《Biosensors》：Integrating Artificial Intelligence with Wearable Sensors for Advanced Health Monitoring and Diagnosis
编辑推荐：
可穿戴医疗技术正通过实现远程、实时的健康数据采集，支持早期诊断、个性化治疗方案制定，并降低医疗成本与负担，重塑医疗健康格局。其核心支撑是可穿戴传感器，可持续采集心率、体温、活动水平及生物标志物浓度等生理数据。然而，此类数据体量大、复杂度高，需经过有效处理才能提
可穿戴医疗技术正通过实现远程、实时的健康数据采集，支持早期诊断、个性化治疗方案制定，并降低医疗成本与负担，重塑医疗健康格局。其核心支撑是可穿戴传感器，可持续采集心率、体温、活动水平及生物标志物浓度等生理数据。然而，此类数据体量大、复杂度高，需经过有效处理才能提取有价值的医学洞见。人工智能（AI）与机器学习（ML）通过赋能高级数据分析、模式识别与预测建模，显著提升了可穿戴传感器的能力。AI增强型可穿戴传感器能够在临床症状显现前，识别出心脏病发作、慢性病及压力等心理健康问题的早期征兆。本综述系统探讨了AI/ML模型与可穿戴传感器在身体活动识别、压力评估、心血管监测、个人暴露监测及汗液生物标志物检测等领域的融合应用。不同于以往以应用场景为中心的综述，本文强调方法与转化层面的评估：跨领域对比任务定义、传感模态、数据集规模、验证协议、性能指标及部署限制。研究人员进一步讨论了先进架构、多模态融合、可解释人工智能（XAI）、边缘部署、隐私与监管考量，以及科研原型与临床可部署可穿戴AI系统之间的转化鸿沟。
引言部分首先界定了可穿戴传感器的定义：通过无创或微创方式与人机体表贴合，持续监测物理、生化或行为生理参数的电子感知系统。这类设备融合了生物医学传感、数据处理与无线通信技术，推动医疗模式从传统即时检验向连续数字健康监护转变。半导体制造、电子器件微型化与3D打印技术的进步，催生了面向消费级应用的紧凑型电池供电可穿戴设备。2000年代初第一代健身追踪器主要基于加速度计与光学传感器，将应用从临床心脏病学扩展至通用健康、活动追踪与睡眠监测，但受限于单一的生物物理传感功能。近年来柔性材料、生物集成电子与软力学机制的突破，推动了第二代可穿戴设备的演进：实现了与皮肤的无缝贴合、更高的生物相容性，以及对物理与生化参数的多模态同步感知。表皮电子器件可在保障佩戴舒适性的同时，连续高保真地采集电生理、生化与力学信号，常结合纳米材料、导电聚合物与本质可拉伸基底，实现实时信号捕获与无线传输。
AI与机器学习的引入，使可穿戴生物传感器从被动数据采集转向对连续生理与生化信号的计算解析。在此框架下，AI/ML模型可从心电图（ECG）、光电容积描记法（PPG）、惯性测量单元（IMU）、温度及汗液生物标志物流中提取特征，转化为心律失常预警、活动与步态指标、压力状态估计、暴露风险或生物标志物趋势等临床相关输出。这种从基础生命体征监测向AI集成生物电子平台的演进，体现了医疗模式从偶发检测向连续智能健康监测与诊断的深层转变。针对现有综述多局限于单一传感模态或应用领域、缺乏跨域模型评估与转化对比的不足，本综述开展了跨领域的系统性整合：梳理主流生理、行为与生化传感模态；通过标准化表格对比各应用领域的代表性AI/ML研究，涵盖任务定义、模型类型、数据集特征、验证协议与性能指标；探讨面向可穿戴健康的先进架构、多模态融合、软硬件协同设计与可解释AI；并识别临床与商业转化的关键壁垒，包括隐私保护、监管要求、传感器漂移、校准负担、跨受试者泛化能力与部署后监测。
