技术突破 - 推出基于表面肌电图（sEMG）的通用型非侵入性神经运动接口，以腕带形式呈现，无需侵入性手术即可精准捕捉手腕神经信号，识别点击、滑动和捏合等多种手势意图[1] - 摆脱对键盘、鼠标、触摸屏等传统输入设备的依赖，且不受动作遮挡影响，相比侵入性脑机接口无需定制解码器，可在不同人群中通用化应用[3] - 基于300多名受试者提供的超过100小时肌电数据，开发出高度适应性的机器学习模型，无需个人校准即可实现高精度手势识别，少量个性化数据可使笔迹识别准确率提升16%[3] 硬件与模型设计 - 研发高灵敏度sEMG腕带（sEMG-RD），采用干电极、多通道记录设计，采样率达2kHz，噪音低至2.46μVrms，续航超4小时，四种尺寸适配不同腕围[4] - 优化电极布局以精准捕捉手腕、手部和前臂肌肉电信号，可检测单个运动单位动作电位（MUAPs），通过材料测试与结构优化平衡佩戴舒适性与信号稳定性[4] - 构建可扩展数据收集基础设施，从数千参与者获取训练数据，开发通用sEMG解码模型，采用LSTM、1D卷积层加LSTM层、Conformer架构等深度学习技术适应不同交互场景[6] 性能表现 - 连续导航任务中闭环手势解码中位数性能为0.66次/秒，离散手势任务识别速率达0.88次/秒[7][9] - 手写输入速度达20.9字/分钟，个性化调整后解码性能可提升16%[9] - 离线评估中对未训练参与者的手写和手势检测分类准确率超90%，手腕角度速度解码误差小于13°s⁻¹，在不同年龄、性别、身体状况群体中表现稳定[12] 应用前景 - 日常交互：适用于智能手机、智能手表、智能眼镜等移动设备，解决移动场景下传统输入方式的局限性[13] - 辅助技术：为行动不便者提供新交互方式，通过细微肌肉活动控制轮椅、假肢等辅助设备[13] - 医疗康复：用于临床诊断和康复治疗，监测肌肉活动情况，辅助制定个性化康复方案[14] - 工业控制：实现自然方式远程操控复杂设备，减少操作失误，提高生产效率[14] 行业影响 - 技术前期验证通过Meta的Orion AR眼镜原型完成，2025年核心成果发表于Nature期刊[16] - 有望从专业AR设备拓展为通用电子设备交互标准，重新定义下一代人机交互范式[17][18] - 为脑机接口领域提供借鉴，其大规模数据收集和模型训练方法可能解决其他接口的校准问题[15]