研究论文 · AI4Science
自监督多模态可穿戴系统：用心率、肌电和皮电联合识别活动与预测疲劳
30 秒速览
研究将多种生理与运动传感器做自监督预训练，再联合完成活动识别和疲劳预测，减少对昂贵人工标注的依赖。
完整摘要
该研究面向智能可穿戴设备，把心率、肌电、皮电和运动等多模态信号纳入统一自监督学习系统，用大量未标注时序数据学习通用表征，再针对活动识别和疲劳预测进行适配。目标是提升跨人群和复杂真实状态下的监测能力。
怎么做的 / 核心机制
系统先对不同传感器的时序信号进行自监督表征学习，再通过跨模态融合建模生理变化之间的关联，最后在少量标注数据上完成下游分类或预测。
关键结果 / 已披露进展
媒体摘要表明该系统同时覆盖活动识别与疲劳预测，并相较单传感器或纯监督方案有改进；当前抓取材料未提供完整数据规模和全部数值。
为什么值得看
它体现了 AI4Health 从单一传感器分类走向多模态、少标注和连续状态建模的趋势，对可穿戴与边缘智能有实际意义。
局限与判断
可穿戴研究常受样本规模、设备位置、个体差异和实验室场景影响；在真实长期使用中的漂移、隐私和医疗可用性仍需验证。
资料与核验
正文已由 AIA 完整中文整理；以下链接仅用于查看中文报道或核对一手材料。
原始标题：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：GPT · 2026-08-03 · 质量评分 81/100
编辑：GPT · 2026-08-03 · 质量评分 81/100