基于高密度压电电子皮肤与机器学习的手势识别研究：力肌图技术在人机交互中的应用新突破

《IEEE Sensors Letters》：A Case Study: FMG-based Gesture Recognition using High-Density Piezoelectric Electronic Skin and Machine Learning

本刊推荐：为解决传统表面肌电信号(sEMG)在手势识别中存在的信号强度低、肌肉串扰等问题，研究团队开展了基于高密度压电电子皮肤的力肌图(FMG)手势识别研究。通过开发集成24个传感器的柔性臂带，结合两种信号处理方法（前端处理和特征提取）和多种机器学习算法，实现了11种手势的高精度识别（手腕动作识别准确率达98%）。该研究为可穿戴人机交互设备提供了新的技术路径，尤其对智能假肢控制领域具有重要应用价值。

　　

在智能可穿戴技术飞速发展的今天，手势识别作为人机交互的核心技术之一，正逐步改变着人们与机器人系统、虚拟现实设备的互动方式。当前主流的手势识别技术主要依赖表面肌电信号(sEMG)，这种通过记录肌肉电活动的方法虽然能直接反映神经肌肉状态，却面临着信号微弱、易受肌肉串扰影响以及系统功耗较高等固有局限。这些技术瓶颈严重制约了可穿戴设备在日常生活中的广泛应用，特别是在需要长时间使用的智能假肢控制等领域。

面对这些挑战，力肌图(FMG)技术应运而生，它通过检测肌肉活动时产生的力学信号来实现手势识别，为可穿戴人机交互提供了新的解决方案。与传统sEMG不同，FMG关注的是肌肉收缩时产生的力学变化，这种变化可以通过压力传感器进行捕捉。然而，现有的FMG研究多采用少量传感器（通常不超过6个），且以力敏电阻(FSR)为主，在识别精度和空间分辨率方面存在明显不足。

在这项发表于《IEEE Sensors Letters》的研究中，由Yahya Abbass和Silvana Miranda Montenegro共同主导的国际研究团队开创性地开发了一种基于高密度压电电子皮肤的FMG手势识别系统。该研究最大的创新点在于采用了24个P(VDF-TrFE)（聚偏氟乙烯-三氟乙烯）压电传感器组成的柔性电子皮肤，相比传统FMG系统实现了传感器数量的突破性提升。这种全印刷的柔性传感器阵列通过屏幕印刷技术制作，每个传感器由夹在两个电极之间的压电聚合物层构成，厚度仅为5.1微米，展现出优异的柔性和灵敏度。

研究团队将两个包含12个传感器的电子皮肤片集成到弹性绷带中，形成了可穿戴的FMG臂带系统。该系统的嵌入式电子(EE)部分采用BL600模块和DDC232电流输入模数转换器，能够以2kHz的采样率同时处理24个通道的数据。整个系统功耗仅为300mW，使用3.7V锂电池可连续工作22小时，完全满足日常使用需求。

在实验设计方面，研究招募了5名健康受试者，让他们佩戴臂带在右前臂进行11种手部和手腕手势的识别任务。这些手势包括手部抓握、手腕屈伸等动作，每个动作保持5秒，共重复10次以建立数据集。研究人员开发了两种信号处理策略：端到端方法(EEA)直接处理原始信号，而基于特征的方法(FBA)则提取了包括最大值、最小值、标准差、平均绝对值等时域和频域特征。

关键技术方法包括：采用高密度压电电子皮肤制备技术，通过屏幕印刷工艺在柔性基底上制作24个P(VDF-TrFE)传感器；设计可调节的弹性绷带式臂带结构，确保传感器与皮肤良好接触；开发两种信号预处理方法（EEA和FBA）进行特征提取；使用五种经典机器学习算法（KNN、LDA、LR、RF、SVM）进行手势分类；采用交叉验证方法评估模型性能。

研究结果显示，基于特征的方法(FBA)结合逻辑回归(LR)算法在所有手势识别中达到了90.8%±3.8%的准确率，特别是在手腕动作识别方面，准确率高达98.4%±1.6%，显著优于端到端方法。这表明手工提取的时频特征能更有效地表征手势模式。混淆矩阵分析显示，LR算法对所有受试者都能实现清晰的对角线分布，证明其识别效果稳定可靠。

该系统在功耗方面表现出色，单次充电可支持超过8小时的连续工作，完全满足日常使用需求。研究人员指出，压电传感器的特殊材料特性为下一代FMG采集设备的设计开辟了新途径，未来可通过优化电子皮肤形状、增加传感器密度等方式进一步提升性能。

该研究的创新价值在于首次实现了基于高密度压电传感器阵列的FMG手势识别系统，为解决传统sEMG技术的局限性提供了有效替代方案。其采用的柔性电子皮肤技术不仅提升了佩戴舒适度，还通过增加传感器数量显著提高了识别精度。这项技术为智能假肢控制、虚拟现实交互等应用场景提供了新的技术路径，特别是在需要高精度手势识别的医疗康复领域具有广阔应用前景。未来研究将重点优化传感器布局、开展跨受试者验证试验，并探索该系统在肢体截肢者假肢控制中的实际应用效果。