2026 年 11 月 3 日
美国西北大学的工程师团队正在探索利用普通智能手表来解读手部动作的新途径。这一研究旨在摆脱对高科技摄像头、医疗扫描或先进成像技术的依赖，转而通过手腕佩戴设备本身获取数据。
研究人员在底特律举行的计算机机械协会关于用户界面软件和技术的研讨会上介绍了两项核心成果：TransfHAR 和 EITWatch。这两篇论文也已发布在 arXiv 预印本服务器上。
EITWatch：基于电阻断层扫描的手势识别
EITWatch 项目利用智能手表与手腕的持续物理接触，通过一种名为电阻断层扫描（Electrical Impedance Tomography, EIT）的技术工作。该系统在手表背面集成了八个小电极，向手腕发送微小的电信号，从而绘制皮肤下肌肉和肌腱的运动模式。
不同的手势——从指向手指到举起拇指——都会导致肌肉和肌腱产生独特的运动模式。通过学习并识别这些模式，EITWatch 能够将特定手势转化为智能手表指令。例如，举起拇指可用于发送短信，而指向手指则可在锻炼过程中激活计步器功能。
“我最关心的部分是可访问性。触摸屏关闭了许多人，”共同作者诺维尔·阿拉姆（Novel Alam）表示，“我认为设备内置的第二条输入通道为它们提供了另一条入口。”
由于手腕信号编码了手的意图，研究人员也在探索这种感知技术是否有助于控制生物假肢。此外，观察手臂内部也为科学家提供了一种无需摄像头即可追踪手部动作的新方法。“现在最好的方法是用摄像头来看手在做什么，这是一个隐私噩梦，”项目负责人 Karan Ahuja 指出，“只有当你的手在镜头前时才有效，但他们的手腕总是在那里。”
目前的 EITWatch 仍处于研究原型阶段。实验数据显示，该系统能以超过 92% 的准确度识别六种常见手势，并以超过 91% 的准确度识别五种更微妙的手指动作。然而，这也带来了挑战：借用家庭成员的智能手表可能会因个体差异导致设备难以准确识别新用户的手腕动作。
“对于硬件而言，将电子设备集成到手表中是下一步推动力，”阿拉姆说，“还有一个人群适应性问题。目前戴过手表的人表现更好。我们的目标是让任何佩戴者戴上手表后，手势功能即可直接使用，无需校准步骤。”
TransfHAR：基于运动传感器的活动学习
虽然现有智能手表和智能手机已能识别某些固定手势，但 TransfHAR 采用了更具灵活性的方法。该系统首先利用数千小时的公开、未标记运动数据进行预训练，随后仅需几次演示即可学习全新的活动。用户可以将特定动作与自定义命令关联，从而扩展设备的功能范围。
“在现有的数据集中，没有很好地代表那些有特殊活动、习惯或日常生活的人群，”卡内基梅隆大学博士生、TransfHAR 共同作者艾丹·布拉德肖（Aidan Bradshaw）解释道，“活动识别研究通常集中在普遍存在的类别上，但这些类别并不总是捕捉到对个人重要的意义。我特别感兴趣的是支持人们生活和活动方式的差异。”
TransfHAR 利用智能手表内置的加速度计和陀螺仪等传感器，捕捉手腕的加速和旋转情况。系统记录每天重复的动作以个性化每一位佩戴者。例如，一个用户的手臂动作可能是刷墙，而另一个用户可能有类似的动作用于梳理头发。
在医疗护理领域，这项技术具有潜在应用价值。老年护理机构的护士可以利用这些动作数据追踪患者重复特定活动的频率，包括日常个人卫生活动（如刷牙、剃须）或物理治疗练习。“在老年护理中，护士可以被动地看到病人是否刷牙或剃须，房间里没有摄像头，”Ahuja 表示，“在健身房，手表也可以简单地记录你做了哪些运动。”
研究人员使用超过 2,700 小时的公开运动数据对系统进行预训练。在一项涉及 10 名参与者的研究中，仅通过单次一分钟的录制演示，手表识别七项新活动的准确率约为 90%。
“与 Google 健康研究的合作伙伴一起，我们正在扩大数据集，使系统能够学习更多的活动并变得更准确，”Ahuja 说，“同样的做法应该适用于其他形式因素，如戒指和手环。”
相关文献：
Aidan Bradshaw et al., TransfHAR: Self-supervised wrist signals for on-demand activity recognition, arXiv (2026). DOI: 10.48550/arxiv.2608.15861
Xu Yu et al., EITWatch: Smartwatch-integrated planar electrical impedance tomography for gesture recognition, arXiv (2026). DOI: 10.48550/arxiv.2608.29415