生理与生化传感模态章节将可穿戴传感器分为三类范式。运动与活动追踪主要依托IMU，集成加速度计、陀螺仪（常结合磁力计），量化真实场景与康复情境下的步态、姿态与日常活动，相关系统级框架可支撑临床与消费级环境的互操作设计。生命体征监测包含心血管与心肺功能评估的光学与电学传感器：PPG广泛用于提取心率、心率变异性（HRV）与睡眠指标，但需应对运动伪影、肤色与生理差异等干扰因素；动态心电监测已覆盖贴片式ECG与智能手机联动的可穿戴设备，支持院外远程诊断与纵向心律失常评估；无袖带血压追踪也显示出常规临床应用的潜力。生化传感则将可穿戴设备的监测边界从生物物理参数延伸至可获取的体液分析，例如汗液检测：柔性电化学平台结合软微流控技术，可实现电解质与代谢物的连续多重分析，用于个性化监测与压力/ exertion评估。此类生化层正逐步融入标准化数据框架与决策单元，支持实时检测与干预，典型案例如连续葡萄糖监测（CGM）已提供标准化的临床终点与验证指标，支撑临床试验、实践指南与闭环糖尿病管理。可穿戴传感器在远程患者监测（RPM）与远程医疗中发挥关键作用，通过传统医疗环境外的连续临床观察，支撑从医院到家庭的安全过渡；相关研究一致显示，依托连接式传感器、智能手机网关与临床仪表盘的RPM干预，可提升患者安全性与依从性，减少再入院率、住院时长、门诊就诊次数与医疗成本。此外，个性化治疗模式日益依赖可穿戴设备提供的高分辨率连续生理数据，以实现针对个体状态的精准临床决策；可穿戴传感器还可助力传染病早期检测，例如静息心率、睡眠模式与活动水平的个体基线偏离，可在症状出现前提示新型冠状病毒感染风险，支持更早的检测与隔离。
增强可穿戴传感器的AI方法章节明确了AI、ML与深度学习（DL）的层级关系：AI是涵盖感知、推理、决策与交互的系统级方法；ML是AI的子领域，使系统能从数据中提升任务表现，无需显式编程；DL则是ML的分支，利用多层神经网络从大规模数据集中学习表征。传统ML模型适用于数据集有限、特征低维或手工构造、需要可解释性或校准概率的场景；DL则更适配大规模数据集、高维原始信号（如图像、时间序列、音频、文本）及复杂层次化特征交互的任务，通常通过卷积、循环或Transformer架构实现端到端表征学习，但需更多数据与算力，透明度较低，常需配合解释方法或混合流程以满足可解释性需求。在可穿戴传感中，AI技术处理传感器采集的原始生理信号，转化为心律失常检测、活动与步态指标、压力事件识别与暴露剂量估算等临床可用信息，推动了个性化临床决策支持系统（CDSS）的发展。其标准流程包括数据采集、预处理、特征工程、模型推理及可选的后期处理与系统集成。由于ML模型的性能高度依赖数据质量，针对可穿戴信号中常见的运动伪影、传感器噪声、漂移与缺失片段，预处理环节需包含信号滤波、降噪、伪影去除、归一化缩放与缺失值插补。特征工程则将原始测量值转化为高预测价值的变量，涵盖ECG与PPG的心率与RR间期、HRV统计量、频带功率与谱熵、形态学指标、IMU统计量与步态标记、呼吸频率与变异性、温度或生化趋势等；特征选择可通过过滤式、包裹式或嵌入式方法完成，并在嵌套交叉验证中评估。DL虽可端到端学习表征，但在小数据场景下仍需预处理与手工特征以保障可解释性。后期处理可平滑预测结果、施加生理学约束并将结果路由至CDSS。
在模型层面，监督学习通过标注样本训练输入到目标的映射函数，支撑分类与回归任务；无监督学习在无标注数据中发现输入结构，常用于预训练表征学习与信号质量评估。传统ML模型（如线性回归、逻辑回归、支持向量机（SVM）、树集成模型如随机森林与梯度提升树）透明性较高，可通过系数、间隔与分裂规则展示特征重要性，且多数可校准为概率估计；神经网络模型（如全连接网络、卷积网络、时间序列架构）在大规模数据上准确率更高，但透明度较低，需借助特征归因、局部代理模型等事后解释方法满足临床审查需求。模型选择需权衡数据量、标注质量、隐私约束与部署限制：小数据集或隐私受限场景下，线性模型与树集成更稳定、易校准与解释；大规模多样标注数据集且任务需复杂模式识别时，深度神经网络通常精度更优；数据有限时需重点防控过拟合与欠拟合，合理运用正则化、交叉验证、早停与精细校准。当前研究已超越单模态分析，探索多模态异构信号融合、联邦学习等隐私保护框架，以及面向移动与嵌入式系统的高效设备端推理，可靠应用需依赖精确的任务定义、防数据泄露机制，以及基于恰当指标、外部测试与公平性评估的严格验证。
