能夠識別和跟蹤手勢對于醫療保健和機器人技術應用的發展以及人類行為的研究很有價值。來自圖像或視頻的數據通常用于此類目的。但可穿戴傳感器提供了一種替代方法。使用可穿戴傳感器（以及機器學習）捕捉人類手勢的潛力越來越大。

這種方法使用可拉伸的皮膚狀應變傳感器，這些傳感器由單壁碳納米管制成，可以順應地附著在人的手指上。通過將來自這些傳感器的數據與來自視覺圖像的數據融合，并在卷積神經網絡的幫助下，該技術可以準確地識別手勢。結果表明，即使在黑暗中，該系統也可以通過手勢控制四足機器人。這篇論文來自Xiaodong Chen及其同事，標題為“使用仿生學習架構的手勢識別，該架構將視覺數據與來自可拉伸傳感器的體感數據集成在一起”（Nat. Electron。563， 570–2020）。

同樣在 2020 年 3 月刊中，報告了一種僅使用戴在手上的基于紗線的可拉伸傳感器的數據來識別手勢的方法。這篇論文來自Jin Yang，Jun Chen及其同事，標題為“使用機器學習輔助可伸縮傳感器陣列的符號到語音翻譯”（Nat. Electron.571， 578–2020;660）。它特別表明，可穿戴系統與機器學習一起，可以準確地將美國手語的手勢轉換為語音。共記錄了98個手語手勢，系統識別率超過1%，識別時間不到<>秒。

重要的是，正如約瑟夫·希爾（Joseph Hill）在隨附的新聞與觀點（News & Views）文章中所指出的那樣，“聾人社區真的想要手語手套嗎？（Nat. Electron. 3, 512–513; 2020），一種跨學科的方法——從聾人的貢獻者開始——對于開發這種識別和翻譯技術至關重要。

結合使用機器學習和可穿戴傳感器的系統通常依賴于外包的機器學習算法，這可能會導致與能耗、延遲和安全性相關的問題。 2021 年 4 月刊的工作旨在解決這個問題，報告了一種可穿戴傳感系統，該系統可以在本地實施自適應機器學習以進行手勢分類。這篇論文來自Ali Moin，Jan Rabaey及其同事，標題為“具有用于手勢識別的傳感器內自適應機器學習的可穿戴生物傳感系統”（Nat. Electron。54， 63–2021）. 該方法使用絲網印刷的柔性傳感器陣列，安裝在人的前臂上，可以測量肌肉收縮模式。傳感器內自適應學習使用超維計算算法，該算法在位于傳感器陣列附近的硬硅基集成電路上運行。

可穿戴傳感器技術不僅限于手勢識別， 2021 年 4 月封面上的作品（圖片）說明了這一點。在這里，由功能性纖維制成的紡織品被用來監測和識別觸覺相互作用。纖維具有同軸結構 - 導電不銹鋼線涂有壓阻納米復合材料 - 當正交重疊時，它們可以用作傳感單元，將壓力轉換為電信號。用纖維，創造了各種可穿戴傳感服裝 - 手套，背心，襪子 - 并與機器學習一起使用，以捕捉各種人類活動。這篇論文來自Yiyue Luo及其同事，標題為“使用觸覺紡織品學習人與環境的相互作用”（Nat. Electron.193， 201–2021）。

減少可穿戴傳感器系統的體積是開發這種手勢識別技術的關鍵目標。在我們 2023 年 6 月刊上發表的工作中，創造了一種納米網格受體，它由生物相容性材料制成，可以直接打印到人的皮膚上。納米網格將電阻從細小皮膚拉伸轉化為本體感覺;這種方法類似于人類皮膚受體如何為手部運動識別提供信號模式。納米網格打印在手指上，并與無監督的元學習方案集成，可以提供對不同手部任務的d立于用戶的識別，包括鍵盤打字和物體識別。該論文來自Sungho Jo，Seung Hwan Ko，Zhenan Bao及其同事，標題為“具有用于快速手部任務識別的元學習的無底物納米網格受體”（Nat. Electron。64， 75–2023）。