外骨骼讀心術來了！意念增強肌肉力量，深度學習預測準確率96.2%

手臂還沒抬起來，外骨骼就知道你要干啥了！

美國佐治亞理工學院等機構的研究團隊近日公布了一套"讀心"外骨骼系統。這套系統在你動作發生前就預測你的意圖，500-550毫秒內給你加個buff

怎么做到的？研究人員給外骨骼裝上了柔性生物電子傳感器，專門捕捉你的肌肉信號。再配合云端深度學習算法，實時分析你想干啥。

簡單來說，就是通過肌電信號預測運動意圖，然后讓外骨骼提前做好準備，在你需要的時候精準發力！

這項發表在《npj Flexible Electronics》上的研究，為中風患者、老年人等運動功能受限人群帶來了新希望。

▍柔性傳感器+云端AI，打造意念控制新范式

傳統的外骨骼系統往往存在諸多限制：要么只能按照預設程序運行，缺乏實時感知能力；要么體積龐大、布線復雜，難以在日常生活中使用；更關鍵的是，大多數系統無法準確預測使用者的運動意圖。

佐治亞理工團隊的這套系統巧妙地解決了這些痛點。

首先是傳感器的突破。研究團隊開發了一種超薄柔性EMG（肌電圖）傳感器，可以像創可貼一樣貼在皮膚上。這種傳感器采用了蛇形金納米膜電極設計，即使在30%的拉伸應變下，經過300次循環測試后電阻變化依然微乎其微。

與商用的硬質凝膠電極相比，這種柔性干電極不僅避免了長時間佩戴造成的皮膚刺激，還能與不規則的人體表面實現貼合，最大程度減少了運動偽影。在對比測試中，柔性傳感器獲得的EMG信號質量與商用傳感器完全相當，信噪比表現相近。

其次是云端深度學習的應用。系統采用了CNN+LSTM混合架構，能夠實時處理來自四個肌肉部位（二頭肌、三頭肌、三角肌中束、背闊肌）的EMG信號。

深度學習模型的工作流程是這樣的：當使用者產生運動意圖時，相應的肌肉會產生電信號，四個傳感器同時采集這些信號并無線傳輸到云端。云端對原始EMG數據進行分段處理，每段1秒，重疊250毫秒，經過帶通濾波后輸入到深度學習模型中。

模型針對每個肌肉位置都有獨立的分類器，最終綜合四個分類器的輸出來判斷使用者的運動意圖。測試結果顯示，對于二頭肌/三頭肌的動作分類準確率達到95.38%，對于三角肌中束/背闊肌的分類準確率更是高達97.01%

▍軟體氣動人工肌肉，提供897牛頓輔助力

有了精準的意圖識別，接下來就是如何提供有效的力量輔助。研究團隊采用了軟體氣動人工肌肉（PAM）作為驅動源。

這種人工肌肉的工作原理類似于人體肌肉：當充入壓縮空氣時，硅膠內膽膨脹，但由于外層聚酯網套的限制，PAM只能在縱向收縮，從而產生拉力。這種設計不僅重量輕（單個PAM僅104克），還具有極高的力重比。

性能測試顯示，單個PAM在80 psi（552 kPa）壓力下可產生高達897牛頓的力，同時產生87毫米的位移。考慮到安全因素，系統的工作壓力范圍設定在10-60 psi之間，并配備了70 psi的壓力釋放閥。

整個外骨骼框架主要由碳纖維制成，配合機加工鋁合金連接件和不銹鋼螺栓，既保證了強度和剛度，又實現了輕量化設計。框架重量僅670克，加上三個PAM、電池、控制電路等所有組件，整套系統總重量僅4.7公斤

據悉，外骨骼還采用了可伸縮設計，能夠適應不同身高體型的使用者。從157厘米的女性到190厘米的男性，都能通過簡單調節找到合適的佩戴位置。所有的PAM都被巧妙地安置在背包內，通過纜繩將力傳遞到外骨骼框架，既不影響使用者的自然動作，又能在需要時提供即時輔助。

系統支持四種主要的上肢動作：肩關節屈曲、肩關節伸展、肘關節屈曲和肘關節伸展。這些動作覆蓋了日常生活中大部分的手臂活動需求。

▍實測效果：肌肉活動降低3.7倍，輕松完成日常任務

那么，這套系統的實際效果如何呢？研究團隊進行了詳細的對比測試。

在無負載的情況下，測試者分別在有無外骨骼輔助的條件下重復進行肘關節和肩關節屈曲動作。結果顯示，使用外骨骼后，二頭肌的平均EMG活動強度降低了3.9倍，三角肌中束的活動強度降低了3.5倍

即使在負重情況下，外骨骼依然表現出色。當測試者手持6.8公斤（15磅）啞鈴時，外骨骼能夠將肘關節屈曲時的肌肉活動降低1.4倍，肩關節屈曲時降低1.6倍。

在一項耐力測試中，測試者被要求保持舉起6.8公斤重物的姿勢。在外骨骼輔助下，測試者輕松堅持了超過3分鐘；而沒有輔助時，同一測試者堅持不到1分鐘就因疲勞而放棄

研究團隊還展示了外骨骼在日常生活場景中的應用：將箱子放到架子上、使用電鉆、伸手拿門把手、從椅子上起身等動作都能得到有效輔助。由于系統支持多關節組合動作，使用者可以根據需要靈活切換不同的運動模式。

值得一提的是，整個系統的響應速度非常快。從肌肉信號的采集、云端處理、動作預測到外骨骼響應，全過程僅需500-550毫秒，基本可以做到與人體動作同步。

這種基于意圖驅動的控制方式，讓使用者只需要像平常一樣產生運動意圖，系統就能自動識別并提供相應的輔助，無需復雜的操作或訓練。

研究團隊表示，這項技術不僅能幫助中風患者和老年人恢復日常生活能力，還可能在工業生產、醫療護理等需要長時間保持特定姿勢或搬運重物的場景中發揮重要作用。

目前，研究團隊正在開發更加通用的深度學習模型，希望能夠建立一個適用于不同人群的統一系統，而不需要為每個使用者單獨訓練模型。借助云計算平臺的優勢，系統可以不斷收集和學習來自多個使用者的數據，持續優化預測精度。

這項研究為下一代人機交互技術提供了有益借鑒：將柔性電子學、人工智能和機器人技術深度融合，打造真正以人為中心的智能輔助系統。