帶有印刷柔性電極的自適應機器學習功能的可穿戴生物感測系統，用於手勢識別

想象一下在沒有鍵盤的情況下在計算機上打字，在沒有控制器的情況下玩影片遊戲或在沒有輪子的情況下駕駛汽車。

這是加利福尼亞大學伯克利分校的工程師開發的一種新裝置的目標之一，該裝置可以根據前臂中檢測到的電訊號識別手勢。該系統將可穿戴生物感測器與人工智慧（AI）相結合，有一天可以用於控制假肢或與幾乎任何型別的電子裝置進行互動。

加州大學伯克利分校的研究人員建立了一種新裝置，該裝置將可穿戴生物感測器與人工智慧軟體結合在一起，可以根據前臂中的電訊號模式識別人打算做出的手勢。該裝置為更好的修復控制和與電子裝置的無縫互動鋪平了道路。 該研究成果發表在《Nature Electronics》"具有可用於手勢識別的感測器內自適應機器學習的可穿戴生物感測系統"，（2020年）。 DOI：10.1038 / s41928-020-00510-8。

"假肢是這項技術的重要應用之一，但除此之外，它還提供了一種非常直觀的與計算機通訊的方式，"曾在加州大學伯克利分校電氣工程和計算機科學系攻讀博士學位的新論文的第一作者阿里·Moin說 。"讀取手勢是改善人機互動的一種方法。儘管還有其他方法，例如透過使用攝像頭和計算機視覺，這是一個很好的解決方案，還可以維護個人的隱私。"

用於sEMG的可穿戴生物感測系統

為了建立手勢識別系統，該團隊與加州大學伯克利分校電氣工程學教授安娜·阿里亞斯（Ana Arias）合作，設計了一種靈活的臂章，可以讀取前臂上64個不同點的電訊號。然後將電訊號饋送到電子晶片，該晶片用AI演算法程式設計，該演算法能夠將前臂中的這些訊號模式與特定手勢相關聯。

該團隊成功地教授了該演算法來識別21種單獨的手勢，包括豎起大拇指，拳頭，平坦的手，舉起單獨的手指並計數數字。"當您希望手部肌肉收縮時，大腦會透過脖子和肩膀的神經元向手臂和手部的肌纖維傳送電訊號，" Moin說。"從本質上講，袖帶中的電極所感應到的就是這個電場。這並不是那麼精確，因為我們無法確定觸發了哪些確切的纖維，但是在電極密度高的情況下，它仍然可以學會識別某些模式。"

用於sEMG的可穿戴生物感測系統。

研究中使用的手勢類別和sEMG記錄特徵。

超維計算演算法的高階AI

像其他AI軟體一樣，該演算法必須首先"學習"手臂中的電訊號如何與各個手勢相對應。為此，每個使用者必須在一個接一個地做手勢的同時戴上袖帶。

但是，新裝置使用一種稱為超維計算演算法的高階AI，該演算法可以使用新資訊更新自身。

舉例來說，如果與特定相關的電訊號手的姿勢變化，因為使用者的手臂變得吃力，或者提高他們的頭頂上他們的手臂，該演算法可以將這些新資訊納入其模型。

用於將sEMG資料視窗投影到超向量的超維計算演算法。

Moin說："在手勢識別中，您的訊號將隨著時間而改變，這可能會影響模型的效能。" "透過更新裝置上的模型，我們能夠大大提高分類的準確性。"

新裝置的另一個優點是，所有計算都在晶片上本地進行：沒有個人資料傳輸到附近的計算機或裝置。這不僅加快了計算時間，而且還確保了個人生物資料的私密性。

感測器內訓練，更新和分類結果。

"當亞馬遜或蘋果建立演算法時，他們會在雲中執行一堆軟體來建立模型，然後將模型下載到您的裝置上，"唐納德·O·佩德森（Donald O. Pedersen）傑出的電氣工程學教授揚·拉巴伊（Jan Rabaey）說。伯克利和該論文的高階作者。"問題在於，您只能使用該特定模型。在我們的方法中，我們實施了一個過程，該過程是在裝置本身上進行學習的。這非常快：您只需要執行一次，然後開始做這項工作。但是，如果做更多次，它就會變得更好。因此，它是不斷學習，這就是人類的工作方式。"

雖然該裝置尚未準備好用於商業產品，但Rabaey表示，可能需要進行一些調整才能達到目標。

"這些技術大多數已經存在於其他地方，但是該裝置的獨特之處在於它將生物感測，訊號處理和解釋以及人工智慧整合到一個相對較小，靈活且具有低功耗預算的系統中，" Rabaey說。