研究背景
人类的手是一种非常灵活的解剖结构，在各种活动中发挥着至关重要的作用包括抓取物体控制设备和完成大量日常任务。在与生俱来的运动和感觉反馈系统的帮助下，人类能够准确无误地快速执行各种手动任务。尤其是本体感觉，即感知身体位置和运动的能力，对于人类实时估计手的姿势配置至关重要，从而实现更高水平的控制和操纵。
在软电子学和可穿戴技术领域，模拟人类本体感觉被认为是终极目标。近几十年来，软电子技术为人类和机器的交流创造了新的方式，并通过将机械变形转化为电信号，提供了自然直观的人机界面。因此，软电子设备被认为是模拟人类本体感觉的合适平台。然而，大多数早期的软传感器主要在高度受限的环境中有效，因此在时间连续的环境中，由于复杂和动态的手部运动所产生的不需要的信号和干扰，它们通常无法在佩戴时产生明显的信号。
然而，软传感器的实时信号处理是开发手部运动识别功能并将其推广到实际应用中的一项基础工作。实时信号处理能对手部运动的动态变化做出即时反馈和回 应。此外，它还能确保收集和分析的信息保持最新状态，从而减少延迟处理可能导致的错误。然而，迄今为止，即使软传感器能在受限场景中产生有意义的手部运动信号，人类也只能在信号产生后才能对传感器的运动进行评估。此外，依靠基于规则的系统和算法的传统方法在处理传感器数据时会引入延迟，以便将复杂的手部动作与每个特定手势的预定义规则相匹配。因此，仅使用软传感器的可穿戴技术的研究进展仅限于实验室层面，阻碍了其在现实世界中的应用。
人工智能(AI)技术的最新进展使能够模仿人体本体感觉的软传感器的开发取得了突破性进展，展示了其在实时信号处理方面的潜力。特别是，机器学习算法已经证明，即使在数据量巨大的高度复杂场景中，它们也有能力对高自由度手部运动产生的信号进行准确分类。此外，由于传感器的非线性和滞后性，即使在大量未定义的数据和传感器的复杂行为中，它们也能识别模式化信号，这显示了软传感器在无约束环境中的应用潜力。因此，如何将软传感器与人工智能技术无缝结合，已成为实现快速、精确手部动作识别的关键问题。
研究成果
软机电传感器为我们日常生活中基于运动的新型可穿戴应用带来了一种新的电子设备范例。然而，复杂的身体运动产生的大量随机和未识别信号阻碍了这项技术的精确识别和实际应用。人工智能技术的最新进展使我们在从海量复杂数据集中提取特征方面取得了长足进步从而在利用可穿戴传感器进行实际应用方面实现了突破。除了用于对简单手势进行分类的传统机器学习技术外，先进的机器学习算法已经开发出来，可以在训练数据集有限的情况下处理更复杂、更细微的基于动作的任务。机器学习技术提高了感知能力，因此机器学习可穿戴软传感器能够准确、快速地识别人类手势，为用户提供实时反馈。这构成了未来可穿戴电子设备的重要组成部分，有助于实现强大的人机界面。在这篇综述中，作者全面总结了手势识别的材料、结构和机器学习算法，以及机器学习可穿戴机电传感器可能的实际应用。相关报道以“Machine-learned wearable sensors for real-time hand-motion recognition: toward practical applications”为题发表在National Science Review期刊上。首尔大学Seung Hwan Ko教授为文章通讯作者。
图文导读
Figure 1. Conceptual illustration of hand-gesture recognition through the integration of wearable soft sensors and AI technology.
Figure 2. Graphical illustrations for analysis of the anatomy of the human hand and various human hand motions.
Figure 3. Various designs of materials and structures for wearable sensors that monitor hand movement.
Figure 4. Mechanisms and signals related to hand motion.
Figure 5. Machine-learning techniques for human hand-posture perception.
Figure 6. Brief development history of the wearable soft sensor for hand-motion tracking.
Figure 7. Hand-gesture-based machine control system.
Figure 8. Text input systems.
Figure 9. Object recognition.
Figure 10. AR/VR applications.
总结与展望
总之，本综述报告了通过整合可穿戴软传感器和机器学习技术实现的手势识别及其应用。从传感器的材料、结构和驱动机制开始，介绍了与传感器数据实时分析和各种机器学习算法有关的广泛主题。手部是人体最复杂的部位之一，如果我们能准确识别手势并了解各种物体的抓握状态，将极大地促进人体其他部位的研究进展。
为了提高认知能力，当务之急是开发能够复制生物个体感知和处理数据方式的机器学习算法。理想情况下，传感器技术与机器学习的整合不应作为单独的工作来处理，而应作为一项综合研究，将软传感器和机器学习视为智能系统不可分割的组成部分。在这方面，仿生感知已成为一个快速发展的研究领域。实际上，生物个体拥有同时处理多种感官输入的非凡能力而不是局限于识别单一目标信号。虽然以往的生物仿生研究主要集中在复制硬件方面如通过结构设计提高传感器的灵敏度和效率，但人们越来越认识到，有必要在感知领域转向模拟生物个体的认知过程。
此外，软传感器与软执行器的无缝集成研究已成为一条前景广阔的途径，尤其是在人体增强等先进技术领域。软执行器以其灵活性和适应性著称，正越来越多地被用于增强人体的移动性和灵活性。然而，要充分发挥它们的潜力，关键是要开发出能够实现精确和灵敏控制的反馈机制。这种跨学科的方法在增强人机交互以及彻底改变医疗保健、康复和人体增强等领域具有巨大的潜力。随着软传感器、软致动器和机器学习三位一体技术的不断进步和未来的不解发展，可以期待这些技术继续发展并改变我们生活的各个方面，最终改善我们的福社并提高我们日常生活的能力。
文献链接
Machine-learned wearable sensors for real-time hand-motion recognition: toward practical applications
https://doi.org/10.1093/nsr/nwad298
转自：“i学术i科研”微信公众号
如有侵权，请联系本站删除！
