柔性电子新突破

研究背景

人类可以在感觉反馈的帮助下适应各种不同的日常任务。特别是本体感觉，它提供了对手的实时姿势配置的理解，并在物体识别、操纵和交流等互动任务中起着关键作用。关于本体感觉的基本知识在儿童早期就已经形成，包括将手的运动与分布在皮肤各个位置的皮肤感受器所传递的信息联系起来，这些感受器与运动中的皮肤拉伸有关。这种感觉运动信息作为先验知识帮助婴儿只需进行几次试验就能迅速学会执行新任务。

电子设备可以识别人的手的运动和预定任务。例如，肌电图腕带和可穿戴电子手套可以跟踪手部运动。在机器学习的帮助下，这些设备可以执行复杂的任务，如物体互动， 手指拼写的翻译和手势识别。然而，它们的体积和对身体运动的限制限制了它们的广泛采用。电子皮肤传感器——如人工机械感受器、超薄传感器、可拉伸传感器和纳米网格传感器，近年来迅速发展，但它们通常需要多个传感器和高水平的系统复杂性来确定来自多个关节的运动。此外，在此类应用中使用的算法是基于监督训练的方法，需要大量的标记数据来执行个别任务。由于任务的巨大可变性和个人身体形状的差异产生不同的传感器信号模式，这些方法需要对每个单一的用户和/或任务进行密集的数据收集。

研究成果

在机器学习的帮助下，电子设备——包括电子手套和电子皮肤，可以跟踪人的手的运动，并执行物体和手势识别等任务。然而，这些设备仍然很笨重，而且缺乏适应身体曲度的能力。此外，现有的信号处理模型需要大量的标记数据来识别每个用户的个别任务。在此，斯坦福大学鲍哲南教授、首尔大学Seung Hwan Ko以及韩国科学技术院Sungho Jo等人报告了一种无基底的纳米网状物受体，它与一个无监督的元学习框架相结合，可以提供独立于用户的、对不同手部任务的数据有效的识别。该纳米网由生物相容性材料制成，可以直接打印在人的手.上，通过将皮肤细微拉伸产生的电阻变化转化为本体感觉来模仿人类的皮肤感受器。一个纳米网格可以同时测量来自多个关节的手指运动，提供了一个简单的用户实现和低计算成本。作者还开发了一种随时间变化的对比学习算法，可以区分不同的未标记的运动信号。这种元学习的信息随后被用来快速适应各种用户和任务，包括命令识别、键盘输入和物体识别。相关研究以“A substrate-less nanomesh receptor with meta-learning for rapid hand task recognition”为题发表在Nature Electronics期刊上。

研究亮点

1. 报告了一种纳米网格人工机械感受器的开发，它与无监督的元学习方案相结合，可用于数据高效、独立于用户的不同手部任务的识别。

2. 该系统可以从皮肤拉伸的精细细节中收集信号模式，可以用来提取本体感觉信息，类似于皮肤受体为手部运动识别提供信号模式的方式。

3. 这种元学习信息可用于快速适应各种用户和任务，包括命令识别、键盘键入和对象识别。

图文导读

Fig. 1 | Artificial sensory intelligence system.

Fig. 2 | Nanomesh and device performance.

Fig. 3 | TD-C learning principle and experimental results on learning performance.

Fig. 4 | Demonstration of fast adaptation to various daily tasks.

总结与展望

作者报告了一个无基质的纳米网格人工机械感受器，配备了元学习功能。该系统模仿了人类的感觉智能，并表现出高功效和对各种人类任务的快速适应。与通过皮肤伸长来识别运动的皮肤感受器类似，该纳米网格感受器用一个感应元件收集手的本体感受信号模式。纳米网状物受体的无基底特征允许使用单个传感器从许多区域收集复杂的信号模式。有了高度可分离的MFS，学习框架可以有效地学习驱分不同的信号，这种知识可以在基于度量的推理机制的帮助下用于稳健地预测不同的用户任务。模型的鲁棒性允许快速适应多个用户，而不考虑印刷的纳米网格受体的密度变化。预计将纳米网元素的数量增加到五个手指或更多，将能够识别更复杂的动作，使未来在机器人、元技术和假肢方面的应用成为可能。

文献链接

A substrate-less nanomesh receptor with meta-learning for rapid hand task recognition

https://doi.org/10.1038/s41928-022-00888-7

转自：“i学术i科研”微信公众号

如有侵权，请联系本站删除！