電極位置的示意圖和實物圖。下圖是該團隊使用的假手機器人

沈陽工業大學和東京電氣通信大學的研究人員正試圖找出如何使假手對手臂運動做出反應。

在過去的十年里，科學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更快，移動更自然。然而，中斷，如電極的移動，會使設備難以識別這些信號?？朔@個問題的方法之一是進行表面EMG信號訓練。訓練對截肢者來說可能是一個漫長的過程，有時也很困難。

因此，許多研究人員已經轉向了機器學習。通過機器學習，假肢可以學習表示手勢的肌肉運動和電極的運動之間的區別。

發表在《機械人和仿生系統》上的一項研究的作者開發了一種獨特的機器學習方法，將卷積神經網絡（CNN）和長短期記憶（LSTM）人工神經網絡結合起來。他們選擇這兩種方法是因為它們具有互補的優勢。

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系。它在處理時間方面有困難。手勢是隨著時間發生的，但CNN忽略了連續肌肉收縮的時間信息。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。這種神經網絡善于處理、分類，并根據隨時間變化的數據序列做出預測。然而，它們對假肢來說不是很實用，因為計算模型的大小會太昂貴。

該研究小組創建了一個混合模型，結合了CNN的空間意識和LSTM的時間意識。最后，他們減少了深度學習模型的大小，仍然保持了高精確度和強大的抗干擾能力。

該系統在10名非殘障人士身上進行了一系列16種不同手勢的測試。該系統的識別準確率超過80%。它在大多數手勢上表現良好，如拿手機或筆，但在使用中指和食指捏東西時卻很困難。據該團隊稱，總體而言，其結果超過了傳統的學習方法。

研究人員的最終目標是開發一個靈活可靠的假手。他們的下一步是進一步提高該系統的準確性，并找出它在捏住手勢時掙扎的原因。