加州大学研发EMG+FMG手势识别系统，准确率破97%

加州大学戴维斯分校的一支科研团队，正致力于一项颇具开创性的研究——将肌电图（EMG）与肌力图（FMG）技术深度融合，以实现对手部运动极为精准的识别。该团队表示，这项前沿技术有望在 VR 等众多领域大放异彩。

从原理上来说，像抓握、捏取等常见手势，本质上都是由前臂肌肉的运动所驱动的。当肌肉运动时，会产生极其微小的电信号，而可穿戴式传感器就能够精准捕捉到这些信号，这种技术便是肌电图（EMG）。

团队中的研究人员乔纳森·斯科菲尔德介绍道：“我们借助传感器与先进的机器学习算法，能够依据肌肉的活动情况，准确识别出不同的手势。”

不过，他也坦言，尽管基于肌电图的控制技术在实验室环境以及四肢处于静止状态时表现卓越，但实际应用中却面临着一个棘手的“位置和负载”难题。具体而言，当人们将手臂移动到不同位置，比如与肩膀齐平或者举过头顶，又或是抓取不同重量的物体时，测量所得的数据就会发生显著变化。

另一位研究人员佩顿·杨进一步解释道：“在现实生活的场景里，只要肢体发生移动或者抓取物体，测量结果就会随之改变。肢体的中立姿势（也就是肢体自然下垂、被动地放在身体旁边）与自由活动时的状态有着天壤之别。”

为了攻克这一难题，研究团队大胆创新，决定同时整合肌电图（EMG）和肌力图（FMG）这两种技术。

先来说说肌电图（EMG），它是一种通过记录肌肉电活动来评估神经肌肉功能的技术，能够清晰反映运动神经元激活肌肉纤维的全过程。当肌肉收缩时，运动神经元会发放电信号，促使肌纤维去极化，进而产生微弱的电流。此时，传感器捕捉到这些电信号后，经过放大和滤波处理，就能转化为可供深入分析的波形。

再看肌力图（FMG），它是通过测量肌肉收缩时产生的压力或力变化来评估肌肉活动情况的，也被称为“肌力成像”。当肌肉收缩时，其体积会发生变化，进而对周围组织或传感器（如压力传感器、应变计）产生压迫。这时，传感器会记录下压力分布或形变情况，并将其转化为肌肉活动强度的相关信息。

为了验证这一融合技术的效果，研究人员精心制作了一个可环绕前臂的袖带，其中集成了 EMG 和 FMG 传感器。他们邀请了 27 名身体健康的参与者进行实验，这些参与者在 5 种不同物体重量的条件下，使用 4 种手势在 8 个不同位置完成抓放任务。实验结束后，研究人员仔细研究了肢体位置和抓取负载对每种感知方式下手势分类精度的影响。

实验结果令人振奋：当同时采用肌电图和肌力图技术时，手势分类的准确率超过了 97%；而单独使用肌电图技术时，准确率仅为 92%；单独使用肌力图技术时，准确率更是低至 83%。这一鲜明对比充分表明，将 FMG 技术添加到传统的肌电控制系统中，能够为设备控制提供独特且极具价值的额外数据，从而大幅提升控制效果。

乔纳森·斯科菲尔德充满信心地指出，这种创新的 EMG+FMG 融合技术具有极为广泛的应用前景，在 VR 领域，它能够为用户带来更加自然、流畅且精准的交互体验；在机器人领域，也能助力机器人实现更高效、更智能的操作。