基于光纤的可穿戴传感器与机器学习的进展

近十年来，人工智能(AI)的飞速发展，大大提升了可穿戴设备处理复杂数据的能力。其中，作为AI算法一大类的机器学习，以及其重要分支深度学习，是这波AI浪潮的主力。

机器学习省去了人工提取数据特征的人力成本，其深度学习分支对隐藏特征有强大的洞察能力，它们对数据的需求量之大，契合了这个信息爆炸时代带来的海量信息。

最近的一项研究总结了与光纤传感器结合使用的所有机器学习算法，分为两类：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最近邻(KNN)、支持向量机(SVM)、随机森林、XGBoost和K均值聚类。

该论文发表在《先进设备与仪器》杂志上。

在对机器学习算法有了大致了解之后，本文根据光纤传感器的工作原理和光纤尺寸对其进行了分类和总结。光纤传感器的工作原理主要分为光学和电学两大类，光学包括FBG、法布里-珀罗干涉仪、散斑图和光强度，电学包括压阻、摩擦电、EMG和光纤。

光纤传感器是日常穿戴硬电子设备的可行替代品。结合机器学习，它们可以作为日常智能服装。但仍有许多需要改进的地方。

首先，目前大多数利用机器学习的光纤传感器只采集单一类型的信号，这种信号通常是机械力和变形，比如手套中基于压力的手势识别。其他信息，如光强度、光色、温度、湿度、表面粗糙度等非常有意义的信息则没有被整合。

其次，机器学习算法日新月异，最新的算法如强化学习、生成对抗网络(GAN)、自监督学习、注意力机制(GPT)等，在这个领域的应用却非常少。

相信随着上述方向的进一步研究，基于光纤传感器和AI的可穿戴设备将会更加智能、舒适、高效，走入每个人的日常生活。