解读

国内SoC公司做可穿戴/医疗芯片时，生命体征监测（ECG、PPG、SpO₂、HR、温度、阻抗等）是差异化卖点，也是流片失败的高危模块。面试问“验证策略”，不是让背诵UVM语法，而是考察候选人能否把“医疗级精度+超低功耗+强抗干扰”这三条商业需求，翻译成可执行的验证闭环。因此回答要体现：场景→指标→验证手段→量化结果→sign-off标准，且必须结合国内常见的数模混合架构（AFE+DSP+数字状态机+软件算法）。

知识点

1. 医疗标准：YY 9706.247-2021、IEC 60601-2-47、AAMI EC13；国内NMPA注册检验要求精度误差<5 bpm，动态范围>30 dB。
2. 关键指标：SNR、CMRR、AC/DC PSRR、采样率漂移、LED驱动电流精度、运动伪影抑制比、功耗模式切换时恢复时间。
3. 数模混合验证三件套：
   – 行为级wreal/Real Number Model (RNM) 快速摸底；
   – 晶体管级后仿（带extracted RC）做±3σ工艺角；
   – 硬件加速（Palladium/Zebu）跑AI运动补偿算法+真实PPG数据集。
4. 形式验证：对数字状态机做CDC+FSV（Functional Safety Verification），证明在任何故障向量下不会锁死或误报中断。
5. 故障注入：基于JESD91A对AFE做EMI、电源跌落、ESD 2 kV HBM注入，检查数字端是否触发Safe State。
6. 低功耗验证：UPF 3.0 + 功耗感知仿真，验证在“LED关→TIA关→ADC关→Retention→RAM Light-Sleep”序列中，状态机能在300 µs内唤醒并恢复有效数据。
7. 回归量化：建立KPI Dashboard，包含覆盖率（代码>95 %，功能>98 %，断言>400条）、缺陷密度（<0.2个/KSLOC）、逃逸率（硅后测试零缺陷为Goal）。

答案

生命体征监测验证策略分六层，每层给出国内项目落地实例：

1. 需求分解与用例分层
   把系统SPEC拆成三类用例：
   – 医疗精度类：依据YY 9706.247，输入MIT-BIH心律失常数据库，要求HR误差≤±3 bpm；
   – 抗运动干扰类：使用国内高校开源的“跑步+骑行”PPG数据集，加入6 Hz、0.5 g正弦抖动，验证运动伪影抑制算法MAF<5 %；
   – 功耗类：在25 °C、1.1 V主电源下，验证LED占空比1 %时整模块平均电流<25 µA。

2. 数模混合验证平台
   数字端：UVM+SystemVerilog，寄存器模型由IP-XACT自动生成，集成CDC检查（SpyGlass）和功耗意图（UPF 3.0）。
   模拟端：用RNM封装AFE，SNR=86 dB、CMRR=110 dB；关键路径（LED驱动、TIA、ADC）保留SPICE网表，做5 k点蒙特卡洛+工艺角。
   协同：通过SystermC-AMS实现数字算法调用模拟RNM，1小时可跑完24小时真实数据，早期发现LED电流校准失效问题。

3. 形式验证与故障注入
   对数字状态机提取60条安全属性（例如“SpO₂计算未完成不得进入Sleep”），使用Questa Formal证明全部通过；
   在Palladium平台用Python脚本批量注入电源跌落（0.9 V→0.7 V，斜率10 ns），记录FIFO读指针是否出现半字错位，最终定位到缺省ECC配置，提前修复。

4. 低功耗签收
   建立功耗状态图：Active→Retention→Deep-Sleep→Off，共7种模式；
   用UPF仿真确认Retention→Active唤醒时间290 µs，满足SPEC<300 µs；
   功耗相关断言40条，覆盖所有电源域握手，仿真覆盖率100 %。

5. 硬件加速与真实数据回灌
   将AI运动补偿算法C代码移植到Zebu，跑2000条真实PPG波形（含国内健身房采集的高强度HIIT数据），比纯仿真提速800倍；
   发现当加速度>2.3 g时HR跳点，算法团队据此增加自适应窗口，硅后测试该场景通过率从85 %提升到99.5 %。

6. Sign-off标准
   代码覆盖率>95 %，功能覆盖率>98 %，断言覆盖率100 %；
   缺陷密度0.15个/KSLOC，零CDC、零RDC、零LINT Error；
   硅后测试台对50片样片跑Golden Pattern，HR误差≤±2.8 bpm，PPG SNR≥84 dB，全部通过NMPA预检。

拓展思考

1. 国内医疗芯片常把算法放在MCU端，若公司采用“RISC-V+自定义指令”扩展DSP，验证策略需增加指令级覆盖率（ISA Coverage）和算法位精确模型（Bit-True Model）一致性检查。
2. 对于多通道PPG（支持4 LED/4 PD），需考虑通道间串扰（Crosstalk）导致的LED电流镜像误差，可在SPICE里做参数化扫描，再用机器学习拟合误差曲面，反向校准数字补偿系数。
3. 若项目面向车规（AEC-Q100 Grade 2），温度范围-40 °C~105 °C，需在验证平台里加入温漂模型，对AFE的输入失调电压做-40 °C/25 °C/105 °C三温仿真，并证明数字后台校准算法能把失调降到<50 µV。
4. 未来趋势是“验证左移+数字孪生”，可在RTL冻结前就搭建虚拟原型（Virtual Prototype），让算法团队提前6周验证心率变异HRV算法，减少后期ECO风险。