电极位置的示意图和实物图。下图是该团队使用的假手机器人

沈阳工业大学和东京电气通信大学的研究人员正试图找出如何使假手对手臂运动做出反应。

在过去的十年里，科学家们一直在试图找出如何使用表面肌电图（EMG）信号来控制假肢。肌电图信号是导致我们肌肉收缩的电信号。它们可以通过将电极针插入肌肉来记录。表面EMG是用放置在肌肉上方皮肤上的电极来记录。

表面肌电图可用于使假肢反应更快，移动更自然。然而，中断，如电极的移动，会使设备难以识别这些信号。克服这个问题的方法之一是进行表面EMG信号训练。训练对截肢者来说可能是一个漫长的过程，有时也很困难。

因此，许多研究人员已经转向了机器学习。通过机器学习，假肢可以学习表示手势的肌肉运动和电极的运动之间的区别。

发表在《机械人和仿生系统》上的一项研究的作者开发了一种独特的机器学习方法，将卷积神经网络（CNN）和长短期记忆（LSTM）人工神经网络结合起来。他们选择这两种方法是因为它们具有互补的优势。

CNN能很好地捕捉表面EMG信号的空间维度，并理解它们与手势的关系。它在处理时间方面有困难。手势是随着时间发生的，但CNN忽略了连续肌肉收缩的时间信息。通常情况下，CNN被用于图像识别。

LSTM通常用于手写和语音识别。这种神经网络善于处理、分类，并根据随时间变化的数据序列做出预测。然而，它们对假肢来说不是很实用，因为计算模型的大小会太昂贵。

该研究小组创建了一个混合模型，结合了CNN的空间意识和LSTM的时间意识。最后，他们减少了深度学习模型的大小，仍然保持了高精确度和强大的抗干扰能力。

该系统在10名非残障人士身上进行了一系列16种不同手势的测试。该系统的识别准确率超过80%。它在大多数手势上表现良好，如拿手机或笔，但在使用中指和食指捏东西时却很困难。据该团队称，总体而言，其结果超过了传统的学习方法。

研究人员的最终目标是开发一个灵活可靠的假手。他们的下一步是进一步提高该系统的准确性，并找出它在捏住手势时挣扎的原因。