在運動康復、可穿戴設(shè)備和人機交互等領(lǐng)域，人體運動的精準捕捉始終是核心技術(shù)之一。其中，肩關(guān)節(jié)作為人體最復雜、自由度最高的關(guān)節(jié)之一，其三維運動的長期穩(wěn)定監(jiān)測一直是難點。傳統(tǒng)光學運動捕捉系統(tǒng)雖然精度高，卻依賴昂貴設(shè)備和實驗室環(huán)境；而基于慣性傳感器（IMU）的可穿戴方案則面臨“漂移”問題，長時間使用誤差不斷累積。如何在真實場景中實現(xiàn)高精度、低成本、長時間的肩部運動追蹤，成為該領(lǐng)域亟待解決的關(guān)鍵挑戰(zhàn)。

針對這一難題，哈佛大學Conor J. Walsh教授團隊提出了一種全新的多模態(tài)可穿戴傳感系統(tǒng)：將慣性測量單元（IMU）與柔性應(yīng)變傳感器（SS）融合，并結(jié)合機器學習算法，實現(xiàn)無需復雜校準、可持續(xù)超過1小時的高精度三維肩關(guān)節(jié)運動追蹤。實驗結(jié)果顯示，該系統(tǒng)整體誤差控制在4.5°以內(nèi)，顯著優(yōu)于傳統(tǒng)單一傳感方案，為可穿戴運動監(jiān)測技術(shù)提供了一條實用化路徑。相關(guān)成果以“Minimal-calibration multimodal wearable sensing for long-duration three-dimensional shoulder kinematics”為題發(fā)表在《Nature Sensors》上，中國學者Yichu Jin為第一作者。

從“衣服”出發(fā)：把傳感系統(tǒng)穿在身上

研究的起點，是一件看似普通的緊身運動衣（圖1a）。但這件“智能襯衣”內(nèi)部集成了兩類關(guān)鍵傳感器：分別安裝在軀干和上臂的IMU，以及環(huán)繞肩部布置的8個柔性應(yīng)變傳感器（圖1b）。這些柔性傳感器能夠?qū)崟r感知衣物拉伸變化，從而間接反映人體關(guān)節(jié)運動。更關(guān)鍵的是背后的算法設(shè)計（圖1c）。研究團隊提出了一種融合框架FIS：先利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）從柔性傳感器信號中預測“無漂移”的肩部運動，再將這一結(jié)果用于修正IMU中隨時間積累的航向漂移（yaw drift）。這種“取長補短”的策略，使系統(tǒng)既保留IMU短時精度高的優(yōu)勢，又利用柔性傳感器的長期穩(wěn)定性消除漂移。在實際使用中，系統(tǒng)只需不到2.5分鐘的簡單校準（圖1d）。用戶隨意活動手臂即可完成模型訓練，無需實驗室設(shè)備或復雜操作，大幅降低使用門檻。

圖1：可穿戴智能傳感襯衣與FIS融合算法整體框架，包括傳感器布局、算法結(jié)構(gòu)及校準流程。

真實場景驗證：從辦公到跳舞都能精準追蹤

為了驗證系統(tǒng)性能，研究團隊讓6名受試者在超過7小時的真實生活場景中進行測試（圖2a），包括辦公、健身、跑步、跳舞以及日常活動等多種動作。結(jié)果顯示，在所有測試中，該系統(tǒng)的整體誤差僅為4.5°±0.6°（圖2b），遠低于僅使用IMU（15.2°）或僅使用柔性傳感器（16.6°）的方案。進一步分解到不同運動自由度（圖2c），無論是肩外展（HAA）、升降（ED）還是內(nèi)外旋（IER），融合算法都表現(xiàn)出明顯優(yōu)勢。更直觀的是時間序列對比（圖2d）：系統(tǒng)輸出的角度曲線幾乎與光學運動捕捉（OMC）“重合”，而傳統(tǒng)方法則出現(xiàn)明顯偏差甚至漂移。值得注意的是，這種高精度并不依賴特定動作類型（圖2e），說明系統(tǒng)在復雜真實環(huán)境中具有良好的泛化能力。誤差分析進一步揭示機制（圖2f）：IMU誤差主要表現(xiàn)為“慢性漂移”，而柔性傳感器誤差則是“高頻波動”。FIS算法通過低通濾波提取低頻漂移并進行修正，實現(xiàn)了“短期準確+長期穩(wěn)定”的雙重優(yōu)勢。

圖2：系統(tǒng)在多種真實活動中的性能表現(xiàn)，包括整體誤差、分自由度誤差、時間序列對比及誤差來源分析。

深入機制：為什么這種融合方法更優(yōu)？

為了弄清系統(tǒng)為何有效，研究團隊進行了系統(tǒng)性分析。首先，通過“理想校正”實驗（圖3a）發(fā)現(xiàn)：IMU誤差的主要來源正是航向角（yaw）漂移，一旦用真實數(shù)據(jù)替代該分量，誤差可大幅下降。這驗證了FIS“只修正yaw”的設(shè)計思路。其次，在算法參數(shù)優(yōu)化中（圖3b），研究人員發(fā)現(xiàn)90秒的時間窗口是最佳選擇：既能有效抑制柔性傳感器的高頻噪聲，又不會引入過大延遲。在實際應(yīng)用中，系統(tǒng)還具備很強的靈活性（圖3c–e）：即便將傳感器數(shù)量從8個減少到4個，或?qū)⑿蕰r間縮短至45秒，系統(tǒng)仍能保持較高精度（約5°左右）。這意味著未來可以根據(jù)需求在成本、復雜度和性能之間自由權(quán)衡。

圖3：算法敏感性分析，展示IMU漂移來源、濾波窗口優(yōu)化及傳感器數(shù)量與校準時間對性能的影響。

對標現(xiàn)有技術(shù)：精度與效率雙突破

在與已有研究對比中（圖4a），該系統(tǒng)不僅實現(xiàn)了與先進方法相當甚至更優(yōu)的精度，還將可持續(xù)監(jiān)測時間從“幾分鐘”提升至“超過1小時”，實現(xiàn)質(zhì)的飛躍。更令人關(guān)注的是其“數(shù)據(jù)效率”（圖4b）：傳統(tǒng)機器學習方法通常需要大量訓練數(shù)據(jù)，而該系統(tǒng)僅需約2.5分鐘數(shù)據(jù)即可支持超過60分鐘的預測，相當于1:24的訓練-測試比例，大幅降低數(shù)據(jù)成本。

圖4：與現(xiàn)有技術(shù)對比結(jié)果，包括精度與測試時長關(guān)系，以及訓練數(shù)據(jù)效率優(yōu)勢。

小結(jié)

總體來看，這項研究提出了一種兼顧精度、穩(wěn)定性與實用性的可穿戴運動捕捉新方案。通過融合IMU與柔性傳感器，并引入輕量級機器學習算法，成功解決了長期困擾該領(lǐng)域的“漂移”難題，實現(xiàn)了真實場景下長時間、高精度的肩關(guān)節(jié)三維運動追蹤。未來，隨著算法進一步優(yōu)化與硬件集成化發(fā)展，該系統(tǒng)有望實現(xiàn)實時嵌入式運行，并擴展至更多人體關(guān)節(jié)甚至全身運動捕捉。同時，結(jié)合人工智能與數(shù)字孿生技術(shù)，其在醫(yī)療康復、智能穿戴和軟體機器人中的應(yīng)用潛力將進一步釋放。