Nature Sensors|突破！哈佛大学团队多模态传感衬衫实现肩关节3D长效追踪，打破传统动捕局限

现有的纯 IMU 穿戴设备在长时间运行中，会因为地磁干扰等原因产生严重的航向漂移；而纯柔性应变传感器虽无漂移问题，但需要庞大的训练数据集才能保证短时精度。哈佛团队的破局点在于物理感知层与轻量化算法的巧妙互补。

1. 智能传感衬衫的硬件布局

研究团队在一件普通的运动紧身衣上，部署了两个现成的 IMU（分别位于躯干背部和右大臂）以及八个定制的柔性应变传感器（围绕肩关节分布）。

– 柔性应变传感器（SS）： 采用导电针织面料电极和硅胶弹性体介电层制成，具有高线性度、低迟滞性和出色的抗机械冲击能力。它们沿着皮肤非延伸线分布，以最大化捕捉肩部运动时的微小形变信号。

2. 极简校准与 FIS 融合算法

系统采用了一种名为 FIS（Fusion of IMUs and SSs）的轻量化机器学习融合框架，完全摒弃了对复杂数学推导和外部光学动捕设备的依赖：

– 2.5 分钟极简校准： 用户穿上衬衫后，只需进行两分半钟的随机手臂运动。在此极短的窗口内，IMU 的漂移可忽略不计，系统直接利用这段高精度的 IMU 数据作为“标签”，训练后端的卷积神经网络（CNN）去学习柔性传感器的信号映射。

– 长效自适应纠偏： 在随后的长期使用中，随着 IMU 逐渐产生偏航漂移，已经完成个性化训练的 CNN 会根据无漂移的 SS 信号生成运动估计基准。系统通过低通滤波器（LPF）提取出 IMU 的低频偏航漂移误差并将其剔除，从而完美保留了 IMU 的高频动态精度与 SS 的长期稳定性。

本图展示了智能传感衬衫的传感器分布图，以及 FIS 算法的直观工作流：通过 2.5 分钟校准期内 CNN 模型的监督训练，在评估期利用 SS 提取的基准数据，实时纠正 IMU 产生的航向角漂移，最终输出高保真的三维运动姿态。

为了直观评估本研究的技术代际优势，下表将其与目前主流的几种人体运动捕捉技术进行了横向对比：

为了验证系统在真实世界中的鲁棒性，研究团队让 6 名受试者穿戴设备完成了超过 1 小时的连续功能性活动（包含伏案办公、力量训练、跑步机行走、跳舞以及模拟日常起居）。

– 全自由度高精捕捉： 实验结果表明，在超过一小时的连续测试中，FIS 系统在所有自由度（包含水平外展/内收、上抬/下降、内旋/外旋）上的均方根误差（RMSE）均控制在 4.5° ± 0.6°。这一精度远优于纯 IMU 方案和纯 SS 方案，并达到了临床测角仪的最小可觉察变化标准。

– 硬件配置的极限下探： 敏感性分析表明，即使将校准时间缩短至 45 秒，系统的整体误差依然保持在 6° 以下；如果将柔性传感器数量从 8 个精简至 4 个，系统也能维持在 5.1° 左右的低误差水平，这为未来产品的降本增效与轻量化设计提供了明确的工程依据。

本图对比了不同追踪方法在 1 小时复杂日常活动中的表现。数据清晰显示，纯 IMU 方法因地磁干扰产生了严重的基线漂移，而 FIS 融合方法则在跳舞、举重等各种剧烈运动下，始终紧密贴合光学动捕（OMC）的真实轨迹。

哈佛大学团队的这项研究，为“走出实验室”的运动生物力学监测提供了一条高精度、低门槛的切实路径。该技术能够直接赋能骨科术后康复评估、专业运动员的动作定型分析，并为下一代外骨骼辅助机器人提供精准的意图识别与人体动力学输入。

在推向大规模商业化应用之前，该技术体系仍需跨越以下挑战：

1. 边缘端实时计算部署： 目前的 FIS 算法推断极度轻量化（每帧推断仅需微秒级），但仍依赖于后处理环节。未来需要将该神经网络流水线直接部署在微型低功耗芯片（如内置微型加速器的 MCU）上，以实现完全脱机的实时反馈与监测。

2. 人体形态泛化与骨骼模型优化： 当前实验采用统一尺寸的紧身衣并在身形相似的受试者中验证，柔性传感器的贴合度高度依赖体型。后续需要针对不同性别与极端体型进行泛化验证；同时，当前算法将肩部简化为球窝关节，未来若能引入肩胛胸廓关节等更复杂的生物力学模型，将进一步逼近人体真实运动的解析极限。

Jin, Y., Zhou, Y.M., Pathak, P. et al. Minimal-calibration multimodal wearable sensing for long-duration three-dimensional shoulder kinematics. Nat. Sens. (2026). https://doi.org/10.1038/s44460-026-00059-7