如何通过可拉伸多通道sEMG传感器实现静态和动态

随着基于人工智能（AI）算法的进步，表面肌电信号（sEMG）的手势识别精度不断提高。时空多通道sEMG信号大大增加了任何类型研究的数据量和可靠性。

据麦姆斯咨询报道，近日，韩国成均馆大学的研究人员开发了一种双极可拉伸sEMG电极阵列，其具有基于自注意力的图神经网络（GNN），可高精度地识别手势。该阵列被设计为在空间上覆盖骨骼肌，以获取18种不同手势的肌电信号（EMG）活动的区域采样数据。基于人工智能GNN的系统经过训练，可以识别静态和动态手势，准确率高达97%。此外，阵列传感器上的粘性补孔可实现类似皮肤的属性，如可拉伸性和水蒸气渗透性，并有助于传输稳定的EMG信号。此外，即使经过超过72小时的长期测试和10次以上的重复使用，识别准确度仍保持不变（~95%）。

在本项研究中，可拉伸多通道sEMG传感器系统的整体工作原理如下图所示。可拉伸sEMG传感器贴片被佩戴在人体模型的前臂周围，并且最上面有一个无线采集设备。前臂骨骼肌肉在神经激活下与皮肤上的多通道EMG传感器连接，以产生EMG信号。该信号由数据采集系统检测，并使用板载蓝牙技术进行无线传输，随着时间的推移，收集的原始sEMG数据集被转换为类似图像的表达形式，作为神经网络模型的输入数据，用于高精度手势识别系统。

用于静态和动态手势识别系统的带有GNN的可拉伸阵列sEMG传感器概念图

本项研究所开发的传感器有2 × 10个电极，其中8对（垂直于传感器设计的中性轴）用作双极电极（测量电极）来记录sEMG信号，其余4个电极用作参考电极（接地电极）以降低背景噪声。每个电极都是六方聚酰亚胺（PI）支撑的薄金属布局，具有基于Kirigami（一种剪纸艺术）的蛇形布线几何结构，称为Kirigami蛇形金属（KSM）电极。

不同手势对应的EMG信号的手势识别精度因阵列传感器的位置不同而不同。多次采集期间传感器位置的偏差会导致精度下降。这种变化主要归因于肌肉间的串扰，因此需要一个确定的传感器位置，以实现任何期望的操作目标。研究人员总共使用了18种手势，包括休息手势（1种）、静态手势（13种）和动态手势（4种）。为了找到对应于18种手势的阵列传感器在皮肤上的最佳位置，考虑了四个位置，并使用基于人工智能的图神经网络模型，根据手势识别精度，评估了皮肤上位置1-4中最适合的传感器位置。位置2表现出97.76±0.03%的最高准确度。传感器电极位置与不同类型的肌肉很好地对准，这可能是位置2具有高精度的原因。

大面积sEMG传感器阵列，可连续实时监测前臂的各种静态和动态手势

为了确认sEMG传感器阵列的长期可用性，每24小时记录一次sEMG信号，实验观察到所有通道的原始sEMG信号在72小时内几乎没有变化，证明了阵列传感器的长期稳定性。同样，基于使用阵列传感器测量的sEMG信号，对可重用性测试进行了定性评估。该结果与长期可用性的结果相似，并证明了传感器在重复取下和佩戴循环下传输稳定EMG信号的鲁棒性。

通过记录18种手势的sEMG信号和图注意力网络，评估皮肤上可拉伸阵列传感器的长期可用性

总之，研究人员开发了一种大面积、可拉伸、双极sEMG传感器电极阵列，集成了板载蓝牙实时采集设备，用于sEMG信号的无线监测。研究人员同时报道了一种基于人工智能GNN的系统，该系统经过训练可以识别包括静态和动态手势在内的18种手势，平均准确率为97%。该传感器系统利用由可拉伸、粘性和透气的贴片支撑的可拉伸电极阵列来记录稳定的EMG信号，以实现长期可用性。sEMG阵列传感器由可拉伸的贴片机械支撑，提供了稳定的传感器性能，同时在长期可用性和重复可使用性下保持了几乎相同的手势识别精度。由于手势的快速准确识别，该系统可以实现从义肢到虚拟现实（VR）的高效控制应用。它甚至可能适用于手语，在手语中，视觉交流模式可以通过手势或手语进行，这种手势或手语通常由听力障碍者和聋人使用。

编辑：黄飞