沉阳工业大学和东京电子通信大学的研究人员正试图弄清楚如何使假手对手臂运动做出反应。
在过去的十年里，科学家们一直在试图弄清楚如何使用表面肌电图 (EMG) 信号来控制假肢。EMG 信号是导致我们肌肉收缩的电信号中国机械网okmao.com。它们可以通过将电极针插入肌肉来记录。表面肌电图是用放置在肌肉上方皮肤上的电极记录的。
表面肌电图可用于让假肢反应更快，移动更自然。然而，中断（例如电极的移动）会使设备难以识别这些信号。克服这个问题的一种方法是进行表面 EMG 信号训练。对于截肢者来说，培训可能是一个漫长且有时困难的过程。
因此，许多研究人员转向机器学习。通过机器学习，假肢可以学习指示手势的肌肉运动和电极运动之间的差异。
发表在 Cyborg and Bionic Systems上的一项研究的作者 开发了一种独特的机器学习方法，该方法结合了卷积神经网络 (CNN) 和长短期记忆 (LSTM) 人工神经网络。他们之所以选择这两种方法，是因为它们的优势互补。
CNN 擅长处理表面 EMG 信号的空间维度并理解它们与手势的关系。它与时间作斗争。手势随着时间的推移而发生，但 CNN 忽略了持续肌肉收缩中的时间信息。通常，CNN 用于图像识别。
LSTM 通常用于手写和语音识别。该神经网络擅长根据数据序列随时间推移进行处理、分类和预测。然而，它们对于假肢来说不是很实用，因为计算模型的大小太昂贵了。
研究团队创建了一个混合模型，结合了 CNN 的空间感知和 LSTM 的时间感知。最终，他们缩小了深度学习模型的大小，仍然保持了高精度和强大的抗干扰能力。
该系统使用一系列 16 种不同的手势对 10 名非截肢受试者进行了测试。该系统的识别准确率超过80%。它在大多数手势上都做得很好，比如拿着手机或笔，但在用中指和食指捏时却很吃力。总体而言，根据该团队的说法，结果超过了传统的学习方法。
研究人员的最终目标是开发一种灵活可靠的假手。他们接下来的步骤是进一步提高系统的准确性，并找出它为什么会在捏合手势方面遇到困难。