疲劳是人体在持续工作、长时间驾驶或高强度运动中常见的生理状态。随着疲劳逐渐积累，人的注意力、反应速度和工作效率可能下降，并进一步增加操作失误和安全事故的风险。因此，在日常环境中连续、客观地了解人体机能与疲劳状态，对于健康管理、运动训练和工作安全具有重要意义。

  然而，疲劳并不能通过某一个生理指标被准确描述。脉搏、肌肉活动、皮肤出汗和体表温度等信号都可能随人体状态发生变化，而且不同个体的生理反应存在明显差异。如何综合多种连续生理信号，并让监测系统快速适应不同使用者和应用场景，是当前智能可穿戴设备面临的重要挑战。

  2026年7月31日，加州理工学院医学工程系和计算与数学科学系团队在Science Advances在线发表题为“Human-inspired time-series health evaluation with an adaptive multimodal electronic skin”的研究论文。该研究由高伟教授和岳一松教授共同指导，许昌浩和郑宏楷为共同第一作者。研究团队开发了一套名为ARISE的自适应多模态电子皮肤系统，将柔性传感器与受人类学习过程启发的人工智能模型相结合，使可穿戴设备能够从连续、多模态的生理信号中识别人体活动，并进一步评估认知与身体疲劳状态。

图1|用于人体机能监测的自适应智能电子皮肤 ARISE 平台.

图2|ARISE对多模态可穿戴时间序列的学习与分析.

图3|基于人工智能的人体活动识别与疲劳评估.

  ARISE可贴附于手腕，同时采集脉搏、肌肉活动、皮肤出汗和体表温度等多种生理信号。针对这些采样频率和生理意义各不相同的连续数据，研究团队设计了受人类学习过程启发的人工智能框架：先从大量无标签数据中学习不同生理信号随时间变化的共性规律，再利用少量标注数据快速适应人体活动识别和疲劳评估等具体任务，从而减少对人工特征设计和大规模标注数据的依赖。

  实验结果显示，ARISE在多种日常活动中的识别准确率达到94.7%，在论文采用的评价标准下，疲劳评估表现达到90.2%，并能够适应不同使用者和应用场景。该研究不仅提供了一种监测人体疲劳的新型可穿戴系统，也展示了电子皮肤与人工智能结合的通用分析思路，使可穿戴设备从单纯“采集数据”进一步走向“理解状态”，为个性化健康管理、运动训练、人机交互和连续人体机能监测提供了新的技术方向。

  原文链接: https://doi.org/10.1126/sciadv.aeg5606