肌肉力量作為復雜信號，其收縮或拉伸有時并不伴隨宏觀肢體運動，也因此難以被傳統傳感器所感知。

隨著人機界面（HMI）在家庭機器人、康復外骨骼以及遠程醫療等領域的不斷拓展和廣泛應用，市場對于能夠與人體生理實現無縫集成的傳感界面的需求日益增長且愈發迫切。目前，現有的各類肌肉力量監測工具均存在一定局限性：肌電圖無法對被動肌肉收縮狀態進行測量；光學和超聲波技術由于采用剛性換能器，在監測過程中容易產生運動偽影；強粘性肌肉傳感器在持久粘附性以及移除后重新應用的穩定性方面面臨挑戰；磁法測量需手術植入磁鐵，有感染風險……

在此背景下，如何讓機器精準“讀懂”人體信號，切實、準確地捕捉和解讀人體肌肉活動及其輸出力，依是實現人機自然交互過程中亟待解決的關鍵難題。

▍提出FMEIS，實現人機交互新突破

據探索前沿科技邊界，傳遞前沿科技成果的X-robot投稿，來自新加坡南洋理工大學的王一凡教授團隊面對肌肉力量監測難題，在新加坡科技研究局、南洋助理教授基金等項目的支持下進行了深入研究，并于近期開發出一款柔性多通道肌肉電阻抗傳感器（FMEIS）。

圖1：柔性多通道肌肉電阻抗傳感器（FMEIS）

FMEIS傳感器墊厚度僅220 μm，彈性模量為212.8 kPa，與人體皮膚的彈性模量范圍[420至850 kPa]十分接近。實際應用測試中，FMEIS表現卓越，在手勢分類任務中實現了98.49%的準確率，在肌肉力量預測任務中達到了0.98的判定系數 ( R2 )。

與傳統的肌電（EMG）信號監測方式相比，FMEIS具有獨特優勢。傳統肌電信號只能感知有神經激活的表層肌肉情況，而FMEIS通過施加低強度高頻電流，能夠感知肌肉組織的阻抗變化，進而捕捉深層肌肉在收縮過程中的阻抗變化。基于此，FMEIS不僅可以精準識別手勢、預測肌肉輸出力，即便在人體無顯著動作的情況下，也能做出準確響應，極大地豐富了可用于高級人機界面（HMI）的生理反饋信息，為人機界面的構建提供了突破性的技術手段。

近日，該研究的相關論文成果已以“Flexible Multichannel Muscle Impedance Sensors for Collaborative Human–Machine Interfaces”為題，發表于《Science Advances》。新加坡南洋理工大學的李君威博士為論文第一作者，王一凡教授為論文通訊作者。

▍兩大關鍵，共同構成FMEIS系統

FMEIS系統由一個輕質的4g傳感器墊和一個53g的控制單元組成。

• 傳感器墊

傳感器墊由一片超薄（厚度僅220微米）、高柔性（楊氏模量約為212.8 kPa）的可重復使用貼片構成，佩戴在前臂上。該貼片通過50 kHz、0.4 mA的安全交流電流進行多通道信號注入與采集。傳感器墊采用自主設計的拉伸型導電圖案、高粘附性封裝材料以及導電水凝膠電極，確保在大幅動作下仍能保持良好的貼合與信號穩定性。

其低模量、高粘附性的設計，主要得益于采用了改性聚二甲基硅氧烷基底和封裝材料。該材料能夠與皮膚形成可逆氫鍵，從而確保在長時間使用過程中，信號質量始終保持穩定，并且可以實現可靠的重復使用，不會出現明顯的粘附性下降問題。

此外，導電水凝膠電極的加入，有效降低了接觸阻抗，進一步提升了信號的穩定性。嵌入在傳感器墊中的可拉伸電路，具備出色的柔韌性，能夠承受高達50% 的應變，且不會對信號完整性產生任何影響。

通過多通道信號注入與采集，傳感器墊可實時監測肌肉電場變化。當肌肉收縮時，前臂橫截面變形導致電場扭曲，進而在電極處測得電位變化。通過數值分析，可推斷出底層肌肉的收縮狀態。

圖2：FMEIS的拉伸、黏附性能及其多肌肉收縮感知

• 控制單元

FMEIS控制單元運用先進的機器學習算法，對多通道阻抗數據進行高效處理，進而實現手勢分類和肌肉力量預測功能。基于精心設計的薄粘性傳感器墊，該系統在復雜手勢識別測試中準確率達98.5%；在肌肉力量回歸分析中擬合優度R2高達0.98。更具優勢的是，其可感知皮下約30毫米內肌肉區域的動態狀態，彌補了EMG對深層肌肉不可測的盲區。如此高的檢測精度，充分確保了 FMEIS 在多種人機交互應用場景中，包括人機協作、外骨骼控制以及虛擬手術等，都能展現出可靠穩定的性能。

▍實驗測試，驗證優越性展示多功能

為更全面地凸顯FMEIS的關鍵優勢，研究團隊對各類肌肉收縮檢測方法在運動偽影抑制、檢測深度、分辨率、兼容性、成本效益以及非侵入性等多個關鍵性能指標方面進行了細致對比。

