據麥姆斯咨詢報道，近日，韓國成均館大學的研究人員開發了一種雙極可拉伸sEMG電極陣列，其具有基于自注意力的圖神經網絡（GNN），可高精度地識別手勢。該陣列被設計為在空間上覆蓋骨骼肌，以獲取18種不同手勢的肌電信號（EMG）活動的區域采樣數據。基于人工智能GNN的系統經過訓練，可以識別靜態和動態手勢，準確率高達97%。此外，陣列傳感器上的粘性補孔可實現類似皮膚的屬性，如可拉伸性和水蒸氣滲透性，并有助于傳輸穩定的EMG信號。此外，即使經過超過72小時的長期測試和10次以上的重復使用，識別準確度仍保持不變（~95%）。

在本項研究中，可拉伸多通道sEMG傳感器系統的整體工作原理如下圖所示。可拉伸sEMG傳感器貼片被佩戴在人體模型的前臂周圍，并且最上面有一個無線采集設備。前臂骨骼肌肉在神經激活下與皮膚上的多通道EMG傳感器連接，以產生EMG信號。該信號由數據采集系統檢測，并使用板載藍牙技術進行無線傳輸，隨著時間的推移，收集的原始sEMG數據集被轉換為類似圖像的表達形式，作為神經網絡模型的輸入數據，用于高精度手勢識別系統。

用于靜態和動態手勢識別系統的帶有GNN的可拉伸陣列sEMG傳感器概念圖

本項研究所開發的傳感器有2 × 10個電極，其中8對（垂直于傳感器設計的中性軸）用作雙極電極（測量電極）來記錄sEMG信號，其余4個電極用作參考電極（接地電極）以降低背景噪聲。每個電極都是六方聚酰亞胺（PI）支撐的薄金屬布局，具有基于Kirigami（一種剪紙藝術）的蛇形布線幾何結構，稱為Kirigami蛇形金屬（KSM）電極。

不同手勢對應的EMG信號的手勢識別精度因陣列傳感器的位置不同而不同。多次采集期間傳感器位置的偏差會導致精度下降。這種變化主要歸因于肌肉間的串擾，因此需要一個確定的傳感器位置，以實現任何期望的操作目標。研究人員總共使用了18種手勢，包括休息手勢（1種）、靜態手勢（13種）和動態手勢（4種）。為了找到對應于18種手勢的陣列傳感器在皮膚上的位置，考慮了四個位置，并使用基于人工智能的圖神經網絡模型，根據手勢識別精度，評估了皮膚上位置1-4中的傳感器位置。位置2表現出97.76±0.03%的準確度。傳感器電極位置與不同類型的肌肉很好地對準，這可能是位置2具有高精度的原因。

大面積sEMG傳感器陣列，可連續實時監測前臂的各種靜態和動態手勢

為了確認sEMG傳感器陣列的長期可用性，每24小時記錄一次sEMG信號，實驗觀察到所有通道的原始sEMG信號在72小時內幾乎沒有變化，證明了陣列傳感器的長期穩定性。同樣，基于使用陣列傳感器測量的sEMG信號，對可重用性測試進行了定性評估。該結果與長期可用性的結果相似，并證明了傳感器在重復取下和佩戴循環下傳輸穩定EMG信號的魯棒性。

通過記錄18種手勢的sEMG信號和圖注意力網絡，評估皮膚上可拉伸陣列傳感器的長期可用性

研究人員開發了一種大面積、可拉伸、雙極sEMG傳感器電極陣列，集成了板載藍牙實時采集設備，用于sEMG信號的無線監測。研究人員同時報道了一種基于人工智能GNN的系統，該系統經過訓練可以識別包括靜態和動態手勢在內的18種手勢，平均準確率為97%。該傳感器系統利用由可拉伸、粘性和透氣的貼片支撐的可拉伸電極陣列來記錄穩定的EMG信號，以實現長期可用性。sEMG陣列傳感器由可拉伸的貼片機械支撐，提供了穩定的傳感器性能，同時在長期可用性和重復可使用性下保持了幾乎相同的手勢識別精度。由于手勢的快速準確識別，該系統可以實現從義肢到虛擬現實（VR）的高效控制應用。它甚至可能適用于手語，在手語中，視覺交流模式可以通過手勢或手語進行，這種手勢或手語通常由聽力障礙者和聾人使用。

論文信息：nature