自計(jì)算機(jī)誕生以來，人機(jī)輸入技術(shù)始終在「便攜性、帶寬與普適性」之間艱難權(quán)衡：鍵盤、鼠標(biāo) 與觸控雖已成熟，卻都離不開實(shí)體設(shè)備；視覺或慣性手勢雖可擺脫器件，但對光照、遮擋極為敏感。腦?機(jī)接口曾被寄望解決這一困境，卻長期局限于侵入式電極、專人專模的昂貴路線。

鑒于此，腦機(jī)接口初創(chuàng)公司 CTRL-Labs聯(lián)合創(chuàng)始人Patrick Kaifosh與Thomas Reardon提出了一種可穿戴、干電極、腕帶式表面肌電（sEMG）接口。通過在成千上萬名志愿者身上采集高質(zhì)量訓(xùn)練數(shù)據(jù)，研究者訓(xùn)練出可跨人群通用的解碼模型，使用戶在零校準(zhǔn)狀態(tài)下即可完成連貫手勢導(dǎo)航（0.66 次目標(biāo)獲取·s?1）、離散指令（0.88 次檢測·s?1）和手寫輸入（20.9 詞·min?1），若再用20 min個性化數(shù)據(jù)微調(diào)，手寫錯誤率還能再降16%。相關(guān)研究成果以題為“A generic non-invasive neuromotor interface for human-computer interaction”發(fā)表在最新一期《nature》上。 全文作者達(dá)到247人。

值得一提的是， CTRL-labs 由Thomas Reardon和Patrick Kaifosh創(chuàng)立，他們兩位都獲得了哥倫比亞大學(xué)的神經(jīng)科學(xué)博士學(xué)位。在這其中，年僅 49 歲的雷登是擔(dān)任 CTRL-labs 公司 CEO 職位。2019年，F(xiàn)acebook AR / VR 副總裁安德魯·博茲·博斯沃思（Andrew "Boz" Bosworth）在他的個人 Facebook 帖子上宣布收購腦機(jī)接口初創(chuàng)公司 CTRL-Labs。這是 Facebook 公司在過去五年中完成的最大收購案，自 2014 年以 20 億美元收購虛擬現(xiàn)實(shí)公司 Oculus VR 以來，這筆交易價值約為 10 億美元。下圖是CTRL-labs 的作者詳細(xì)名單。

【 可擴(kuò)展的 sEMG 記錄平臺】

作者展示了整套硬件與數(shù)據(jù)平臺（圖1）。腕帶內(nèi)置48 電極，構(gòu)成16 雙極通道，2 kHz 采樣，噪聲僅2.46 μVrms；四種尺寸可在幾秒內(nèi)佩戴完成（圖1a、1b）。研究者為162–6 627 名參與者設(shè)計(jì)了三類采集任務(wù)：一維光標(biāo)追蹤、九類手勢以及無筆手寫（圖1c）。原始信號揭示出手指屈伸肌群的精細(xì)放電模式（圖1d、1e），為監(jiān)督學(xué)習(xí)提供了豐富樣本。

圖 1. 用于腕部 sEMG 高通量記錄和實(shí)時解碼的硬件和軟件平臺

【 單一參與者模型不具有普遍性】

作者進(jìn)一步闡釋了模型泛化（圖2）。單人模型跨會話尚可依賴增量數(shù)據(jù)降低漏檢率，但跨用戶誤差依舊居高不下；相反，多人通用模型在樣本量參數(shù)量呈冪律擴(kuò)張時，腕角速度誤差可低至≈8° s?1 ，手寫字符錯誤率約10%，手勢分類誤差≈20%（圖2e–g），證實(shí)了大規(guī)模數(shù)據(jù)對非侵入式接口的決定性價值。

圖 2 . 單參與者和多參與者模型的泛化性能

【 通用模型的在線評估】

圖3聚焦閉環(huán)性能。17 名新人在連續(xù)光標(biāo)任務(wù)中平均1.51 s命中目標(biāo)；24 名新人以拇指滑動、食中指長按等動作在離散網(wǎng)格中達(dá)成0.88 指令·s?1；20 名新人在文本輸入中取得20.9 WPM，字符錯誤率自練習(xí)到正式評測階段持續(xù)下降。相較傳統(tǒng)觸控板（0.68 s）、JoyCon 手柄（1.45 指令·s?1）及無筆手寫（25.1 WPM），腕帶性 能雖略遜，卻無需占用雙手，且始終可用。

圖 3 . 通用 sEMG 解碼模型能夠在不同的 交互中 實(shí)現(xiàn)閉環(huán)控制

【 離散手勢模型學(xué)習(xí)到的表示】

作者深入解讀了解碼網(wǎng)絡(luò)的“生理基底”（圖4） 。首層 Conv1d 卷積核在時空上自發(fā)形成與單個運(yùn)動單位動作電位（MUAP）高度相似的基函數(shù)（圖4b–4e）；隨后三層 LSTM 逐層拉開不同手勢的表征距離，同時壓縮參與者身份、腕帶位置及肌電功率等干擾維度（圖4f–4i），最終實(shí)現(xiàn)對“意圖”而非“噪聲”的穩(wěn)健編碼。

圖 4 . 離散手勢解碼器學(xué)習(xí)基于生理學(xué)的表征

【 個性化手寫模型可提高性能】

作者還說明了個性化微調(diào)的收益與邊界（圖5）：在6 400 人通用模型基礎(chǔ)上，僅20 min 個人數(shù)據(jù)即可將手寫 CER 再降16%，相當(dāng)于再收集約14000 min 外部數(shù)據(jù)；但預(yù)訓(xùn)練人群越大，個性化收益呈遞減趨勢，且過擬合會降低跨人適用性 ，提示未來需在泛化與�；g動態(tài)權(quán)衡。

圖 5. 通用 sEMG 手寫模型的個性化提高了性能

【總結(jié) 與展望】

該腕帶式 sEMG 接口突破了非侵入式帶寬瓶頸，實(shí)現(xiàn)了無需校準(zhǔn)的跨人群即插即用，從而為移動計(jì)算、增強(qiáng)現(xiàn)實(shí)乃至神經(jīng)康復(fù)打開新篇章。作者預(yù)言，借助更靈敏的硬件、多自由度映射及多模態(tài)傳感，肌電信號不僅可用于檢測指尖用力，還能探索肌動空間中的全新交互方式；對行動受限人群，這種“微努力”輸入亦有望成為普惠技術(shù)。未來，持續(xù)擴(kuò)充多樣化數(shù)據(jù)集、結(jié)合 IMU 或其他生物信號，并在臨床群體中驗(yàn)證通用模型，將是推動這一路線走向真實(shí)應(yīng)用的關(guān)鍵 。

來源：高分子科學(xué)前沿

聲明：僅代表作者個人觀點(diǎn)，作者水平有限，如有不科學(xué)之處，請?jiān)谙路搅粞灾刚?/p>