是在偵測決策之上再疊一層呈現決策，而兩者可能互相矛盾。使用者在晚上十一點看到 9,800 步、午夜看到 10,000 步，他看的是 App，不是偵測器。
邊緣案例，有趣的地方就在這裡
推嬰兒車是經典案例。雙手被佔住，手臂擺動被壓抑，手腕式計數器幾乎什麼都看不到。髖部式計數器表現較好，因為身體仍然在上下起伏。單肩背袋子會讓訊號偏向那一側的手臂。爬樓梯會改變振幅與步頻，有些偵測器讀成走路，有些則讀成雜訊。
再來是揮手。一個步頻節奏的用力手勢可以通過帶通，觸發偵測器。這就是為什麼有些計數器在你坐著對螢幕比手畫腳時也會回報步數。修正方式通常是加入第二個特徵——週期性，或跨軸相關性——但這會增加延遲與複雜度。自適應步數偵測的研究指出，濾波後以振幅為基礎的計數之所以提高錯誤率，正是因為每個人的步態不同。
雜訊本身不是單一東西。感測器雜訊是隨機而微小的。動作偽影則是有結構而巨大的。有趣的失效來自後者，因為對一個只認得頻率的濾波器來說，它看起來就像訊號。
什麼會壞，以及為什麼知道這個有用
步數在平坦地面上穩定行走、且配戴位置一致時最可靠。在最邊緣的情況下最不可靠：非常慢、非常快、雙手被佔用，或裝置鬆動。知道這件事並不會讓數字變得沒用，而是讓數字變得可解讀。通勤時口袋累積的一萬步，和推嬰兒車時手腕累積的一萬步，是不同性質的證據。
工程上的教訓是：濾波不是一個拴在乾淨量測後面的清理步驟，它本身就是量測的一部分。帶通定義了什麼算一步；不反應期定義了什麼算兩步。改變其中任何一個，同一段路就會產生不同的數字。這不是產品裡的 bug，這就是產品本身，而知道接縫在哪裡是值得的。
基於圖與學習式的濾波器正在推進這件事。圖神經網路方法反覆進行訊息傳遞，以整合較遠的鄰居，而Ising 雜訊濾波器把濾波當成一個物理知情的圖問題。週期性訊號源偵測的研究則倚賴正則化項，把週期性訊號從雜訊中分離出來。這些是穿著不同衣服的同一個問題：決定什麼是週期性的，數字自然就掉出來。
常見問題
為什麼我只是揮手臂，手錶也在計步？
因為步頻節奏的揮手，對帶通濾波器來說就像一步。濾波器只認得頻率，不認得意圖。有些計數器會加入第二道檢查——週期性或跨軸相關性——但這要付出延遲與電池的代價。
口袋的計數比手腕的計數更準嗎？
就走路而言，通常如此。口袋與髖部位置追蹤的是身體質心，它會隨著每一步移動。手腕感測器追蹤的是手臂擺動，那只是代理。但口袋式計數器會收到挪椅子和公車震動，所以沒有哪個位置在所有情況下都贏。
我可以拿兩台不同裝置的步數來比較嗎？
只能粗略比較。每台裝置都有自己的濾波常數、閾值行為與 App 層級的平滑處理。同一段路，兩支手機可能差上數百步。把這個數字當成單一裝置的趨勢，而不是通用的量測。
