想象一下以下場景，在沒有鍵盤的情況下在電腦上打字，在沒有控制器的情況下玩電子游戲，在沒有方向盤的情況下駕駛汽車。這么炫酷的場景，似乎只有科幻影片中才會出現。

如今，由加州大學伯克利分校的工程師們開發出的一種新型可穿戴設備或許可以實現這些場景。該設備通過將可穿戴生物傳感器與人工智能（AI）相結合，可以根據設備佩戴者前臂的電信號模式，識別出他計劃做出的手勢。研究人員表示，該設備有望用于控制假肢，并且可與各種類型的電子設備進行交互。

相關研究以“A wearable biosensing system with in-sensor adaptive machine learning for hand gesture recognition”為題，于 12 月 21 日在線發表在 Nature Electronics 上。

（來源：Nature Electronics）

對此，該設備的研發工程師之一、加州大學伯克利分校電子工程和計算機科學系博士 Ali Moin 表示：“假肢是這項技術的重要應用之一，它同時也提供了一種非常直觀的、可與計算機交互的方式。” 改善人機交互的方式有多種，比如使用攝像頭和計算機視覺技術，但讀取手勢是一個很好的解決方案，還可以保護個人隱私。

讓科幻場景成為現實

近年來，可穿戴式生物傳感器在健康監測和人機界面交互領域得到了廣泛的應用。但是，想要使無線信號處理系統實現對生理信號的實時分析，還存在通信時延、安全性等問題。

雖然引入機器學習模型進行本地信號處理的系統具有許多優勢，但同樣面臨著多種問題，在低功耗嵌入式處理器中，所使用的機器學模型通常需要事先進行離線訓練，如果訓練達不到預期效果，模型的分類精度就會降低，導致性能欠佳或用戶體驗不佳等問題。

為了解決當前可穿戴生物傳感設備面臨的技術壁壘，Moin 等人通過檢測人體皮膚表面肌電圖（surface electromyography，sEMG），研發了可穿戴的高密度 sEMG 生物傳感系統。該可穿戴系統總重量為 26g，也就是一塊表的重量，佩戴十分方便;系統所使用的電池為 3．7V、240mAh 的鋰離子電池，連續手勢識別續航時間長達 6 小時。

圖 | sEMG 可穿戴生物傳感系統。a． 位于前臂上的設備;b． 絲網印刷過程的圖解;c． 定制設計的 16*4 電極陣列;d． 小型八層 PCB 電路板;e． 構成可穿戴系統的主要組件的框架圖。（來源：Nature Electronics）

為了創建手勢識別系統，該團隊與加州大學伯克利分校電子工程教授 Ana Arias 合作，設計了一個靈活的臂帶。該臂帶可以讀取佩戴者前臂上 64 個不同點的電信號，并將電信號輸入到一個使用 AI 算法編程的電子芯片中。與其他人工智能算法一樣，該算法首先要“學習”手臂上檢測到的電信號，并與特定的手勢相關聯。要實現這一點，每個用戶都必須戴上臂帶，同時逐一做出手勢。

（學術頭條制作，素材來自 YouTube）

（學術頭條制作，素材來自 YouTube）

（學術頭條制作，素材來自 YouTube）

該生物傳感系統穿著舒適，并且可以提供快速的初始訓練，自適應性較強，這一特點對于可穿戴的人機界面應用至關重要。但是，目前該系統所檢測的生理信號會因用戶而異，并且不穩定。

豎起你的大拇指

與其他先進的手勢識別系統相比，該設備使用超維計算（HDC）來實現傳感器中的自適應學習，通過本地數據實時訓練、推理和模型更新，來適應不斷變化的情境，對手勢分類進行實時推斷的實時推斷。例如，如果設備佩戴者的手臂上有汗水或手臂舉過頭頂，與特定手勢相關的電信號會發生變化，HD 算法可以將這些新信息納入其模型。

Moin說：“在手勢識別中，sEMG 信號會隨著時間的推移而改變，這可能會影響模型的性能，我們能夠通過更新設備上的模型來大大提高分類精度。”

圖 | 研究中使用的手勢類別和 sEMG 記錄特征（來源：Nature Electronics）

通過模型訓練，該系統成功識別了 21 個單獨的手勢，包括豎起大拇指、握拳、平手、舉起單個手指和數數字。

該設備的另一個優勢是，所有的數據運算都在芯片上進行，無需將個人數據傳送到附近的電腦或設備上，這不僅加快了計算速度，還確保了個人生物數據的私密性。

Moin 表示：“當你想讓手部肌肉收縮時，你的大腦會通過頸部和肩部的神經元向手臂和手部的肌肉纖維發送電信號。從本質上講，臂帶中的電極所檢測到的就是這個電信號。它并不是那么精確，從某種意義上說，我們無法精確地指出到底是哪些纖維被觸發了，但由于電極的分布密度較高，它仍然可以學習識別某些模式。”

論文通訊作者之一、加州大學伯克利分校的電機工程和計算機科學系杰出教授 Jan Rabaey 表示：“當亞馬遜或蘋果公司創建他們的算法時，他們會在云端運行一堆軟件來創建模型，然后將模型下載到設備上。但是，在設備的使用過程中，往往會被所輸入的特定模型所困。如今，我們實現了一個在設備本身完成學習的過程，而且它的速度極快，你只需要執行一次，它就會開始做這項工作。你做的次數越多，設備的性能就會變得越好。它在不斷學習，這也是人類的工作方式。”

Rabaey 表示，該設備尚未準備好商用，可能還需要進行一些調整。

“這些技術大多數已經存在于其他地方，但是該設備的獨特之處在于，它將生物傳感、信號處理和解釋以及 AI 集成到一個系統中，而且該系統具有尺寸小、設計靈活、低功率等優點。”

責任編輯：PSY