-
日期: 2025-07-25 | 来源: 智东西 | 有0人参与评论 | 专栏: 马斯克 | 字体: 小 中 大
7月23日，Meta现实实验室（Reality Labs）在Nature上发表最新论文《A generic non-invasive neuromotor interface for human-computer interaction》（用于人机交互的通用非侵入式神经运动接口）。
这项创新主要推出了基于表面肌电图（sEMG）的通用型非侵入性神经运动接口。该接口以腕带形式呈现，无需通过侵入性手术，就能够精准捕捉手腕部位的神经信号，识别包括点击、滑动和捏合在内的多种手势意图，甚至在手部自然下垂的状态下也能实现隐蔽操作。
与传统的键盘、鼠标、触摸屏等输入设备不同，它摆脱了对中间设备的依赖。并且，相较于基于摄像头或惯性传感器的手势系统，它不受动作遮挡的影响。而与侵入性的脑机接口相比，它也无需定制解码器，且能在不同人群中实现通用化应用。
基于300多名受试者提供的超过100小时肌电数据，研究团队还开发出具有高度适应性的机器学习模型。该模型最显著的特点是无需个人校准即可实现高精度手势识别，而仅需少量个性化数据就能将笔迹识别准确率提升16%。
Meta在2023年通过Orion AR眼镜原型完成该成果的早期技术验证。
高灵敏度腕带+通用解码模型
为实现这一突破，研究团队从硬件和模型两方面着手。
硬件方面：该团队研发了一款高灵敏度、易佩戴的sEMG腕带（sEMG-RD）。
该腕带采用干电极、多通道记录设计，采样率达2kHz，噪音低至2.46μVrms，续航超过4小时，且有四种尺寸以适应不同腕围。其电极布局经过优化，能精准捕捉手腕、手部和前臂肌肉的电信号，甚至可检测到单个运动单位动作电位（MUAPs）。
在研发过程中，团队经过多次材料测试与结构优化，才确定了最终的腕带设计，以确保其佩戴舒适性与信号采集稳定性的平衡。
数据收集与模型训练方面：该团队构建了可扩展的数据收集基础设施，从数千参与者获取训练数据。
基于这些数据，团队开发出通用的sEMG解码模型。模型采用了多种深度学习架构，如用于手腕任务的长短期记忆（LSTM）层、用于离散手势任务的1D卷积层加LSTM层，以及用于手写任务的Conformer架构等，以适应不同交互场景的需求。
在模型训练阶段，研究人员还运用了迁移学习等先进技术，加速模型收敛，并通过不断调整超参数，提升模型的泛化能力与准确性。
0.88次/秒手势识别手写输入达20.9字/分钟
在连续导航任务中，sEMG的闭环手势解码中位数性能为0.66次/秒；这意味着用户在进行连续的手势操作以控制光标等对象在屏幕上导航时，平均每秒能够实现0.66次精准的目标获取，大大提升了操作效率。
- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见