加州大学伯克利分校研发用于手势识别的可穿戴生物传感系统

带有印刷柔性电极的自适应机器学习功能的可穿戴生物传感系统，用于手势识别

想象一下在没有键盘的情况下在计算机上打字，在没有控制器的情况下玩视频游戏或在没有轮子的情况下驾驶汽车。

这是加利福尼亚大学伯克利分校的工程师开发的一种新设备的目标之一，该设备可以根据前臂中检测到的电信号识别手势。该系统将可穿戴生物传感器与人工智能(AI)相结合，有一天可以用于控制假肢或与几乎任何类型的电子设备进行交互。

加州大学伯克利分校的研究人员创建了一种新设备，该设备将可穿戴生物传感器与人工智能软件结合在一起，可以根据前臂中的电信号模式识别人打算做出的手势。该设备为更好的修复控制和与电子设备的无缝交互铺平了道路。 该研究成果发表在《Nature Electronics》"具有可用于手势识别的传感器内自适应机器学习的可穿戴生物传感系统"，(2020年)。 DOI：10.1038 / s41928-020-00510-8。

"假肢是这项技术的重要应用之一，但除此之外，它还提供了一种非常直观的与计算机通讯的方式，"曾在加州大学伯克利分校电气工程和计算机科学系攻读博士学位的新论文的第一作者阿里·Moin说 。"读取手势是改善人机交互的一种方法。尽管还有其他方法，例如通过使用摄像头和计算机视觉，这是一个很好的解决方案，还可以维护个人的隐私。"

用于sEMG的可穿戴生物传感系统

为了创建手势识别系统，该团队与加州大学伯克利分校电气工程学教授安娜·阿里亚斯(Ana Arias)合作，设计了一种灵活的臂章，可以读取前臂上64个不同点的电信号。然后将电信号馈送到电子芯片，该芯片用AI算法编程，该算法能够将前臂中的这些信号模式与特定手势相关联。

该团队成功地教授了该算法来识别21种单独的手势，包括竖起大拇指，拳头，平坦的手，举起单独的手指并计数数字。"当您希望手部肌肉收缩时，大脑会通过脖子和肩膀的神经元向手臂和手部的肌纤维发送电信号，" Moin说。"从本质上讲，袖带中的电极所感应到的就是这个电场。这并不是那么精确，因为我们无法确定触发了哪些确切的纤维，但是在电极密度高的情况下，它仍然可以学会识别某些模式。"

用于sEMG的可穿戴生物传感系统。

超维计算算法的高级AI

像其他AI软件一样，该算法必须首先"学习"手臂中的电信号如何与各个手势相对应。为此，每个用户必须在一个接一个地做手势的同时戴上袖带。

但是，新设备使用一种称为超维计算算法的高级AI，该算法可以使用新信息更新自身。

举例来说，如果与特定相关的电信号手的姿势变化，因为用户的手臂变得吃力，或者提高他们的头顶上他们的手臂，该算法可以将这些新信息纳入其模型。

用于将sEMG数据窗口投影到超向量的超维计算算法。

Moin说："在手势识别中，您的信号将随着时间而改变，这可能会影响模型的性能。" "通过更新设备上的模型，我们能够大大提高分类的准确性。"

新设备的另一个优点是，所有计算都在芯片上本地进行：没有个人数据传输到附近的计算机或设备。这不仅加快了计算时间，而且还确保了个人生物数据的私密性。

传感器内训练，更新和分类结果。

"当亚马逊或苹果创建算法时，他们会在云中运行一堆软件来创建模型，然后将模型下载到您的设备上，"唐纳德·O·佩德森(Donald O. Pedersen)杰出的电气工程学教授扬·拉巴伊(Jan Rabaey)说。伯克利和该论文的高级作者。"问题在于，您只能使用该特定模型。在我们的方法中，我们实施了一个过程，该过程是在设备本身上进行学习的。这非常快：您只需要执行一次，然后开始做这项工作。但是，如果做更多次，它就会变得更好。因此，它是不断学习，这就是人类的工作方式。"

虽然该设备尚未准备好用于商业产品，但Rabaey表示，可能需要进行一些调整才能达到目标。

"这些技术大多数已经存在于其他地方，但是该设备的独特之处在于它将生物传感，信号处理和解释以及人工智能集成到一个相对较小，灵活且具有低功耗预算的系统中，" Rabaey说。