鮑哲南院士，首篇Nature Sensors！

當前，可穿戴傳感器設計面臨一個根本性矛盾：既要保證佩戴舒適、設備輕便，又需實現高分辨率、大面積的傳感能力，以獲取準確的生物信息。這種矛盾在肌電圖（EMG）監測領域尤為突出，傳統的高密度電極陣列雖然能精確捕捉肌肉活動細節，但往往體積龐大、佩戴不便，限制了其日常應用。

近日，斯坦福大學鮑哲南院士團隊開發出一種名為“生成式肌電網絡”（GenENet）的自監督生成表征學習框架，并將其與一款新型可穿戴傳感器結合。該技術能夠從有限的傳感器輸入中推斷并重建傳感器未覆蓋區域的肌肉活動，從而使用更緊湊、電極數量大幅減少的設備，獲得與高密度EMG傳感器網絡等效的信息，且不犧牲性能。例如，一款基于低阻抗聚合物電極、僅使用6個通道的EMG設備，在經過32通道數據集訓練后，在預測手語和步態動力學方面的準確性可與32通道設備相媲美。這項研究為健康監測、假肢控制、體育運動和人機界面等多個領域更舒適、高效的可穿戴設備鋪平了道路。相關論文以“A simplified wearable device powered by a generative EMG network for hand-gesture recognition and gait prediction”為題，發表在

Nature Sensors

研究的關鍵始于一個高質量的數據采集基礎。團隊首先設計并制造了一個完全可拉伸的32通道柔性EMG傳感器陣列，用于收集初始訓練數據。該設備采用多層結構，包括PDMS基底、耐溶劑NBR保護層、液態金屬EGaIn電極、高導電性PEDOT:PSS凝膠以及SBS封裝層。這種設計確保了設備與皮膚的高度貼合，并能承受拉伸，同時PEDOT:PSS凝膠的加入顯著降低了皮膚接觸阻抗，減少了運動偽影，從而獲得了更高信噪比（SNR）的低噪聲信號，為后續生成式算法提供了高質量的數據庫。

圖1 | 用于手語和步態預測的GenENet。 a. 使用32通道可拉伸設備通過GenENet進行表征學習，隨機掩蔽輸入信號以重建原始數據。 b. 使用更小的6通道設備，其中預訓練網絡預測未覆蓋區域的肌肉活動。參考電極和接地電極置于右側。 c. 后訓練網絡，使預訓練模型能夠遷移到不同應用和用戶。 d-f. 分別展示與a-c各階段對應的設備實物圖。無線模塊由柔性印刷電路板構成。

圖2 | 用于生成高質量數據集的可拉伸傳感器陣列。 a. 32通道可拉伸陣列的分解視圖，顯示封裝層、傳感電極、互連線和基底。 b. 32通道設備的側視圖。 c. 設備原始狀態與拉伸狀態的對比。 d. 32通道設備通過柔性扁平電纜連接到定制無線模塊。 e. 含有與不含有PEDOT:PSS的水凝膠的電化學阻抗譜。 f. 在100%應變下的阻抗耐久性圖。小圖顯示PEDOT互連線在0%和100%應變下的狀態。Z和Z0分別表示應變下和無應變狀態下的阻抗。 g. 使用測力計（電極附著于前臂）比較PEDOT凝膠與相同尺寸Ag/AgCl電極的韋爾奇功率譜密度估計。 h, i. 在非可拉伸聚酰亞胺基底上制作的設備與在可拉伸基底上制作的設備的信噪比箱形圖，顯示可拉伸基底在32個通道上具有更高的平均信噪比。

基于這個高質量的32通道數據集，研究者訓練了核心的GenENet模型。該模型基于去噪自編碼器框架，采用掩碼自監督學習策略。具體流程是：首先將處理后的32通道EMG信號（計算均方根值并構建為張量）隨機掩蔽掉約81%的“區塊”，然后將掩蔽后的不完整數據輸入模型。模型的編碼器將部分可見信號轉換為潛在表征，解碼器則負責從這些表征中重建出被掩蔽的原始信號。通過訓練，模型學會了從殘缺信息中推斷整體肌肉活動時空模式的能力。訓練過程中，生成信號與原始信號之間的誤差逐漸減小，最終能夠高保真地重建出完整的EMG信號圖。

