《Electronics》:Multimodal Wearable Biosensing and Edge AI for Personalized Health: A Comprehensive Review
编辑推荐:
可穿戴生物传感正超越单信号活动追踪,向多模态、人工智能辅助的健康监测发展,该监测结合了生物物理流与来自汗液、间质液、泪液及其他可获取生物流体的生化信息。近期工作在柔性光学材料、可编程DNA基传感架构、生物安全感知汗液贴片以及能够进行去噪、校准、个性化和低延迟推
可穿戴生物传感正超越单信号活动追踪,向多模态、人工智能辅助的健康监测发展,该监测结合了生物物理流与来自汗液、间质液、泪液及其他可获取生物流体的生化信息。近期工作在柔性光学材料、可编程DNA基传感架构、生物安全感知汗液贴片以及能够进行去噪、校准、个性化和低延迟推理的边缘人工智能(Edge AI)流水线方面加速了进展。本综述综合了通用生物传感器平台、生命体征监测、生化汗液传感、运动与生物力学传感以及边缘人工智能/数据分析方面的当前进展。特别关注了目前主导该领域的转化瓶颈,包括运动伪影、传感器漂移、生物污染、受试者间变异性、有限的汗液-血液等效性(sweat-to-blood equivalence)、不充分的外部验证以及不均衡的监管准备。本更新的综述的核心论点是,下一阶段的进展将不仅由灵敏度驱动,而是由稳健的多模态融合、临床锚定的验证、可互操作的数据流水线以及能效高的设备端智能驱动。通过连接材料、电子器件、算法和部署约束,本综述识别了最有可能从有前景的实验室演示进展到可靠个性化健康工具的可穿戴生物传感策略。
论文主体部分首先在引言(General Introduction)中阐述,可穿戴生物传感器已从简单的身体佩戴追踪器演变为集成诊断接口,可近实时捕获心血管、生化、生物力学和环境信息。关键概念转变是从孤立信号转向多模态感知,因为单一生理通道在运动、热、水合变化和现实行为变异性下不够稳健。这一转变得益于软材料、柔性光学、微流控、智能纺织品和皮肤共形电子学的快速进展。人工智能(AI)和边缘计算(Edge Computing)成为核心,现代AI流水线在设备上或附近执行去噪、多模态融合、校准、不确定性和隐私保护个性化。
在综述方法(Review Methodology)部分,研究人员在PubMed、IEEE Xplore、Scopus和Web of Science数据库中进行了正式文献检索,覆盖2015年1月至2026年5月。搜索词结合了“可穿戴生物传感器”与多模态描述符和边缘人工智能关键词。最终纳入203项研究进行详细分析,记录传感器平台、数据集大小、参与者特征、机器学习方法、部署策略和性能指标。本综述的独特贡献包括:明确连接多模态生理、生化和运动数据融合与设备端边缘AI(包括TinyML、模型压缩、联邦学习和隐私保护技术);引入五级验证层次(L1–L5)评估转化成熟度;提供可视化和表格综合。
核心应用描述(Core Application Descriptions)部分将文献分为五个相互关联的应用领域:通用生物传感器平台(General Biosensor Platforms)现在越来越多地结合可拉伸或自愈基板、微型化微流控、低功耗无线电子和AI就绪信号通路,最具有竞争力的平台能减少皮肤界面机械失配、支持模块化集成多种传感器类型,并在现实使用条件下实现可靠校准。生命体征监测(Vital-Sign Monitoring)已从心率追踪扩展到更丰富的心血管和心肺表型,通过联合使用心电图(ECG)、光电容积描记法(PPG)、加速度计、生物阻抗和温度传感,当前研究重点在于抗伪影估计、临床有意义终点和自由生活条件下的连续运行。生化汗液传感(Biochemical Sweat Sensing)仍是最有吸引力的非侵入性个性化监测途径之一,但2025–2026年的最强贡献聚焦于样本处理、生物安全、富集和情境校正,而非仅分析物检测,研究正转向多分析物贴片,结合化学与汗液速率、温度或光学信息以提高可解释性。运动与生物力学传感(Motion and Biomechanics Sensing)越来越多地被视作主要测量领域和其他生物信号的关键情境来源,惯性(IMU)和软应变传感器不仅用于步态或姿势分析,还用于抑制伪影并提高光学和电化学传感在正常活动中的可靠性。边缘AI与数据分析(Edge AI and Data Analytics)定义了可穿戴生物传感的智能层,最强系统使用紧凑设备端模型、自适应卸载和隐私感知数据处理,将噪声多流传感器数据转换为可操作的低延迟健康信息,且不产生过多功耗或带宽成本。
