智能可穿戴设备因其便利性、智能性和隐蔽性，在人们的生活中变得越来越重要。它们已在医疗保健、运动和环境检测等领域得到了广泛应用。目前的可穿戴系统主要由三个基本部分组成：传感器、信息传输通道和数据处理单元。就可穿戴传感器而言，无论目标信息如何变化，都必须由人佩戴，因此舒适性非常重要。然而，由于硅片和金属材料固有的刚性，传统电子传感器缺乏理想的舒适性，用户很容易感觉到可穿戴设备的存在。因此，这类传统传感器无法与日常服装完美结合。就帽子、口罩、衬衫、裙子、裤子、袜子和鞋子等人们日常的穿戴而言，最主要的材料选择是织物。织物完全符合人们对舒适性和可穿戴扩展性的追求。因此，开发新型纤维基传感器和利用纤维基传感器制造可穿戴设备，已成为可穿戴领域极具吸引力和可行性的课题。
除了纤维基传感器，可穿戴设备在数据处理方面还面临着另一个挑战。在机器学习得到广泛应用之前，主要的数据处理方法是阈值分析、统计分析和信号处理技术。基于阈值的分析，将传感器收集的数据与预先设定的阈值进行比较。例如，心率监测器可能会将任何高于或低于每分钟特定频率的读数标记为异常。统计量包括平均值、中位数、方差和标准偏差等。例如，心率变异性是一项重要的健康指标。信号处理技术涵盖多种方法，包括滤波、时间序列分析、傅里叶变换和小波变换等。它们旨在避免干扰，提取基本模式。基于阈值的分析和简单的统计分析虽然用途广泛，但缺乏对细节的控制。信号处理能增强数据模式的发现，但也有很大的局限性。例如，不同的数据模式各不相同，通常需要人工搜索，费时费力。在复杂的信号中，特定的模式甚至可能与其它信息重叠，被琐碎的信号所覆盖，进一步增加了提取重要信息的难度。
人工智能（AI）在过去10年中取得了飞速发展，机器学习加入了数据处理方法的行列。首先，机器学习及其重要分支深度学习无需人工搜索模式或特征，大大提高了效率。其次，深度学习对细节的洞察是上述所有方法都无法企及的。第三，海量数据可能会成为传统方法的负担，但它们却非常适合机器学习。机器学习能够从数据中发现有价值的洞察和模式，这使其成为处理可穿戴设备所产生海量数据（捕捉复杂而精密的人体活动）的绝佳工具。总而言之，数据处理和分析是传感器数据收集之后、可穿戴设备采取行动之前的重要步骤。这一步骤决定了可穿戴设备的智能程度。过去，在这一步骤中大多使用统计和信号处理技术，但现在，机器学习因其出色、有效的信息提取和分析能力，正逐渐取代统计和信号处理技术，成为新一代可穿戴设备分析信息的必经之路。
据麦姆斯咨询介绍，新加坡南洋理工大学的研究人员在ADVANCED DEVICES & INSTRUMENTATION期刊上发表了一篇题为“Advances in Fiber-Based Wearable Sensors with Machine Learning”的综述性文章。本综述重点介绍了成功融合机器学习和纤维基传感器的智能可穿戴设备。首先，研究人员介绍了机器学习算法，包括传统机器学习算法和深度学习算法。传统机器学习算法包括线性回归（LR）、k近邻（KNN）、支持向量机（SVM）、随机森林、极端梯度提升（XGBoost）和K均值聚类（KMC）。同时，深度学习算法包括多层感知器（MLP）、卷积神经网络（CNN）和ResNet、循环神经网络（RNN）和长短期记忆（LSTM）以及迁移学习。
然后，研究人员总结了基于纤维的传感器，并从纤维尺寸和工作原理两方面进行了分类。根据纤维的尺寸，传感器可分为宏观纤维和微观纤维基传感器。宏观纤维的尺寸为厘米级，表现为通常意义上的纤维，而微观纤维的特征尺寸通常为微米级或纳米级。宏观纤维的子类别包括单纤维结构和多纤维结构。另一方面，微观纤维则可分为表面覆盖型和渗流型。表面覆盖型是指将纤维喷涂到基底材料的表面，而渗流型是指将纤维融入基底材料。根据工作原理，纤维基传感器可主要分为光学传感类和电子传感类。光学传感类包括4组：光纤布拉格光栅（FBG）、干涉图像、强度变化和法布里-佩罗干涉仪（FP）；而电子传感类包括3组：压阻式、摩擦电式和芯片嵌入纤维式。最后，研究人员在“结论”部分对本文进行了总结，并提出了未来研究的潜在方向。
论文链接：DOI: 10.34133/adi.0054
延伸阅读：
《可穿戴技术及市场-2023版》
《印刷和柔性传感器技术及市场-2024版》
