電極位置的示意圖和實(shí)物圖。下圖是該團(tuán)隊(duì)使用的假手機(jī)器人

沈陽工業(yè)大學(xué)和東京電氣通信大學(xué)的研究人員正試圖找出如何使假手對手臂運(yùn)動做出反應(yīng)。

在過去的十年里，科學(xué)家們一直在試圖找出如何使用表面肌電圖（EMG）信號來控制假肢。肌電圖信號是導(dǎo)致我們肌肉收縮的電信號。它們可以通過將電極針插入肌肉來記錄。表面EMG是用放置在肌肉上方皮膚上的電極來記錄。

表面肌電圖可用于使假肢反應(yīng)更快，移動更自然。然而，中斷，如電極的移動，會使設(shè)備難以識別這些信號。克服這個(gè)問題的方法之一是進(jìn)行表面EMG信號訓(xùn)練。訓(xùn)練對截肢者來說可能是一個(gè)漫長的過程，有時(shí)也很困難。

因此，許多研究人員已經(jīng)轉(zhuǎn)向了機(jī)器學(xué)習(xí)。通過機(jī)器學(xué)習(xí)，假肢可以學(xué)習(xí)表示手勢的肌肉運(yùn)動和電極的運(yùn)動之間的區(qū)別。

發(fā)表在《機(jī)械人和仿生系統(tǒng)》上的一項(xiàng)研究的作者開發(fā)了一種獨(dú)特的機(jī)器學(xué)習(xí)方法，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶（LSTM）人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來。他們選擇這兩種方法是因?yàn)樗鼈兙哂谢パa(bǔ)的優(yōu)勢。

CNN能很好地捕捉表面EMG信號的空間維度，并理解它們與手勢的關(guān)系。它在處理時(shí)間方面有困難。手勢是隨著時(shí)間發(fā)生的，但CNN忽略了連續(xù)肌肉收縮的時(shí)間信息。通常情況下，CNN被用于圖像識別。

LSTM通常用于手寫和語音識別。這種神經(jīng)網(wǎng)絡(luò)善于處理、分類，并根據(jù)隨時(shí)間變化的數(shù)據(jù)序列做出預(yù)測。然而，它們對假肢來說不是很實(shí)用，因?yàn)橛?jì)算模型的大小會太昂貴。

該研究小組創(chuàng)建了一個(gè)混合模型，結(jié)合了CNN的空間意識和LSTM的時(shí)間意識。最后，他們減少了深度學(xué)習(xí)模型的大小，仍然保持了高精確度和強(qiáng)大的抗干擾能力。

該系統(tǒng)在10名非殘障人士身上進(jìn)行了一系列16種不同手勢的測試。該系統(tǒng)的識別準(zhǔn)確率超過80%。它在大多數(shù)手勢上表現(xiàn)良好，如拿手機(jī)或筆，但在使用中指和食指捏東西時(shí)卻很困難。據(jù)該團(tuán)隊(duì)稱，總體而言，其結(jié)果超過了傳統(tǒng)的學(xué)習(xí)方法。

研究人員的最終目標(biāo)是開發(fā)一個(gè)靈活可靠的假手。他們的下一步是進(jìn)一步提高該系統(tǒng)的準(zhǔn)確性，并找出它在捏住手勢時(shí)掙扎的原因。