智能可穿戴系统的最新进展：从多尺度生物力学特征到人类运动意图预测

在身体移动前读懂它们

想象一下，如果智能手表、鞋垫或轻量级外骨骼能够感知你即将做什么并悄然提供帮助——在你快要绊倒前稳定一步、增强疲劳的肌肉，或让义肢手几乎像真手一样自然地动作。本文综述说明了科学家如何构建“意图感知”可穿戴系统，读取身体自身的机械和电信号来预测下一步动作，从而为康复、更安全的工作环境、运动表现、虚拟现实和驾驶等领域开辟新可能。

身体如何透露下一个动作的线索

我们的身体在多个物理层面泄露即将动作的线索。在全身层面，通常在腰部附近测得的细微加速度变化能揭示重心的稳定性以及何时会加速、减速或转向。这些模式的突然变化可能在滑倒或急转向发生前的几分之一秒出现，为算法提供预测摔倒或快速机动的时间窗口。放大到单个关节，髋、膝、踝、肩、肘和手指的角度与角速度变化构成了行走、提举或抓握等动作的丰富“运动签名”。在最深层次，肌肉中的微弱电信号通过皮肤表面的电极被捕捉到，通常在可见运动之前数十到数百毫秒出现，为控制义肢和外骨骼提供了尤为宝贵的早期意图信号。

融入日常生活的智能传感器

为捕捉这些信号，工程师在身体上布置了网络化的小型传感器。惯性单元跟踪身体各段的加速度和旋转；柔性应变与压力传感器测量关节弯曲与足底受力；生物电传感器监测肌电、脑电和心律；甚至光学、声学和化学传感器用于观察血流、组织变化和汗液成分。这些组件被封装到熟悉的物品中——手表、臂带、智能鞋与手套——也被集成到电子纺织品和贴合关节与肌肉的仿皮贴片中。通过在身体、关节和肌肉层面叠加传感，设计者能够追踪从肌纤维中的首次神经冲动、到关节处的力矩，再到全身平衡的变化。

教机器解读人体运动

收集数据只是任务的一半；另一半是足够快地解释这些数据以发挥作用。早期系统依赖人工设计的规则和经典机器学习方法，关注经过精心挑选的特征，例如平均肌电或峰值关节角度，然后将每种模式归类为已知动作。这些方法高效，适合在小型电池设备上运行，但在动作更为多样或噪声更大时效果欠佳。近来，深度学习方法——卷积、递归和变换器类神经网络——被训练用于识别跨时间和跨多个传感器的复杂模式。它们可以融合加速度、压力与肌电信号来识别步态阶段、提前预测关节角度，或估计人类即将产生的力矩，通常预测误差仅在几十毫秒量级。

从诊所和工厂到体育场与模拟器

这些意图预测型可穿戴设备正从实验室原型走向多种真实场景。在康复领域，类似衣物的外骨骼和被动膝支具利用关节角度、受力与肌电为行走或治疗练习提供恰到好处的辅助，并随着患者的恢复情况进行调整。对于工人和工业机器人，身体加速度与肌肉传感器可以标记疲劳、预见不安全动作，并使机器人能够预测并与人类协作。运动员则受益于电子皮肤和轻量运动套装，这些设备跟踪关节负荷和肌肉使用以优化技术并降低受伤风险。在虚拟现实中，智能戒指与手套利用手指运动和肌肉信号提供更自然的抓握与触觉感受；而在汽车中，头部与四肢传感器有助于预判刹车、变道或瞌睡，从而支持驾驶辅助系统。

走向日常使用的障碍

尽管在受控测试中精度令人印象深刻，但将这些系统引入日常生活仍面临挑战。真实环境很混乱：汗液、滑移的电极、衣物移动和电噪声都会扭曲信号，而人们在体型、力量和运动风格上差异很大。这意味着在一组人上训练的模型常常在另一组人或新的任务中表现不佳。柔性传感材料还必须在持续弯曲和拉伸中保持灵敏度不衰减，紧凑的电源需让多传感器系统长时间运行。此外，丰富的生理与运动数据流带来了严肃的隐私问题，因为若被滥用或泄露，这些数据可能揭示健康状况、生活习惯甚至情绪状态。

这对未来意味着什么

作者总结认为，预测人类运动意图不再是科幻，但要将其变为安全、值得信赖的日常技术需要在多个方面同时取得进展。更聪明的学习方法必须能够适应每个用户，并在信号退化时保持稳健；传感材料需要耐用、舒适并节能；同时需要强有力的保护措施来保障个人运动与健康数据的安全。如果这些要素能够协同，未来的可穿戴设备或将在身体周围形成一个无缝的“感知—决策—动作”闭环，悄然理解我们的下一步意图并提供帮助——无论是稳定一步、增强肌力、引导康复，还是加深我们与机器和虚拟世界的连接。

引用: Chen, S., Peng, C., Yang, B. et al. Recent advances in intelligent wearable systems: from multiscale biomechanical features towards human motion intent prediction. npj Artif. Intell. 2, 33 (2026). https://doi.org/10.1038/s44387-026-00083-5

关键词: 可穿戴传感器, 人类运动预测, 生物力学, 外骨骼, 义肢