深度解析医学证据，lxfs.net为你支撑决策

背景介绍

在数字化和 ubiquitous 信息时代，人类与外部世界的交互方式正在发生深刻变革。可穿戴人工智能接口作为连接人类感知系统与周围环境的重要桥梁，正从传统的人机界面扩展到更广泛的人-环境集成生态系统。然而，当前可穿戴设备大多仅充当被动输入外设，缺乏对环境、用户意图和交互细节的全面感知能力。柔性传感器虽能提供第一手信号输入，但面临材料迟滞、信号漂移、灵敏度与线性范围难以兼顾等挑战；同时，传统信号处理和规则驱动的AI模型难以捕捉人类-环境交互中复杂、非线性、高维度的模式。因此，亟需一种能够整合局部触觉、全局环境感知和交互实体状态的可穿戴智能框架，实现从被动感知到主动学习的转变。

综述思路

针对上述挑战，中国科学院苏州纳米技术与纳米仿生研究所张珽研究员和王书琪研究员团队在《ACS Nano》上发表综述，提出了一个完整的人-环境交互信息流框架——“局部-全局-实体（local-global-entity）”交互架构。该框架将交互感知分为三个层次：局部交互（近场物理接触，如压力、应变、振动等触觉信号）、全局交互（远场环境信息，通过可穿戴视觉、声学等非接触模态获取周围空间布局、物体位置等）以及交互实体（通过生物电信号如sEMG、EEG和惯性测量单元解码用户意图、运动状态和生理状况）。综述首先系统总结了可穿戴AI接口的多种形式（服装、配件、表皮电子、辅助设备）和传感器材料基础（电极、敏感材料、基底），然后深入探讨了灵敏度、线性度和稳定性三大性能提升策略（微纳结构、梯度模量、界面工程、应变隔离等）。接着，综述梳理了从传统特征工程（PCA、t-SNE、SVM、MLP）到深度学习（CNN、LSTM）的AI模型演进路径，并重点讨论了多模态数据融合策略（数据融合、特征融合、决策融合）及其在可穿戴场景中的权衡。最后，综述展示了该框架在人机交互（VR/AR、人机协作、脑机接口）和智能医疗（闭环假肢、主动康复、数字诊断）中的关键应用，并展望了数据驱动逆设计、通用人工智能和标准化生态系统等未来方向。相关内容以“Learning Human-Environment Interactions via Wearable AI Interfaces”为题，发表在ACS Nano！

图片解析

图1. 人-环境交互信息流概述： 可穿戴AI接口采用多种形式，信息流从局部交互、全局交互到交互实体三个层级，最终汇聚至AI大脑，用于人机交互和智能医疗等应用。局部交互经许可转载自Springer Nature（2019）；全局交互经许可转载自AAAS（2024）；交互实体遵循CC BY 4.0（2020 Springer Nature）；AI大脑遵循CC BY 4.0（2021 Springer Nature）。

图2. 可穿戴AI传感器的典型敏感材料候选物及不同形态因素：(A) 柔性传感单元的通用夹层结构示意图。(B) 常见电极材料：金属基薄膜、碳基纳米材料和导电聚合物。(C) 敏感材料：离子水凝胶、纳米材料、导电聚合物、介电材料和压电材料。(D) 基底和封装层：弹性体（PDMS、Ecoflex）、塑料薄膜（聚酰亚胺、PET）和纺织品。(E) 四种主要可穿戴形态因素：服装（经许可转载自Springer Nature 2021）、日常配件（头戴显示器、眼镜、腕带、戒指、耳机，分别经许可转载自Springer Nature 2024/2025）、表皮电子（经许可转载自Springer Nature 2022）以及辅助设备（外骨骼、智能假肢、BCI，遵循CC BY 4.0）。

