基于元学习的无衬底纳米网用于快速手部任务识别

    电子设备可以识别人手的运动。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，如物体交互、手指拼写翻译和手势识别。然而，这些设备仍然体积庞大，并且缺乏适应身体曲率的能力，这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传感器——近年来发展迅速。但是，它们通常需要多个传感器和高水平的系统复杂性来精确定位多个关节的运动。此外，在这样的应用中使用的算法基于需要大量标记数据来执行单独任务的监督训练方法。由于任务的大的可变性和个体体形的差异产生不同的传感器信号模式，因此这些方法需要针对每个单个用户或任务进行密集的数据收集。

    针对上述的问题，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等人报道了一种无衬底的纳米网格受体，它与无监督的元学习框架相结合，可以提供对不同手部任务的用户独立且数据有效的识别。这种纳米网是由生物相容性材料制成的，可以直接印在人的手上，它通过将细微皮肤拉伸产生的电阻变化转化为本体感受来模仿人类皮肤感受器。单个纳米网格可以同时测量来自多个关节的手指运动。作者还开发了一种时间依赖的对比学习算法，可以区分不同的未标记运动信号。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。该工作以题为“A substrate-less nanomesh receptor with meta-learning for rapid hand task recognition”发表在《Nature Electronics》上。

【设计思路】

图1. 人工感官智能系统

    图1a为人类感觉运动阶段的图解，包括通过皮肤感受器的运动元学习及其对未知任务的快速适应。类似于此，作者的学习训练的第一阶段通过无监督的时间相关对比(TD-C)学习从随机手部运动中提取人类运动的先验知识作为运动特征空间(MFS)。先验知识随后通过少量标签进行传递，从而快速适应多种多样的人类任务。图1b为作者设计的人工感觉智能系统，由印刷的生物相容的纳米网格皮肤受体组成，通过纳米网格连接器(NC)与无线蓝牙模块直接连接，并通过元学习进行进一步训练。

    【皮肤纳米网状人工机械感受器】

图2. 纳米网格和器件性能

    本体感受依赖于将众多皮肤感受器收集的机械信号编码为神经信号。这些皮肤感受器被皮肤的拉伸激活，可以检测各种关节运动。这种功能可以通过沿着延伸到手腕的食指使用单个双端无衬底纳米网格元件来模拟。可以收集整个手指姿势和运动的综合信号(图2a)。由于纳米网与皮肤的直接接触，它紧密地跟随皮肤的外形，并以高灵敏度将微小的运动转化为电阻变化。除了能够基于手指和手腕的细微运动生成类似本体感受的多样化传感输出模式，纳米网格还具有生物相容性、透气性和机械稳定性(图2b)。作者通过研究证明，无衬底纳米网的局部化和解耦的信号特性实现了更好的学习性能。相比之下，在应用衬底时可以观察到性能下降。纳米网可以进一步区分手部运动的各种模式(图2f)，并在各种环境影响下表现出高耐久性。

    【元学习和对新用户的少量调整】

图3. TD-C学习原理及学习绩效实验结果

    图3c中示出了用户方面的少数镜头标记数据集和相应的模型预测。通过可转移的MFS和基于用户的度量推理，作者的模型可以鲁棒性地预测来自不同用户的手部动作。此外，作者的学习框架可以处理纳米网格密度的变化。作者的模型通过新打印的传感器向用户传递知识的能力在图3e中得到展示。使用监督学习方法训练的模型需要超过3000个训练时期来适应新用户，但是使用作者开发的学习框架训练的模型在20个转移训练时期内显示出超过80%的准确性。

    【快速适应任意任务】

图4.如何快速适应各种日常任务的演示

    在展示了学习框架使用未标记的随机运动数据来学习MF并通过少量演示为任意用户做出手势推断的能力之后，作者随后进行了几个代表性的日常任务，包括命令信号识别、单手数字小键盘打字(图4b)、双手句子打字(图4c)和对象识别(图4d)。这些应用展示了在日常生活中使用作者的系统的潜力，包括诸如人体运动识别、人体设备交互和人体物体交互之类的应用。对于每个单独的任务，用户首先通过便携式印刷机应用16个纳米网格印刷周期来印刷传感器(图4a)。然后将无线模块连接到纳米网格的两个终端。然后，用户通过执行每个单独的手势五次来提供一个少数镜头标记的数据集。所产生的传感器信号和相应的标签由模块传输到接收器。对于基于给定的特定任务数据集的潜在特征向量的分组，作者通过为将相同的手势映射到更接近的向量提供积极的奖励，进一步为额外的20个转移训练时期训练模型。该模型可以通过20个转移时期以82.1%的准确度对物体进行分类，而不是使用常规监督训练方法的数千个时期。

    总结，作者报道了一种无衬底的纳米网格人工机械感受器，配备了元学习功能。该系统模仿人类的感官智能，并表现出高效率和快速适应各种人类任务。预计将纳米网格元件的数量增加到五个手指将能够识别更复杂的运动，从而实现未来在机器人技术、元宇宙技术和修复术中的应用。

    来源：高分子科学前沿

    声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！