根据加州大学戴维斯分校的一项新研究，结合两种不同类型的信号可能有助于工程师制造更好地再现自然运动的义肢。这项研究于4月10日发表在《PLOS One》上，表明将肌电图（EMG）和力肌图（FMG）结合起来在预测手部动作方面比单独使用任一方法更为准确。
手部动作，例如抓握、捏和握住，都是由我们前臂肌肉的运动驱动的。这些运动会产生小的电信号，这些信号可以通过皮肤上的传感器读取，这种技术称为肌电图。
“通过传感器和机器学习，我们可以基于肌肉活动识别手势，”加州大学戴维斯分校机械与航空工程教授、论文的资深作者乔纳森·斯科菲尔德（Jonathon Schofield）说。
基于EMG的控制在实验室环境下表现良好，并且在肢体静止时效果也佳。但是，“位置和负载”问题非常显著。如果你将手臂移动到不同的位置——例如肩高，或在头顶上——或者抓住不同重量的物体，测量结果就会改变。
“在现实世界中，每当你移动肢体并抓住某物时，测量结果都会变化，”论文的第一作者、研究生佩顿·扬（Peyton Young）说。“中性位置（肢体被动地靠近身体的位置）与移动的效果非常不同。”
为了解决这个问题，扬和斯科菲尔德尝试了一种不同类型的测量方法，单独使用和与EMG结合使用。力肌图（FMG）测量手臂肌肉在收缩时如何膨胀。
扬构建了一个包围前臂的袖口，包含EMG和FMG传感器。他利用这个设备与一组健康志愿者在实验室中进行了一系列手臂动作，同时参与者抓住不同负重的物体。来自传感器的数据被送入机器学习算法，以将不同的动作分类为捏、拾、拳头等。算法使用单独的EMG或FMG信号，或者两者的组合进行训练。
在每个实验中，算法利用部分数据进行训练，并通过准确分类剩余数据的能力进行评分。
“我们在手势数据上训练分类器，然后对其预测能力进行评分，”扬说。
他们发现，位置和负载确实影响了手势分类的准确性。总体而言，EMG和FMG的组合提供了超过97%的分类准确率，而仅使用FMG的准确率为92%，仅使用EMG的准确率为83%。
扬现在正在研发一款结合FMG/EMG传感器的设备，团队正在朝着使用该技术的实验性义肢的目标努力。
斯科菲尔德表示，这种方法在义肢、机器人以及虚拟现实工具中可能有广泛的应用。团队非常受益于能够与加州大学戴维斯分校的临床义肢专家、外科医生和生物学家合作。
“没有接触实际患者和临床医生，我们是无法做到这一点的，”斯科菲尔德说。
论文的其他作者包括加州大学戴维斯分校的洪基勋（Kihun Hong）、伊登·温斯洛（Eden Winslow）、吉安卡洛·萨加斯图梅（Giancarlo Sagastume）、马库斯·巴特劳（Marcus Battraw）和理查德·惠特尔（Richard Whittle）。巴特劳现在在加州州立大学奇科分校任教。
