自监督学习的智能可穿戴系统：多模态系统实现活动识别与疲劳预测

编辑丨%

当一个人感到疲劳时，身体会同时出现多种变化：心率可能发生改变，肌肉活动模式会逐渐变化，皮肤电信号也可能产生波动。对于人类而言，这些信息共同构成了对身体状态的判断。

但对于传统可穿戴设备来说，理解这些变化并不容易。目前，大多数健康监测设备主要依靠少量传感器采集单一类型数据，例如心率、运动状态或者皮肤温度。但真实的人体状态往往隐藏在多种信号的组合变化中。

如果希望让设备真正理解人体，而不仅仅是记录数据，就需要同时解决两个问题：一方面，传感器需要能够持续获取更加丰富的人体信息；另一方面，人工智能模型需要学会从复杂、连续变化的信号中提取有意义的模式。

关于此，2026 年 7 月 31 日，《Science Advances》上美国加州理工学院发表了「Human-inspired time-series health evaluation with an adaptive multimodal electronic skin」，试图解决这些问题。

论文里，研究团队提出了一种结合柔性电子皮肤与人工智能模型的新型可穿戴系统 ARISE（AI-driven Recognition of Integrated Sensor Electronics），它通过多模态传感器采集人体信号，利用深度学习模型对这些连续数据进行分析，可实现活动识别和疲劳状态预测。

论文链接：https://www.science.org/doi/10.1126/sciadv.aeg5606

ARISE 电子皮肤

近年来柔性电子技术的发展让可穿戴设备能够更加贴近人体。

但设备能够收集的数据越来越多，如何理解这些数据变得更加困难。

人体信号具有几个明显特点。首先，不同信号之间存在关联；其次，人体信号具有明显的时间变化特征；此外，大规模人体数据获取和标注也存在限制。

图 1：使用智能 ARISE 平台进行基于人类的时序健康评估示意图。

针对这些问题，团队提出了自适应表征学习集成皮肤电子设备 ARISE，这是一个多模态可穿戴平台，将多种生理传感器与简化的机器学习框架相结合，用于异构可穿戴时间序列数据的采集与分析。

ARISE 电子皮肤集成了多个传感通道，可以同时采集：

• 外周脉搏信号（PPG）；
• 皮肤电反应（GSR）；
• 肌电信号（EMG）；
• 皮肤温度。

这些信号分别反映不同层面的身体变化。通过多个传感器协同工作，ARISE 能够获得更加丰富的人体动态信息。

人体信号理解框架

鉴于团队采集的数据具有准周期性特征，他们为此特意提出 SVAE 方法，可高效地将带噪声的时间序列数据编码为低维潜在空间，而无需人工特征工程。

在 ARISE 框架中，SVAE 负责提取多模态信号中的共享特征，而 Transformer 进一步根据任务需求完成状态预测。两者结合，使模型既能够处理不同传感器之间的差异，也能够理解人体状态随时间变化的过程。

图 2：可穿戴时间序列的表示学习。

泛化能力测试显示，SVAE 能够准确重建肌电图和外周脉搏数据的关键时序与频谱特征，同时有效滤除噪声。重建后的信号在典型频率范围内保留了其固有的时序和频谱特性，表明该模型具有良好的稳健性。

接下来，为了验证 ARISE 系统是否能够有效理解人体状态，研究团队首先进行了人体活动识别实验。

实验共招募了 50 名参与者，让他们完成多种日常活动，同时通过 ARISE 电子皮肤持续采集多模态人体信号。这些信号经过模型处理后，被用于识别不同活动状态。

图 3：SVAE-Transformer 模型对下游任务的系统性泛化与快速适应。

相比传统方法依赖单一传感器，ARISE 同时利用 PPG、GSR、EMG 以及温度信号，使模型能够从多个维度判断人体状态。研究团队随后利用训练后的 Transformer 模型，对连续人体信号进行分类预测。

实验结果显示，ARISE 在四类活动识别任务中取得了 94.7% 的准确率。

这一结果说明，多模态人体信号经过 AI 模型整合后，可以形成比单一指标更加稳定的状态表示。

让可穿戴设备理解人体

通过柔性电子皮肤和 AI 模型结合，ARISE 尝试从大量复杂信号中提取可靠信息。它利用多模态传感器获得人体动态信息，再通过 SVAE 和 Transformer 建立统一的数据表示，实现活动识别和疲劳预测。

SVAE 和 Transformer 的结合方式标志着在可穿戴设备领域实现高效数据驱动 AI 的重要进展，这种技术能够理解并预测人类随时间变化的生理模式，其机制类似于人类对信息的整合与泛化过程。

随着柔性传感器、深度学习模型以及长期人体数据采集技术继续发展，类似系统可能会成为未来智能健康监测的重要组成部分。