npj artificial intelligence | 华南理工等团队联合综述智能可穿戴系统的最新进展：从多尺度生物力学特征到人体运动意图预测

想象一下，你正准备从步行突然转为奔跑，你的外骨骼机器人能比你的肌肉反应更快地调整支撑力；你刚想拿起一个水杯，智能假肢已经精准地张开了手指。这并非科幻电影，而是人体运动意图预测（HMIP）试图实现的人机交互新范式。

然而，直到今天，我们与大多数可穿戴设备的交互依然是“指令式”和“后知后觉”的。无论是智能手表监测你的步数，还是VR手柄捕捉你的挥手，它们处理的都是“已经发生”的动作。真正的挑战在于：机器如何能像我们自己的身体一样，理解“将要发生”的意图？

长期以来，实现精准的运动意图预测面临着一道看似不可逾越的鸿沟：生物信号的复杂性与机器理解的单一性之间的矛盾。

过去的研究往往陷入几个误区：一是特征选择的碎片化。有的研究专注于关节角度，有的则依赖肌电信号，但人体运动是一个从大脑皮层到肌肉纤维，再到关节、肢体的完整链条。任何单一层面的数据都如同“盲人摸象”，无法还原真实的运动意图全貌。

二是传感器与算法的“两层皮”。传统方法多采用单一的惯性传感器（IMU）或肌电传感器（EMG），数据维度有限。而在算法上，早期依赖线性判别分析（LDA）或支持向量机（SVM）等传统机器学习模型，在处理肌电信号这种高维度、非线性、时变的复杂信号时，显得力不从心，模型泛化能力差，换个人、换个场景，准确率就大幅下降。

三是实时性与精度的“零和博弈”。要实现流畅的人机交互，系统必须在毫秒级内做出响应（例如，假肢控制通常在100-200ms内）。而高精度的深度学习模型往往计算量巨大，难以在资源受限的可穿戴设备上部署。这就形成了一个困境：要快，就牺牲准度；要准，就牺牲流畅。

这篇综述的核心价值在于，它并非提出某个单一技术，而是首次系统性地构建了一个从数据源头到智能决策的完整框架。这个框架的底层逻辑，是回归人体的物理本质——生物力学。

图 1 | 人体运动意图预测（HMIP）的应用场景

a 植入式肌肉传感器与HMIP算法改善了假肢控制，助力打造高性能仿生肢体，图片经许可改编自原文参考文献31。

b 多模态传感器能够实现更准确的意图预测，增强下肢外骨骼的交互式控制，图片经许可改编自原文参考文献35。

c 机器人通过HMIP系统在近距离操作中辅助人类，图片经许可改编自原文参考文献39。

d 通过关节角度预测人体运动意图，以警示不良姿势，图片经许可改编自原文参考文献46。

e 辅助机器人通过预判人类动作，快速响应任务需求，图片经许可改编自原文参考文献40。

f 用于手指康复监测的可穿戴式电化学发光-热致变色器件（ECL-TVS），图片经许可改编原文自参考文献49。

g 将HMIP技术与触觉传感器相结合，实现沉浸式交互的快速感知，图片经许可改编自原文参考文献51。

h 基于触觉传感器的HMIP交互增强了沉浸式虚拟现实（VR）体验，图片经许可改编自原文参考文献51。

i 基于HMIP的驾驶员行为预测，用于与车辆系统的交互式规划，图片经许可改编自原文参考文献54。

研究者们提出了一套基于多尺度生物力学特征的HMIP系统架构，将人体运动的“密码”分解为三个层级：

这套“身体-关节-肌肉”的三层感知体系，不再是孤立地收集数据，而是像建立一个完整的“人体数字孪生”模型，让AI不仅能“看到”你在动，更能“理解”你为什么动。

在算法层面，综述明确指出，处理这种复杂、多模态的生物力学信号，必须依靠深度学习的力量。

例如，结合IMU和sEMG数据，采用CNN-LSTM混合模型，能够将复杂运动场景下的意图预测精度提升10%以上。而针对实时性需求，时序卷积网络（TCN）等轻量化模型，也能在保证低延迟（<200ms）的同时，实现精准预测。

