Nature 新作：用神经网络去除可穿戴设备运动伪迹（徐升课题组新作）

云深无际

发布于 2026-01-07 14:01:39

2270

文章被收录于专栏：云深之无迹云深之无迹

最近一篇论文挺火的：

没错，就是徐升老师的文章（就之前写超声波的那个）

设计一套系统：

能发 nature 的文章，图都是一大亮点

很简单，就是一些传感器，通过一个 RF 出来，用神经网络降噪（对，主要是说这个），然后控制一个机械臂。

现实中使用 IMU（加速度计+陀螺仪）做手势识别最大的问题就是：运动伪迹——IMU 不仅测手势，也会测到：走路身体上下颤动，跑步手臂摆动，高频震动（如按摩枪），重力方向变化导致的 baseline 改变，海浪造成的随机摇动；这些“运动伪迹”的频率和幅度与真正的手势信号重叠且无法简单滤波去除。

对的

想到了海边的港科大

传统方法失效的原因

方法	为什么不行？
bandpass、wavelet、PCA	假设运动噪声与信号频率特性不同（对 IMU 不成立）
自适应滤波	需要参考噪声通道，难以获得
多 IMU 差分	IMU 不完全同步/对齐，震动不一致
传统 ML	通常只训练“模拟噪声”（Gaussian），不含真实运动环境

IMU 手势识别最棘手的问题在于： 噪声的幅度/频率往往比真实手势更大，并且与手势高度重叠。

作者的关键突破：用“深度学习 + 复合数据集”解决真实运动伪迹

核心方法在图 1（Page 2）：

这是咱们信号链的重点部分

总体架构：

6 通道 IMU（acc x/y/z，gyro roll/yaw/pitch），EMG 两电极；蓝牙 MCU（数据处理 + 无线）；可拉伸电池（Zn/Ag₂O，25mAh，可拉伸 20%）；深度学习网络不是训练在干净数据上，而是训练在“复合数据集”上。

复合训练数据集（Composite Dataset）是什么？

见 Fig. 3a（Page 5）

作者做了：

采集纯手势信号

19 种前臂手势，对应六轴 IMU；姿势包括：向上/下、向左/右、旋转 wrist 等（Fig. 2a，Page 4）。

采集真实噪声（运动伪迹）

躺下姿态（重力方向变化 → baseline 大幅漂移）；按摩枪高频震动（Fig. 2c）；跑步摆臂（Fig. 2d）；每种噪声都被分割成多个“片段（stage）”，确保不重复导致 overfitting（Extended Fig. 4）。

将手势信号 + 噪声进行叠加

生成 superimposed signal，如图 Fig. 3a；这一点是论文的最大贡献之一用真实噪声训练，使深度网络学会“去噪”并提取手势的主要成分。

CNN 网络结构（定制 LeNet-5）

结构在 Fig. 3c（Page 5）：

输入：100 点 × 6 通道（一秒采样）

三层 1D 卷积（16 → 32 → 64 kernels）

三层 Max pooling

Flatten

三层 Fully connected

Loss = cross-entropy

所有 IMU 六通道先 reshape 成单一 channel 的 100×6 输入矩阵。

效果：Recall、Precision、Specificity 都 >0.93；几个深度模型中 CNN 最好（Fig. 3b）

（神经网络不是行家，打住了，不卖弄学识了）

信号链设计

然后这个连线，上个文章也是这样的，大概就是电气 2 层，下面是电源

一眼 Nordic，但是这个走线还是比较考究的，因为要在一层走的差不多

顶层总览：从人体到机械臂的一条链

用一句话概括整条链路：

人体手势 & 肌电 → IMU/EMG 传感 → 模拟前端放大&滤波 → nRF51822 内置 ADC/I²C → BLE 无线 → PC（MATLAB+Python）→ CNN 手势识别 + EMG 开/关判决 → 串口控制机械臂各关节动作