先进架构部分聚焦时序与多模态可穿戴数据的两类新兴架构：Transformer网络与生成对抗网络（GAN）。CNN擅长提取局部形态特征，但捕捉长程时间依赖需依赖深度、空洞或多尺度设计；RNN串行处理序列，限制了训练并行性，难以保留极长程依赖。同时可穿戴领域长期面临标注队列小、罕见病理事件类别不平衡、数据共享隐私限制等问题，制约深度学习临床落地。Transformer通过自注意力机制替代循环结构，并行计算序列中各token的全局内容感知权重，可直接关联相隔多时间步的样本，在加速度计与陀螺仪驱动的人类活动识别基准上优于CNN-LSTM基线，在单导联ECG心律失常分类中通过联合建模心搏内形态与心搏间节律结构，达到与ResNet、长短期记忆（LSTM）架构相当或更优的性能，还可通过注意力机制灵活实现ECG、PPG、呼吸与惯性信号等异构流的模态融合，无需依赖人工设计的融合规则；其局限是自注意力对序列长度的二次计算与内存复杂度，限制其在资源受限可穿戴硬件上的直接部署，近期研究通过轻量化Transformer变体、高效注意力机制与循环-Transformer混合架构缓解该问题，例如Lightweight Fussing Transformer用LightConv Attention替换标准自注意力，参数量较基线减少约72%，同时保持动态ECG心搏分类性能；面向边缘设备的血糖预测也出现了结合注意力与循环处理的轻量序贯Transformer。GAN由生成器与判别器通过对抗目标训练，在可穿戴领域主要用于数据增强与隐私保护合成数据生成。类别不平衡是临床可穿戴数据集的普遍问题，罕见心律失常、压力事件与不良血糖事件的样本量远少于主导类别，导致分类器偏向多数类，降低对临床重要事件的敏感性；条件GAN通过以类别标签为条件生成少数类样本，用于训练集扩充，三十项研究的系统综述显示，加入GAN生成信号可使不平衡训练集的分类准确率提升约6-7个百分点；多模态生理数据压力识别中，结合LSTM生成器、全卷积判别器与显式多样性项的条件GAN，生成的合成流提升了下游分类器性能，且经专家评估与真实数据一致性较高。其另一优势是隐私保护合成：差分隐私GAN（DP-GAN）可生成保留数据集级统计特性、同时降低个体记录暴露风险的合成信号，在某可穿戴压力检测任务中，相较仅用有限原始数据训练，差分隐私约束下的F1-score提升了11.90至15.48个百分点。但GAN存在训练不稳定、模式崩溃、缺乏合成生物信号标准化质量评估指标的挑战，阻碍跨研究公平比较。总体而言，Transformer与GAN分别解决可穿戴AI的长程与多模态依赖表征学习、数据稀缺与隐私保护问题，新兴的混合方向（如Transformer生成器、注意力判别器）有望在保留长程时间结构的同时合成生理可信的信号；大规模多模态或无标注可穿戴语料预训练也是提升下游传感任务迁移能力的方向。两类架构仍面临计算成本、可解释性与现实部署条件下标准化评估的限制，实际影响取决于架构创新、透明报告、部署感知验证及其与预处理、校准、后期处理流程的整合。除架构轻量化外，面向资源受限可穿戴平台的软硬件协同设计愈发重要：模型层面的权值剪枝、低精度量化、知识蒸馏可降低内存与计算需求；硬件层面的TinyML框架、低功耗微控制器、专用加速器可支撑严苛能耗、内存与延迟约束下的设备端推理；边云混合推理则提供互补策略，由轻量设备端模型执行连续筛查，仅在需更高算力推理时触发云端分析，平衡延迟、精度、隐私与能耗。
