加州大學戴維斯分校的一支科研團隊，正致力於一項頗具開創性的研究——將肌電圖（EMG）與肌力圖（FMG）技術深度融合，以實現對手部運動極為精準的識別。該團隊表示，這項前沿技術有望在 VR 等眾多領域大放異彩。
從原理上來說，像抓握、捏取等常見手勢，本質上都是由前臂肌肉的運動所驅動的。當肌肉運動時，會產生極其微小的電信號，而可穿戴式傳感器就能夠精準捕捉到這些信號，這種技術便是肌電圖（EMG）。
團隊中的研究人員強納森·斯科菲爾德介紹道：「我們藉助傳感器與先進的機器學習算法，能夠依據肌肉的活動情況，準確識別出不同的手勢。」
不過，他也坦言，儘管基於肌電圖的控制技術在實驗室環境以及四肢處於靜止狀態時表現卓越，但實際應用中卻面臨著一個棘手的「位置和負載」難題。具體而言，當人們將手臂移動到不同位置，比如與肩膀齊平或者舉過頭頂，又或是抓取不同重量的物體時，測量所得的數據就會發生顯著變化。
另一位研究人員佩頓·楊進一步解釋道：「在現實生活的場景里，只要肢體發生移動或者抓取物體，測量結果就會隨之改變。肢體的中立姿勢（也就是肢體自然下垂、被動地放在身體旁邊）與自由活動時的狀態有著天壤之別。」
為了攻克這一難題，研究團隊大膽創新，決定同時整合肌電圖（EMG）和肌力圖（FMG）這兩種技術。
先來說說肌電圖（EMG），它是一種通過記錄肌肉電活動來評估神經肌肉功能的技術，能夠清晰反映運動神經元激活肌肉纖維的全過程。當肌肉收縮時，運動神經元會發放電信號，促使肌纖維去極化，進而產生微弱的電流。此時，傳感器捕捉到這些電信號後，經過放大和濾波處理，就能轉化為可供深入分析的波形。
再看肌力圖（FMG），它是通過測量肌肉收縮時產生的壓力或力變化來評估肌肉活動情況的，也被稱為「肌力成像」。當肌肉收縮時，其體積會發生變化，進而對周圍組織或傳感器（如壓力傳感器、應變計）產生壓迫。這時，傳感器會記錄下壓力分布或形變情況，並將其轉化為肌肉活動強度的相關信息。
為了驗證這一融合技術的效果，研究人員精心製作了一個可環繞前臂的袖帶，其中集成了 EMG 和 FMG 傳感器。他們邀請了 27 名身體健康的參與者進行實驗，這些參與者在 5 種不同物體重量的條件下，使用 4 種手勢在 8 個不同位置完成抓放任務。實驗結束後，研究人員仔細研究了肢體位置和抓取負載對每種感知方式下手勢分類精度的影響。
實驗結果令人振奮：當同時採用肌電圖和肌力圖技術時，手勢分類的準確率超過了 97%；而單獨使用肌電圖技術時，準確率僅為 92%；單獨使用肌力圖技術時，準確率更是低至 83%。這一鮮明對比充分表明，將 FMG 技術添加到傳統的肌電控制系統中，能夠為設備控制提供獨特且極具價值的額外數據，從而大幅提升控制效果。
強納森·斯科菲爾德充滿信心地指出，這種創新的 EMG FMG 融合技術具有極為廣泛的應用前景，在 VR 領域，它能夠為用戶帶來更加自然、流暢且精準的交互體驗；在機器人領域，也能助力機器人實現更高效、更智能的操作。
