- 智能可穿戴技术在人机交互与健康监测中日益重要，但现有软体传感器应用**过于简化**，难以适应不同场景
- 需要解决因测试配置变化（如左右手腕、佩戴位置偏移、不同受试者）导致的**数据漂移(data drift)** 问题
- 研究背景：柔体可穿戴传感器虽舒适实用，但缺乏自适应能力，无法在真实多变环境中稳定估计关节角度
- 提出**两阶段估计方法**：第一阶段利用**在线学习(online learning)**，结合IMU提供的真实数据更新模型，捕捉佩戴者手腕运动特征
- 第二阶段仅使用定制腕带中的软体传感器进行**腕关节角度估计(wrist joint angle estimation)**，无需外部辅助设备
- 模型训练在数据采集过程中同步完成，后续可直接用于角度预测，形成**端到端(end-to-end)** 的在线自适应流程
- **首创在线增量学习框架** 应用于柔体腕带传感器，在数据采集阶段动态更新模型，实现**自适应数据漂移(data drift adaptation)**
- **双重适应能力**：同一模型可适应左右手腕、佩戴位置偏差以及不同受试者等**多种测试配置变化**，无需重新训练
- **计算效率高**：无需离线重训练，模型在线更新后即可用于实时估计，降低了部署成本
- 为柔体可穿戴传感器提供了一种**在线自适应** 的关节角度估计新范式，提升了实际应用中的鲁棒性
- 在多种变化场景下，腕关节轨迹估计误差约为**15度**，验证了系统的有效性
- 推动了**智能腕带(wristband)** 在运动监测与人机交互中的实用化进程，为后续研究提供了可复现的基准