可以拆成 3 个层级：

BOM

可穿戴端（硬件+本地采样层）

柔性电池（Zn–Ag₂O）供电 3 V

6 轴 IMU（LSM6DS3）采集前臂姿态/运动

干电极 EMG（Cu/CNT/PDMS）+ AD8426 仪表放大器采集抓/放肌电

我就说芯片封装有点眼熟，原来是 INA

nRF51822 BLE MCU：

其实这个已经是算老片子了，但是没有关系

I²C 读 IMU

内置 10-bit ADC 采 EMG

BLE 发到 PC

上位机端（信号处理+决策层）

PC 上的 BLE 接收器收 IMU+EMG 数据

IMU → Python：CNN 手势分类（1 s 滑窗，0.25 s 步长）

EMG → MATLAB：数字滤波（30–200 Hz BP + 60 Hz notch）→ RMS → 阈值判决抓/放

Python 与 MATLAB 通过 TCP/IP 交互预测结果（CNN 输出 → MATLAB 控制）

可穿戴端硬件信号链

电源 & 机械结构

柔性层叠结构：

底层织物基底，上面叠加：伸缩电池 → 多层 Cu 互连电路 → EMG 电极 → IMU/MCU 器件，通过柔性硅胶/SEBS 封装、VIAs 连接各层

电池：Ag₂O–Zn 伸缩电池

工作原理：Zn/Ag₂O 半电池反应（碱性电解质，PVA hydrogel）

标称电压约 1.56 V，叠层后给 3 V 系统供电

容量约 25 mAh，可在 20% 拉伸下多次循环，>4 h 运行时间，传感器总功耗约 15 mW

热行为：30 min 运行后表面温度约 27.7 ℃，低于皮肤，热安全性 OK（Supplementary Fig.4）

IMU 信号链（姿态/运动）

传感器：LSM6DS3（ST）

3 轴加速度计（电容式 MEMS，采用双电容板+质量块结构）

3 轴陀螺仪（测角速度，重力不影响其 baseline）

电路连接：

IMU 电源端：0.1 µF 去耦电容（C2 等）

I²C 线（SCL/SDA）：10 kΩ 上拉电阻到 3 V（R9 等），所有参数按 LSM6DS3 datasheet 推荐值设计

信号特性：

加速度信号同时包含：

前臂手势信号；重力分量（姿态改变→baseline 变化）；外界运动伪迹（跑步、震动、海浪等）；陀螺仪基线不受重力影响，只对角速度敏感（Supplementary Fig.8）

IMU→MCU 接口：

nRF51822 通过 I²C 读 6 通道数据

每 1 秒收集固定长度的时间序列（用于 CNN 的 1 s 窗口）

这里 IMU 没有额外模拟前端，走完全数字链路：传感 → 数模内部调理 → 数字寄存器 → I²C。

EMG 信号链（抓/放检测）

电极结构：

Tri-layer 干电极：

上层：Cu 薄膜岛（可焊接，低阻）

中间：CNT/PDMS 导电弹性层

下层：柔性基底，与皮肤贴合（“岛-桥”蛇形结构提升伸缩性）

干电极 → 无 gel，长期佩戴无刺激；通过 CNT 提高导电性、降低皮肤阻抗。

皮肤-电极阻抗随湿度/汗水降低（运动后 SNR 从 60 dB 提升到 78 dB）

模拟前端：AD8426 仪表放大器

输入：左右 EMG 电极的差分信号

输入高通滤波： 两端之间串联一个 200 kΩ 电阻 + 0.1 µF 电容构成高通，切掉 DC 与极低频运动伪迹

截止频率（量级）

增益设定：

R3 = 499 Ω → 增益约 100（按 AD8426 datasheet 推荐）

输出端串联一个电阻 R6，限流/限压，避免过载 MCU ADC 输入。

EMG→MCU ADC：

nRF51822 内置 10-bit ADC 采样 EMG 模拟输出

模拟前端只做初级滤波 + 放大 + DC 抑制，频域清理主要在上位机数字滤波完成（下面会讲）。

MCU & BLE 通信链路

核心器件：nRF51822（BLE MCU）

负责：I²C 采集 IMU 数据；ADC 采集 EMG；BLE 协议栈 & 无线发送；供电：3 V 电池

去耦电容 C9–C13，时钟使用：32.768 kHz 晶振（低功耗模式）；16 MHz 晶振（正常运行）

射频前端：

2.4 GHz 天线 + 匹配网络（L、C 元件，具体值见 Supplementary Table 1）

BLE 功耗：传输时电流瞬时上升（power meter 波形有“毛刺”）；整体平均功耗 15 mW（电池供电下可运行>4 h）

水下通信特性：

Supplementary Fig.37 测了不同水深下 BLE RSSI，发现水下通信距离只有几米级甚至更短，原因是：海水电导率高 → 射频衰减系数 α = √(π f μ σ) 很大；BLE 发射功率本来就小（为了省电 + 小天线）；论文附加讨论了可改用声学波/光学波/复合声光通信作远距水下链接（表 3，对比三种物理层）