图3. 可穿戴AI接口的主要传感机制： (A) 局部交互解码的电气机制（压阻、电容、压电、摩擦电）。(B) 全局交互的磁传感（巨磁阻）。(C) 光学视觉传感。(D) 声学传感。光学经许可转载自AAAS 2024；声学遵循CC BY 4.0（Springer Nature 2025）。(E) 惯性传感（加速度计、陀螺仪）。(F) 生物电位传感（sEMG、EEG、ECoG），生物电位遵循CC BY（Wiley-VCH 2022）。

图4. 传感性能提升策略： (A) 高灵敏度策略：(i) 微/纳米结构（双梯度微结构，经许可转载自Wiley-VCH 2025），(ii) 多孔结构（3D MXene支架，遵循CC BY），(iii) 通孔设计（离子电子传感器，经许可转载自Elsevier 2023）。(B) 高线性度策略：(i) 分级结构（宏穹顶/微孔/纳米颗粒摩擦电传感器），(ii) 多层堆叠（互锁微穹顶压电传感器），(iii) 梯度模量/电导率（互锁微穹顶压阻传感器）。(C) 高稳定性策略：(i) 界面工程（键合微结构界面），(ii) 应变隔离（微笼结构），(iii) 岛-桥/蛇形结构。

图5. 典型可穿戴AI接口测量不同传感模态及其经典模型： 左侧(A-D)展示代表性数据模态：(A) 智能手套捕捉压力和应变（局部交互），(B) 混合系统集成视觉（全局环境）和应变（局部），(C) 可穿戴臂带融合sEMG和IMU（交互实体），(D) 皮层内接口记录脑电信号（交互实体）。右侧(E-J)对应AI模型：(E) PCA降维，(F) t-SNE可视化，(G) SVM分类器，(H) MLP，(I) CNN，(J) LSTM。

图6. 可穿戴AI接口多模态数据融合策略及AI模型发展路线图：(A) 数据融合（早期融合），(B) 特征融合（中间融合），(C) 决策融合（后期融合）。(D) AI算法发展时间线：早期（2010年前）规则/信号驱动，中期（2014-2017）人工特征+传统分类器，当前（2014年后）深度学习实现自动特征提取。

图7. 可穿戴AI接口系统架构：(A) 五大组件：传感器阵列、互连、外部电路、数据传输、决策。(B) 各组件对应的主要功能模块：(i) 数据模态（应变、压力、sEMG、视觉），(ii) 数据预处理（去噪、滤波），(iii) 通信模式（NFC、蓝牙、WiFi），(iv) AI模型（监督、无监督、强化学习）。

图8. 通过可穿戴AI接口学习触觉特征：(A) 高密度STAG智能手套将抓取压力图输入CNN进行物体识别。(B) AI学习抓取的动态阶段（到达、加载、提起）和解码触觉特征。(C) 共形触觉织物，AI从局部足底压力数据重建用户全身姿势和步态。(D) 无衬底纳米网受体结合无监督元学习和少样本学习，实现快速新任务适应。(E) 受鸽子视觉启发的仿生多模态视触觉传感器。(F) 触觉语言模型DOVE结合灵巧手驱动机器人交互。

图9. 通过可穿戴AI接口学习视觉特征（全局交互）：(A) 视觉为可穿戴机器人（如辅助手套、下肢外骨骼）提供关键先验环境信息，使AI提前预测用户意图并切换辅助模式。(B) AI辅助导航系统WanderPal采用YOLOv8n-seg作为语义过滤器，从复杂视觉场景中提取最关键的环境特征（如路缘石），转化为触觉振动。(C) 多模态视觉-听觉-触觉融合系统，利用YOLOv8n处理RGB相机视觉信息，转换为空间音频和触觉反馈。(D) 视觉-惯性融合系统（VIST），在VR/AR或遥操作中，视觉信号丢失时由惯性数据接管。

