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(xiàn)。

如今，由加州大學伯克利分校的工程師們開發(fā)出的一種新型可穿戴設備或許可以實現(xiàn)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(jù)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(fā)表在 Nature Electronics 上。

（來源：Nature Electronics）

對此，該設備的研發(fā)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(xiàn)實

近年來，可穿戴式生物傳感器在健康監(jiān)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(tǒng)實現(xiàn)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(tǒng)具有許多優(yōu)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(fā)了可穿戴的高密度 sEMG 生物傳感系統(tǒng)。該可穿戴系統(tǒng)總重量為 26g，也就是一塊表的重量，佩戴十分方便;系統(tǒng)所使用的電池為 3．7V、240mAh 的鋰離子電池，連續(xù)手勢識別續(xù)航時間長達 6 小時。

圖 | sEMG 可穿戴生物傳感系統(tǒng)。a． 位于前臂上的設備;b． 絲網(wǎng)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(tǒng)的主要組件的框架圖。（來源：Nature Electronics）

為了創(chuàng)建手勢識別系統(tǒng)，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(lián)。要實現(xiàn)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(tǒng)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(tǒng)所檢測的生理信號會因用戶而異，并且不穩(wěn)定。

豎起你的大拇指

與其他先進的手勢識別系統(tǒng)相比，該設備使用超維計算（HDC）來實現(xiàn)傳感器中的自適應學習，通過本地數(shù)據(jù)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(fā)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?！?/p>

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(tǒng)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(shù)數(shù)字。

該設備的另一個優(yōu)勢是，所有的數(shù)據(jù)運算都在芯片上進行，無需將個人數(shù)據(jù)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(shù)據(jù)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(jīng)元向手臂和手部的肌肉纖維發(fā)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(fā)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?！?/p>

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(chuàng)建他們的算法時，他們會在云端運行一堆軟件來創(chuàng)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(xiàn)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(zhí)行一次，它就會開始做這項工作。你做的次數(shù)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?！?/p>

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(shù)已經(jīng)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(tǒng)中，而且該系統(tǒng)具有尺寸小、設計靈活、低功率等優(yōu)點?！?/p>

責任編輯：PSY