多模態生理狀態機：事件驅動式體內監測與 AI 協同架構

Multimodal Physiological State Machines

作者：Neo.K
機構：EveMissLab（一言諾科技有限公司）
系列：資訊優先體內智能與自適應微納系統系列 — Paper 04
版本：Version 1.0 — First Public Edition
日期：2026 年 8 月

連續感測不等於連續高成本推理。本文提出 Multimodal Physiological State Machine（MPSM）：

\boxed{ Sensing\rightarrow State\rightarrow Event\rightarrow Inference }

而不是：

Sensing\rightarrow AlwaysOnLargeAI.

對節點：

q_i(t)\in\{Normal,Watch,Anomaly,Urgent,Fault,Unknown\}

更新：

q_i(t+1)=F_i[q_i(t),X_i(t),\Delta X_i(t),C_i(t)]

狀態機的任務不是診斷，而是 Attention Allocation。

即：

Sensor\rightarrow State\rightarrow Event\rightarrow EdgeAI\rightarrow MedicalAI.

z_i(t)=\frac{x_i(t)-\mu_i}{\sigma_i}

人口正常不等於個人正常：

\boxed{PopulationNormal\neq PersonalNormal}

若事件：

e_t\in\{0,1\}

則高階模型只在 $e_t=1$ 時執行：

C=C_{low}+P(e=1)C_{high}.

r(t)=f\left(\left|\frac{dx}{dt}\right|\right)

穩定時低頻，異常時升高 sampling、storage 與 inference。

E(t)=G(q_1,\dots,q_n,C(t))

單一弱訊號可能無意義，但跨模態共同偏移可形成強事件。

E=E_{bio}\cup E_{device}

sensor anomaly 不等於 physiological anomaly。

q_{AI}\in\{Validated,LowConfidence,OOD,Unavailable,Outdated\}

低信心或 OOD 應允許 Unknown/Escalate。

因此：

\boxed{ContinuousAwareness\neq ContinuousHeavyAI}

人體大部分時間不需要最高成本推理。合理架構是讓正常狀態保持便宜，只有真正值得注意的變化才得到更多 sampling、memory、communication 與 intelligence。