• 手勢分類

將連續阻抗模式流用于10個常用手勢分類，傳感器墊置于前臂內側。通過主成分分析評估訓練數據質量，顯示手勢邊界清晰；用單因素方差分析自動特征選擇，以完全連接神經網絡為分類模型，總體準確率98.22%，凸顯FMEIS高可重復性。

圖3：FMEIS手勢分類和肌肉力回歸預測

• 肌肉力量回歸分析

以捏動作為測試用例，傳感器墊貼于FDS肌腹上方。用二次支持向量機作為力回歸模型，F測試方法自動特征選擇，回歸結果顯示預測夾力和真實夾力R2為0.97，RMSE為1.61N，表明FMEIS準確測量肌肉力量潛力大。

• 個體間穩健性和普遍性驗證

通過對三位參與者進行手勢分類和肌肉力量回歸分析，研究團隊發現FMEIS平均手勢分類準確率98.49%，肌肉力量回歸平均R2值0.98，這表明其對皮膚阻抗和脂肪組織厚度變化穩健性強。FMEIS 有望突破其他技術局限，并應用于三個HMI場景。

• FMEISVSEMG傳感器

為證明FMEIS優于傳統EMG傳感器，實驗進行了檢測能力對比。將FMEIS附著在參與者前臂，16電極分兩組，分別捕捉FCR和ECR肌肉活動，參與者重復做腕屈伸運動。從電極收集的阻抗數據能準確反映肌肉主動收縮和被動拉伸。而商用EMG傳感器記錄的信號，在肌肉被動拉伸時無電活動，只能檢測主動收縮。這表明FMEIS可有效測量主動和被動肌肉運動，克服傳統傳感器局限。此外，FMEIS能檢測不同深度肌肉驅動的手勢，最大檢測深度約30毫米，相關性能指標有詳細討論。

在人機協作、外骨骼控制和虛擬手術三個代表性場景中，研究團隊也就FMEIS的多功能性進行了展示。

• 人機協作

在典型應用場景驗證中，FMEIS成功實現了操作者與協作機器人之間的自然交互。在沒有明顯手部動作的情況下，FMEIS便可通過肌肉信號解析操作者的操作意圖，驅動機器人完成精密同步操作，極大提升工業組裝任務的效率與安全性。相較傳統技術，其對肌肉微弱收縮變化更為敏感，有助于降低交互過程中的潛在碰撞風險。

圖4：FMEIS的人機協作應用

• 外骨骼控制

FMEIS還可用于調節外骨骼設備輸出力，實現動態輔助。在手部外骨骼測試中，FMEIS輸出信號驅動的外骨骼響應延遲僅為756毫秒，輸出趨勢與實際握力高度一致。在增強握力實驗中，FMEIS驅動系統將最大輸出提升了65%。與EMG系統的并聯使用實驗表明兩者信號無干擾，且在8分鐘持續用力測試中，FMEIS有效延緩了肌肉疲勞的發生。

圖5：FMEIS控制外骨骼實現助力

• 虛擬手術

在虛擬手術場景中，FMEIS作為操作者與VR系統之間的關鍵橋梁，可精準反饋手勢與力量信息，控制虛擬手術刀沿預設路徑完成仿真切割任務。手術刀的前進速度與切割軌跡依據肌肉發力的動態預測值自動調整，極大提升了虛擬手術系統的實時響應與擬真程度。該系統在未來有望與觸覺反饋系統聯動，實現可穿戴、沉浸式遠程手術控制。

圖6：FMEIS控制虛擬現實手術

通過系統性實驗測試與多場景應用展示，研究團隊就FMEIS柔性生物傳感平臺的技術優勢進行了充分驗證。該平臺兼具皮膚親和性強、抗干擾能力優異、可重復使用等特性，能夠以非侵入式測量方式實現肌肉動態信號的高精度捕捉，且與主流肌電監測系統具備良好兼容性。基于交流微電流的創新技術方案，經安全性驗證可滿足人體長期使用需求。

作為肌肉信號采集領域的突破性成果，FMEIS 不僅革新了傳統測量范式，更為構建自然高效的人機交互界面提供了關鍵技術支撐。隨著技術的持續迭代，FMEIS 有望在康復機器人、智能可穿戴輔助設備、神經接口等前沿領域實現深度應用，展現廣闊的產業化前景。

▍關于X-robot

X-robot是中關村機器人產業創新中心與機器人大講堂聯手打造的權威性信息發布品牌專欄，集前沿探索、產業研究、知識普及于一體，致力于積極推動新質生產力的生成與發展，助力我國乃至全球機器人行業的蓬勃繁榮。X-robot立足國際化視野，通過全方位、多角度的挖掘與追蹤，生動展現機器人前沿技術與尖端成果，為學術界、產業界及公眾提供一個洞見未來、共享科技的重要窗口。

參考文章：

https://www.science.org/doi/full/10.1126/sciadv.adv3359