在运动康复、可穿戴设备和人机交互等领域，人体运动的精准捕捉始终是核心技术之一。其中，肩关节作为人体最复杂、自由度最高的关节之一，其三维运动的长期稳定监测一直是难点。传统光学运动捕捉系统虽然精度高，却依赖昂贵设备和实验室环境；而基于惯性传感器（IMU）的可穿戴方案则面临“漂移”问题，长时间使用误差不断累积。如何在真实场景中实现高精度、低成本、长时间的肩部运动追踪，成为该领域亟待解决的关键挑战。针对这一难题，哈佛大学Conor J. Walsh教授团队提出了一种全新的多模态可穿戴传感系统：将惯性测量单元（IMU）与柔性应变传感器（SS）融合，并结合机器学习算法，实现无需复杂校准、可持续超过1小时的高精度三维肩关节运动追踪。从“衣服”出发：把传感系统穿在身上研究的起点，是一件看似普通的紧身运动衣。但这件“智能衬衣”内部集成了两类关键传感器：分别安装在躯干和上臂的IMU，以及环绕肩部布置的8个柔性应变传感器。这些柔性传感器能够实时感知衣物拉伸变化，从而间接反映人体关节运动。更关键的是背后的算法设计。研究团队提出了一种融合框架FIS：先利用卷积神经网络（CNN）从柔性传感器信号中预测“无漂移”的肩部运动，再将这一结果用于修正IMU中随时间积累的航向漂移（yaw drift）。这种“取长补短”的策略，使系统既保留IMU短时精度高的优势，又利用柔性传感器的长期稳定性消除漂移。在实际使用中，系统只需不到2.5分钟的简单校准。用户随意活动手臂即可完成模型训练，无需实验室设备或复杂操作，大幅降低使用门槛。

总体来看，这项研究提出了一种兼顾精度、稳定性与实用性的可穿戴运动捕捉新方案。通过融合IMU与柔性传感器，并引入轻量级机器学习算法，成功解决了长期困扰该领域的“漂移”难题，实现了真实场景下长时间、高精度的肩关节三维运动追踪。未来，随着算法进一步优化与硬件集成化发展，该系统有望实现实时嵌入式运行，并扩展至更多人体关节甚至全身运动捕捉。同时，结合人工智能与数字孪生技术，其在医疗康复、智能穿戴和软体机器人中的应用潜力将进一步释放。