圖3 | GenENet的預訓練過程。 a. 32通道可拉伸設備在任意手指運動和行走時，從手腕或小腿捕獲肌肉激活信號。 b, c. 信號經過增強和均方根處理。 d. 對后處理張量進行隨機掩蔽，訓練GenENet以最小化生成信號與原始信號之間的均方誤差損失。E和D分別表示GenENet的編碼器和解碼器模塊。 e. 樣本1的代表性信號，展示訓練周期中被掩蔽、原始和生成的信號。右側圖表顯示訓練期間均方誤差的下降。 f. 訓練過程中生成信號的詳細圖示。 g. 訓練450個周期后，樣本2和樣本3的結果。

將預訓練好的GenENet模型與一個簡化的6通道無線EMG“手表”結合，便實現了強大的應用功能。在手語識別任務中，佩戴在手腕上的6通道設備采集信號，經過與預訓練階段相同的處理后，輸入GenENet編碼器獲得潛在向量，再經由長短期記憶網絡（LSTM）分類器進行處理，最終能夠以高達93.6%的驗證準確率識別26個美式手語字母。研究還通過定義“品質因數”（FOM）來平衡準確性與傳感器總面積，發現6通道配置在此項任務中達到了最佳平衡點。模型展現出良好的泛化能力，即使傳感器在手腕原始佩戴區域附近改變位置或方向，識別準確率也僅受微小影響。通過梯度歸因圖可視化，還能觀察到不同通道的肌肉活動特征對特定手語姿勢預測的貢獻度。

圖4 | 使用GenENet設備預測美式手語。 a. 通過六通道設備捕獲的手語輸入信號。 b. 與預訓練相同的后處理步驟（不包括數據增強）。 c. 后處理張量輸入GenENet，連接至CNN、LSTM和密集層。解碼器和CNN的虛線部分僅在回歸建模時激活。 d. 手語手勢分類。 e. 通過平衡模型準確性和總傳感器面積測量的品質因數。 f. 品質因數在六通道區域達到峰值，增加通道數提高準確性但也增大了傳感器面積。 g. 使用六電極EMG陣列進行手指運動識別時，預訓練GenENet與非參數化GenENet的驗證準確性比較。 h. 設備在手腕不同位置和方向上的適應性，顯示準確性差異可忽略。I.1–I.7表示電極陣列附著的不同位置和方向。 i. 使用來自6通道EMG輸入的數字值進行手語預測。 j. 代表字母A、N和R的批次歸因圖，以及相應的EMG信號和歸因圖。

GenENet的適應性不僅限于上肢。研究團隊還將設備佩戴于小腿，用于步態動力學預測。通過同時采集6通道EMG信號和由測力臺測量的地面反作用力數據，并結合OpenCap視頻捕捉進行逆動力學分析以計算膝關節力矩和力，對模型進行后訓練。結果表明，僅使用6通道EMG輸入，模型就能成功預測整個步態周期中連續的地面反作用力，預測值與真實值之間的確定系數R2高達0.975。模型還能預測與膝關節骨關節炎發展相關的膝內收力矩。這一系統使得以往需要在專業實驗室進行的復雜步態動力學分析，有望通過輕便的可穿戴設備在日常環境中實現。

圖5 | 使用GenENet設備預測步態動力學。 a. 實驗設置，涉及走過三個測力板并同時進行視頻捕捉。后訓練網絡用于預測地面反作用力，而膝關節垂直力和力矩則基于視頻數據通過逆動力學計算，并入動力學后訓練數據集。 b. 附著在小腿上的六通道EMG設備示意圖。 c. 步態周期中的地面反作用力預測，顯示預測值與從視頻數據獲得的真實值密切匹配的五個不同階段。 d. 肌肉骨骼模型上實時預測地面反作用力的快照。 e. 地面反作用力預測的確定系數R2為0.975。 f. 對不同個體的適應性，顯示他們之間一致的R2系數。 g. 地面反作用力和膝內收力矩向量方向的示意圖。 h. 在特定時間間隔內預測的膝關節Y軸力和膝內收力矩。

這項研究成功展示了一種將生成式表征學習算法與可穿戴硬件相結合的新范式。它使得僅用極少電極的緊湊、低功耗陣列就能預測原本需要大面積、多電極系統才能獲取的信號，在保持性能的同時，顯著減少了傳感器數量、設備尺寸和數據傳輸功耗。展望未來，這一平臺有望擴展到其他需要高密度傳感陣列但信號間存在相關性的領域，如應變、溫度、心電圖、腦電圖乃至化學傳感。通過進一步集成慣性測量單元、優化個性化校準以及開發片上信號處理能力，該系統將朝著更強大、更普適、更便捷的可穿戴健康監測與人機交互解決方案邁進。