多模态融合策略部分指出，可穿戴健康AI系统日益融合异质数据流——生理信号（ECG、PPG、HRV、皮肤电活动（EDA））、运动数据（加速度计、陀螺仪）、环境上下文（温度、湿度、环境污染物）与情境变量（时刻、活动、自我报告），以提升诊断准确率与预测性能。融合策略按推理流程中的发生位置分为三类：早期融合（数据级）在模型输入前拼接原始或轻度预处理信号，简单但对采样率、尺度差异与模态缺失敏感；中期融合（特征级）用并行编码器提取各模态表征后在中间层组合，对异质数据类型灵活性更高；晚期融合（决策级）为每个模态训练独立模型，通过投票、加权平均或堆叠组合输出，对模态缺失鲁棒但丢失跨模态交互；基于注意力的融合作为第四类策略，依托Transformer架构学习动态的、样本特异的各模态权重，天然适配缺失或低质量流。代表性案例包括：HRV与EDA结合皮肤温度的压力检测，采用中期融合保留各信号的自主神经特异性特征；ECG结合PPG与加速度计的动态心电监测，用注意力融合根据运动伪影严重程度加权不同模态；生理信号结合自我报告症状的传染病监测，采用晚期融合适配症状报告的离散与间歇性特征。有效的多模态融合还需妥善处理三方面的实际问题：不同采样率模态的时间对齐、单个传感器故障或未佩戴时的缺失模态鲁棒性、不同可靠性模态的不确定性量化，这些共同决定多模态收益能否从对照研究转化为实际部署价值。
在模型可解释性方面，需根据架构、解释粒度与临床受众选择可解释AI（XAI）方法。SHAP（SHapley Additive exPlanations）提供加性特征归因，适配树集成与表格型可穿戴特征，已被用于识别HRV与EDA为压力状态的重要预测因子，以及可穿戴血糖预测中“距午夜时间”这一昼夜节律特征；LIME（Local Interpretable Model-agnostic Explanations）通过围绕单个预测训练局部代理模型，适用于需样本特异、模型无关解释的场景；针对原始生物信号的深度模型，积分梯度（Integrated Gradients）可通过从基线积分梯度将预测归因于输入特征，Grad-CAM可高亮对CNN预测贡献显著的输入区域，适配ECG与基于图像的 wearable任务；Transformer等注意力架构的注意力权重可提供 influential token或模态的线索，但需谨慎解读为解释证据。实践中可采用混合解释策略，如结合SHAP全局特征重要性与波形或图像级热图，将整体特征趋势与个体预测的局部证据关联，更好支撑临床审查。
论文后续分别展开AI赋能的身体活动识别、压力与焦虑监测、连续心血管监测、个人暴露监测与汗液生物标志物监测五大应用领域的详细论述，每个领域均明确任务定义、传感模态、主流模型、验证协议、性能指标与泛化性挑战，并通过标准化对比凸显不同场景下的方法学差异与转化瓶颈。最后在结论与未来方向中指出，当前AI增强可穿戴传感器已从单传感器信号处理转向依托多模态输入的应用驱动系统，仍以监督学习为主，传统ML模型在多数结构化特征任务中保持竞争力，DL主要用于需高模型表达能力捕捉时间动态与复杂信号模式的场景。未来需重点突破隐私保护（如联邦学习）、轻量高效设备端模型、多模态融合、动态条件下的鲁棒学习，同时应对数据隐私与监管合规、科研原型到临床产品的转化鸿沟、深度学习黑箱导致的可解释性不足、边缘计算低延迟与精度的平衡、传感器数据噪声与不完整、设备能效限制等核心挑战，并朝着多模态医疗系统融合、个性化自适应健康分析、电子皮肤与自供能硬件、隐私保护安全AI框架等方向演进，最终实现可扩展、可信赖、可落地的可穿戴智能健康监护。