综述汇总了大量前沿研究的实验数据，证明了多模态融合框架的优越性：

图 2 | 人体运动的基本生物力学特征及其代表性应用

a 通过重力加速度估计程序预测步态轨迹，图片经许可改编自参考文献57。

b 通过躯干加速度预测人体运动与平衡恢复响应，图片经许可改编自参考文献58。

c 捕捉主要骨骼关节矩阵以记录全身运动行为，用于疾病进展预测，图片经许可改编自参考文献59。

d 使用基于解剖轴坐标系分析肘关节活动，图片经许可改编自参考文献60。

e 捕捉运动数据的帧序列以分析运动状态，图片经许可改编自参考文献61。

f 使用关节感应肘套与波形可视化进行肘部手势识别，图片经许可改编自参考文献62。

g 通过肌肉触觉设备实现动态关节运动控制，图片经许可改编自参考文献63。

h 通过前臂-腕部表面肌电（sEMG）可穿戴设备评估手势变化趋势，图片经许可改编自参考文献64。

i 利用肌肉预激活技术增强人体行走鲁棒性，图片经许可改编自参考文献65。

这些数据有力地证明，只有当传感器网络与AI算法深度协同，HMIP系统才能真正从实验室走向现实。

这项技术突破的意义，远不止于学术本身。它正在为人机交互开启一个全新的时代。

对于截肢患者，基于HMIP的智能假肢将不再是简单的机械替代，而是能感知神经信号、预测运动意图的“新肢体”。对于中风患者，康复机器人可以根据其关节力矩和肌肉激活的实时状态，动态调整训练方案，实现真正的个性化治疗。

在制造业，工人穿戴的智能外骨骼不再是被动承重，而是能主动预测工人的搬运、抬举动作，在关键时刻提供精准的助力，大幅降低工伤风险，提升人机协作效率。

运动员穿上集成电子纺织（E-textiles）的运动服，教练组可以实时监测其肌肉协同模式，提前预警因疲劳导致的动作变形，将运动损伤的风险降至最低，并挖掘最大潜力。

当HMIP与触觉反馈结合，你在虚拟世界中“抓取”一个杯子时，系统通过预测你的抓握意图，提前在手套上模拟出杯子的触感，这种沉浸感将是颠覆性的。

综述指出，未来HMIP系统将向着 “感知-决策-执行” 的一体化自适应系统发展。通过自监督学习、个性化生物力学模型、以及边缘计算技术的结合，系统将摆脱对云端和大型标注数据集的依赖，变得更智能、更鲁棒、更轻便。

尽管蓝图令人振奋，但正如这篇综述所强调的，HMIP技术距离大规模商业化落地，依然面临严峻挑战。

首先是标准化和鲁棒性问题。 目前，生物力学特征的选择和量化标准尚未统一，不同研究的模型难以复现和迁移。更重要的是，肌电信号极易受到出汗、电极位移和肌肉串扰的影响，如何在复杂、动态的真实环境中保证信号质量，是悬而未决的难题。

其次是算力与隐私的平衡。 高精度的深度学习模型意味着巨大的计算开销，而将数据上传云端又会带来隐私泄露的风险。如何在本地实现低功耗、高效率的实时计算，是硬件和算法必须共同回答的问题。

最后，是伦理和监管的真空。 当机器能精准预测你的意图，谁有权访问这些数据？当系统做出错误预测导致伤害，责任又该如何划分？对于脑机接口等更敏感的技术，更需要建立清晰的伦理标准和法规。

总而言之，这篇综述为我们描绘了一个激动人心的未来，但通往未来的路，仍需在材料、算法、安全和伦理的交叉地带，一步一个脚印地踏实前行。