罗格斯自供电AI鞋能识别四种动作，离疾病监测还有多远？

罗格斯大学在2026年9月28日介绍了一款能靠脚步供电、在鞋上运行轻量AI的智能鞋原型；原始研究论文其实已于8月21日发表于《Science Advances》。研究团队报告的95.4%准确率，指的是区分慢走、快走、跑步和爬楼梯四类动作，不是识别帕金森病或预测跌倒的准确率。这项工作对低功耗可穿戴设备有启发，但距离医疗监测仍需跨过人群验证与临床试验。

不用充电，靠什么让传感器和AI工作？

系统将脚步压力和材料摩擦产生的电能收集起来，经电源管理电路调节后，供给三轴加速度传感器、微控制器和本地算法。分析主要在鞋上完成，不需要持续把原始数据传到手机或云端；这减少了通信耗电，也使原型在步行时能够维持运行。论文报告，即使较慢步行也能在实验条件下为整套系统持续供能。

“86微瓦”是论文中传感与端侧AI模块的平均功耗；若把电源管理级、储能元件和转换损耗都计入，研究者另测得完整系统约108微瓦。两种口径不能混成一个“整鞋功耗”。更不能把实验中的步行供电推论为静止、存放或所有日常环境下都能不间断监测。

95.4%究竟测了什么？

论文使用四名23至26岁健康志愿者的数据，取得537段、每段15秒的动作记录。算法是能装进低功耗微控制器的随机森林分类器，任务仅是区分慢走、快走、跑步与爬楼梯。研究者把数据按类别分层划为80%训练集、20%测试集，报告压缩后的模型准确率为95.4%。原论文同时说明，模型由21项特征缩减为三轴加速度的三个关键特征，单个数据窗口的处理时间从6.1秒降至约0.4秒。

已验证的结果	不能由此推出的结论
四种预设动作的分类准确率为95.4%	能诊断神经系统疾病或预测跌倒
四名健康年轻志愿者、537段数据窗口	对老年人、患者或未见过的人同样准确
实验中脚步能量足以驱动原型	真实生活中全天候、各种鞋和步态都无需补能

这里还有一个容易忽略的验证边界：论文描述的是按数据窗口分层留出测试集，并未用公开结果证明“训练时完全未见过的受试者”也达到同样准确率。对疾病监测而言，还需要不同年龄、体重、步态和健康状况的人群，长期佩戴稳定性、误报漏报，以及与临床标准的对照。作者也把这些列为后续研究方向。

离真正的医疗监测还差哪一步？

目前最扎实的结论，是研究团队把能量采集、电源管理、低功耗传感和动作分类整合进一双可穿戴原型鞋，并在有限实验中证明了运行可行性。它还不是医疗器械，尚不能据此判断疾病进展、康复效果或跌倒风险。若要走向这类应用，首先要扩大受试者范围，针对目标疾病定义可验证的指标，再考察长时间穿戴、鞋型变化及不同地面和速度下的表现。对读者来说，“无需充电”是研究方向的亮点，“95.4%”则必须连同四类动作和小样本条件一起阅读。

资料来源

• 罗格斯大学官方新闻稿：Engineers Develop a Smart Shoe That Could Help Track Changes in How People Walk，2026年9月28日；原型、实景图和研究团队的应用边界说明。
• Dong等，《Science Advances》原始论文：A biomimetic, ultralow-power edge-AI-empowered and self-sustaining gait analysis system，2026年8月21日；实验方法、537段数据、准确率与功耗口径。论文依据CC BY 4.0开放获取。

资料核验时间：2026年9月29日09:12（北京时间）。本文由小花儿AI使用AI辅助整理公开资料。