在最新技术现状(State of the Art)部分,跨领域趋势和挑战(Key Cross-Cutting Trends and Challenges)显示,近期文献趋向于基于软、可拉伸和纺织集成基板的多模态生物传感平台,这些系统将生理测量(如PPG/ECG、肌电图EMG、皮肤电活动EDA)、生化分析物(如乳酸、葡萄糖、电解质)和运动/生物力学(如IMU和压力传感器)集成到统一贴片或可穿戴设备中。边缘AI快速成熟:TinyML和模型压缩技术常规用于在微控制器上嵌入卷积和循环神经网络,联邦学习允许集体训练而不共享原始数据。性能报告仍不均匀,多数研究使用准确率、F1分数和曲线下面积(AUC)用于分类,平均绝对误差(MAE)和相关系数用于回归,但很少报告校准稳定性、传感器漂移、时间延迟或能耗。验证水平从台式体外测试到小规模试点研究不等,很少达到外部或临床验证。关键挑战包括运动伪影、生物污染和传感器漂移、汗液成分和速率个体间变异性、有限的受试者独立训练和评估、隐私与安全问题以及监管合规。在通用生物传感器平台(4.2)中,2025–2026年更新显示平台级文献明确转向机械柔软、生物兼容且内在多模态的架构,包括柔性光学材料、AI驱动的可穿戴生物电子学和可编程DNA水凝胶/折纸。多个研究展示了AI增强的PPG疲劳检测、可解释深度学习辅助的比色汗液评估、基于分子印迹聚合物(MIP)的氨基酸传感器以及自供电汗液导电贴片等。在生命体征监测(4.3)中,最强趋势是走向临床锚定的多感官心血管评估,而非孤立速率估计,强调家庭护理相关性、伪影感知设计和用户舒适度。研究包括HRV测量、游泳溺水预防、多模态柔性贴片边缘处理、与床边监测的临床验证以及水合、呼吸和血压监测。在生化汗液传感(4.4)中,近期工作强调多模态体液监测和数据融合策略,以及生物安全隔离和富集贴片结合深度学习。乳酸、电解质、葡萄糖和氨基酸传感器在运动测试和临床监测中展示了与通气阈值或血乳酸阈值的良好相关性,但汗液-血液关系仍受条件影响。在运动与生物力学传感(4.5)中,领域正超越步态计数走向情境感知运动解释,用于跌倒检测、水下步态分析、软应变传感器肌肉扭矩估计和人类活动识别(HAR)。在边缘AI与数据分析(4.6)中,最新文献强调可穿戴智能必须同时平衡预测准确性、延迟、能效和可信度,紧凑模型、不确定性感知推理、选择性卸载和隐私保护个性化成为核心设计需求。
在发现(Findings)部分,通用生物传感器平台(5.1)总结了基本应用,包括典型传感器(如PPG、电化学、比色传感器)、数据特征与预测的关系、常用工具框架(如TensorFlow、PyTorch、Edge Impulse)和评估策略(如交叉验证、ROC曲线)。生命体征监测(5.2)总结了临床用例(HRV、溺水预防、水合监测)、特征提取与预测目标、算法工具(如Python、MATLAB、ESN)和评估策略(如Bland-Altman分析)。生化汗液传感(5.3)总结了生理靶标与采样约束、传感器类别与用例(电化学、比色、自供电)、特征提取与AI解释、工具算法(如LightGBM、LDA、SVM)和评估指标(如±5-10%化学误差、亚5分钟响应)。运动与生物力学传感(5.4)总结了基本应用(跌倒检测、步态分析、HAR)、典型传感器(加速度计、IMU、软应变传感器)、数据特征与预测、工具算法(如MATLAB、Python、CNN-LSTM)和评估策略(如RMSE、相关系数、Bland-Altman)。边缘AI与数据分析(5.5)总结了基本应用(情感计算、HAR、癫痫检测)、特征提取与预测、工具算法(如TensorFlow、TinyML、联邦学习)和评估策略(延迟、准确率、能效、隐私)。各部分均强调了数据泄漏预防和跨应用复用。
在结论(Conclusions)部分,论文指出多模态融合是当前主导方向,能够补偿单个传感通道的弱点。生化汗液传感展示了成功监测依赖于样本传输、富集、生物安全隔离、温度和汗液速率校正以及学习的情境解释。运动与生物力学传感成为必不可少的测量模式和情境支持。边缘AI从云依赖分类转向设备端决策支持,紧凑模型、受试者感知个性化、校准不确定性和隐私保护推理受到重视。主要转化瓶颈包括传感器漂移、批次变异性、外部验证不足、互操作性不完整和监管证据不均。未来研究应包含前瞻性多站点验证、统一基准数据集、明确报告校准和漂移行为,以及更强地将传感性能与临床相关终点关联。论文强调,最可信的未来系统将结合生理、生化和生物力学信息,报告不确定性以及准确性,并在现实运动、热、水合和长时间佩戴条件下验证性能。多模态可穿戴生物传感与精心设计的边缘智能是通往个性化和预防性医疗的最有希望途径之一,但其全面影响将取决于未来研究是否像重视创新一样重视可信度和转化严谨性。