Nature Sensors | 加州大学徐升团队开发AI增强型柔性电子皮肤接口，让机器人在剧烈运动中也能读懂你的“手语”

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

备用标题模板

在人机交互（HMI）的愿景中，我们期待着这样一种未来：截肢者佩戴着智能义肢在操场上奔跑，能够像常人一样自然地挥手抓取水瓶；深海潜水员在波涛汹涌的水下，只需一个手势就能指挥水下机器人作业。

然而，现实却很骨感。目前大多数基于惯性测量单元（IMU）的可穿戴设备，就像一个“只在安静图书馆里有效的听诊器”。一旦用户开始跑动、坐车或甚至只是剧烈晃动，环境带来的“运动伪影”（Motion Artifacts）就会像洪水一样淹没真正的手势信号。

近日，加州大学圣地亚哥分校（UCSD）徐升团队开发了一种新型抗噪人机接口，利用合成数据集训练的深度学习网络，解决了长期困扰可穿戴设备的“运动伪影”难题。该工作发表在《Nature Sensors》，通过一种巧妙的“软硬结合”方案，打破了这一僵局。研究团队展示了一种全集成、可拉伸的无线传感系统，即便在用户以每小时10公里的速度奔跑，或是遭受高频振动干扰时，该系统仍能精准控制机械臂完成精细操作。

图1b：该系统的多层柔性结构设计。核心在于将六轴IMU、肌电（EMG）模块、蓝牙MCU及定制的可拉伸锌银电池集成在一个仅2mm厚的贴片中。

核心痛点：当信号被“噪音”吞没

传统的信号处理方法（如带通滤波或小波变换）通常假设噪声和有效信号在频率上是分离的。但在肢体运动中，跑步产生的震动频率往往与手势动作的频率高度重叠，导致传统滤波器在滤除噪声的同时，也“杀”死了有效信号。

UCSD团队的创新之处在于，他们不再试图用传统数学公式去“剥离”噪声，而是教人工智能“适应”噪声。

技术解构：合成数据集与迁移学习的胜利

这项技术的“心脏”并非单纯的硬件，而是一套经过特殊训练的卷积神经网络（CNN）。

1. 这里的AI“吃”的是合成数据

研究人员构建了一个庞大的“合成数据集”（Composite Dataset）。他们采集了纯净的手势信号，然后采集了各种极端环境下的噪声（如跑步、甚至按摩枪带来的高频振动、模拟海浪的冲击），并在数字世界中将二者叠加。

· 技术亮点：这种方法让AI见识了无数种“手势+噪声”的组合，使其在面对从未见过的真实噪音频谱时，依然能提取出隐藏的手势特征。

2. “两样本”迁移学习（Two-Shot Transfer Learning）

对于可穿戴设备，每个人体质、习惯不同是一个巨大的商业化门槛。该研究引入了参数迁移学习。

· 实测数据：新用户无需耗费大量时间录入数据，只需提供两个样本（坐姿和躺姿各一次），系统即可将识别准确率从51%瞬间提升至92%以上。这意味着该设备具有极强的“即插即用”潜力。

图2：极限压力测试。即使在跑步机上剧烈运动（引入强烈运动伪影），受试者仍能通过该设备精准控制机械臂进行液体倾倒操作。数据显示IMU信号虽然混乱，但AI仍然成功解码。

硬件创新：不仅是算法，更是工艺

如果说算法是大脑，那么其硬件设计就是坚韧的骨骼。该设备采用了独特的四层垂直互连（VIA）结构：

· 能源层：团队开发了一种定制的可拉伸锌/氧化银（Zn/Ag₂O）电池。这种电池使用了PVA水凝胶电解质，即便在拉伸20%的情况下，经过60次充放电循环，容量仍保持在25 mAh左右，足够支持设备连续工作4小时以上。

· 传感层：采用了岛桥结构（Island-Bridge）连接刚性芯片（如IMU和MCU）与柔性电路，确保了在扭曲、弯折下的机械稳定性。

· 水下通信：研究甚至在模拟海洋环境（Scripps海洋大气研究模拟器）中进行了测试。虽然蓝牙在水下衰减严重，但该设备在紧贴皮肤的浮潜状态下，仍能有效传输信号。

临床与应用价值分析

这项技术的临床前景令人兴奋，主要体现在以下两个维度：

1. 下一代智能义肢（Prosthetics）：目前的肌电义肢往往要求用户在操作时保持相对静止，这极大地限制了截肢者的生活质量。这项技术意味着，截肢者未来可以在行走甚至慢跑时，自然地控制义肢抓取物品，无需刻意停下脚步。

2. 神经康复监测：对于帕金森病患者或中风患者，震动（Tremor）是常见的病理特征。该系统的抗噪特性可能被反向利用——它不仅能滤除震动提取运动意图，也能量化震动本身，为医生提供更精确的病情评估。

深度产业化分析：从实验室到市场的距离

尽管技术指标亮眼，但从产业化角度审视，该技术仍面临挑战与机遇的博弈。

维度	优势 (Pros)	挑战 (Cons)
集成度	高度集成（电池+算力+通讯），外形紧凑（1.8 x 4.5 cm），极具产品化雏形。	多层柔性电路的制造工艺复杂（激光烧蚀、逐层转印），量产良率和成本控制是巨大挑战。
功耗与续航	15mW的低功耗，定制电池可续航4小时。	4小时续航对于“全天候佩戴”的消费级或医疗级产品仍显不足。需在电池能量密度或无线充电技术上进一步突破。
算力延迟	实现了1.3秒左右的端到端延迟（含机械臂响应）。	对于需要毫秒级反应的竞技体育或高危工业操作，1.3秒的延迟仍嫌过长。滑动窗口算法需进一步优化。
水下应用	验证了水面/浅水区的抗浪干扰能力。	蓝牙在水下的物理局限性（<30cm传输距离）限制了其在深潜场景的应用，可能需要改用声波或光通信方案。

竞品对比：与目前市面上的MYO臂环（已停产）或Meta正在研发的肌电手环相比，UCSD方案的最大优势在于对非稳态环境的鲁棒性。Meta等巨头主要关注元宇宙中的微手势交互（通常在相对静止环境），而本研究切入的是“动态交互”这一空白市场，这在工业特种作业（如震动环境下的工程操作）和户外运动领域具有不可替代性。

结论

UCSD的这项研究代表了可穿戴人机接口设计理念的转变：从试图消除噪声，转向利用AI在噪声中共存。

对于投资者和医疗器械制造商而言，这篇文献发出的信号是明确的：柔性电子与边缘AI的深度融合，正在跨越“只能在实验室演示”的鸿沟，向着真实、嘈杂、混乱的物理世界迈出关键一步。虽然电池续航和量产成本仍是拦路虎，但在特种作业机器人控制和高端康复医疗领域，它已经具备了颠覆现有技术栈的潜力。

▼参考资料

[1] Chen, X., Lou, Z., Gao, X. et al. A noise-tolerant human–machine interface based on deep learning-enhanced wearable sensors. Nat. Sens. (2025). https://doi.org/10.1038/s44460-025-00001-3

END

编辑 | 刘帅

排版 | 周宇茜

审核 | 医工学人理事会

扫码加入医工学人，进入综合及细分领域群聊，

参与线上线下交流活动