多模态电子皮肤 ARISE 实现活动识别与疲劳预测
用多模态传感器和 AI 模型，电子皮肤 ARISE 能以 94.7% 的准确率识别活动，并预测疲劳状态。
加州理工学院近期推出的 ARISE 是一种贴着皮肤的柔性电子设备，同时采集脉搏、皮肤电反应、肌肉电信号和温度等人体数据。借助名为 SVAE 的深度学习方法（把杂乱的数据浓缩成关键特征），再交给 Transformer 模型（擅长捕捉时间规律）处理，系统能识别走路、跑步等日常活动，还能预测疲劳状态。实验显示其活动识别准确率达 94.7%。
正文摘录
.jpg) 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。 针对这一问题，2026 年 7 月 31 日，美国加州理工学院在《Science Advances》上发表了题为「Human-inspired time-series health evaluation with an adaptive multimodal electronic skin」的研究，试图解决这些挑战。 论文中，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，即“集成传感器电子的人工智能驱动识别系统”）。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。