图10. 通过可穿戴AI接口学习生物电特征（交互实体）：(A) 从中枢神经系统（CNS）经外周神经系统（PNS）到肌肉的神经通路示意图，及不同级别的电极接口（皮层电极、神经袖套、表面电极）。(B) CNS接口的不同植入位置（皮层、皮层下）。(C) CNS通路交互示例：言语神经假体，AI解码高密度皮层信号控制虚拟化身并合成语音。(D) PNS通路交互示例：植入式神经袖套电极，AI解码多路PNS信号实现多自由度仿生假肢实时控制。(E) 表面电极通路示例：非侵入sEMG腕带，AI解码受串扰和噪声影响的信号实现神经手写等精确人机交互。

图11. 通过可穿戴AI接口学习人体运动特征：(A) 集成应变计和IMU的智能手套，采用双向LSTM融合传感器数据，实现高精度手部姿势重建。(B) 基于单腕部传感器的系统，利用迁移学习（快速状态学习）快速适应新用户，实现精确手势估计。(C) 结合IMU和流速传感器的下肢传感系统，利用神经网络学习肢体内协调模型，仅基于小腿数据精确估计大腿运动状态。(D) 基于稀疏可穿戴传感器和定制应变范围的全身姿势分类AI模型。(E) 利用CNN模型将稀疏传感器数据实时重建为连续全身虚拟化身动画。

图12. 可穿戴AI接口在人机交互和智能医疗中的关键应用：(A) 全身运动跟踪和远程触觉反馈网络，CNN实时分类IMU信号驱动远程触觉反馈。(B) 利用机器人内部力扭矩传感器的内在触觉系统，采用Isomap和RICNN将用户在机器人表面书写轨迹解码为控制命令。(C) 非侵入式BCI（EEGNet）从单指运动意图解码EEG，实现单指级别实时机械手控制。(D) 闭环假肢系统，LR/CNN-LSTM处理触觉映射并编码为触觉反馈传递给截肢者。(E) EMG和FMG模态融合用于动作意图识别，实现主动康复辅助。(F) 数字触诊系统，SVM从力-软度压阻传感器学习特征，区分健康与病理组织。

图13. 可穿戴AI接口的主要挑战与未来展望：(A) 材料和器件限制：(i) 软材料固有蠕变和迟滞导致信号不稳定，(ii) 异质界面和互连易机械失效，(iii) 传统试错正向设计效率低下。(B) 算法限制：窄AI模型缺乏泛化能力，局限于特定任务。(C) 应用障碍：高交互门槛和可靠性问题阻碍从实验室原型向规模化应用过渡。(D) 未来展望：数据驱动逆设计，利用小数据在数小时内实现材料与器件快速原型。(E) 未来展望：从窄AI向通用AI（AGI）乃至超级AI演进，实现自主学习和强泛化。(F) 未来展望：建立具有高信噪比、低延迟传感器和鲁棒算法的标准化生态系统，实现关键场景的“英雄用例”。

结论

本综述系统总结了可穿戴AI接口从材料、传感器设计、性能优化、AI模型演进到多模态融合和系统架构的全链条进展。核心贡献在于提出了“局部-全局-实体”（local-global-entity）交互框架，完整描述了人类-环境交互的信息流：局部触觉提供接触细节，全局视觉/声学提供环境上下文，实体生物电和惯性信号解码用户意图与运动状态。深度学习（CNN、LSTM）与多模态融合策略（数据融合、特征融合、决策融合）的结合，使可穿戴AI接口能够从高维、异构、噪声数据中自动提取有意义特征，实现鲁棒的交互理解。在应用层面，该框架在人机交互（VR/AR、人机协作、脑机接口）和智能医疗（闭环假肢、主动康复、数字诊断）中展现出巨大潜力。未来，数据驱动的逆传感器设计、通用人工智能（AGI）以及标准化生态系统的建立，将推动可穿戴AI接口从实验室原型走向大规模实际应用，最终实现真正的“体上智能”。

Tags： 中科院苏州纳米所ACS Nano综述：通过可穿戴AI接口学习人类-环境交互