本作品针对可穿戴设备健康监测场景,提出了一种融合多模态特征与改进BiLSTM的深度学习框架,实现活动识别、MET值预测、睡眠阶段分析和久坐预警四大核心功能。系统通过时域(均值、方差)和频域(FFT、功率谱)特征提取,结合个体静态数据(性别、年龄等),构建多维特征表示;采用4层BiLSTM网络捕捉时序依赖,引入多头注意力机制强化关键片段识别,并通过多任务学习实现四类任务的协同优化。实验表明,模型在20名志愿者数据上表现优异:活动识别准确率显著提升,MET预测误差(MAE=0.5691)优于传统方法,睡眠分期与久坐检测(支持分级预警)均达到实用水平。