在机器学习的帮助下,包括电子手套和电子皮肤在内的电子设备都可以实现对人手移动的跟踪,并执行物体和手势识别等任务。然而,这些装置较为笨重,且缺乏适应身体弯曲的能力。此外,现有的信号处理模型一般都需要大量的标记数据来识别每个用户的单个任务。近日,来自斯坦福大学化学工程系的Zhenan Bao等人设计了一种无基质纳米网状受体,并将其与无监督元学习框架相结合,从而提供用户独立的、数据高效的不同手部任务识别。
文章要点:
1) 该研究设计的纳米网结构由生物相容材料制成,可以直接印在人的手上,通过将精细的皮肤上的电阻变化转化为本体感受,成功实现了对人类皮肤感受器的模拟;
2) 此外,单个纳米网格可以同时测量来自多个关节的手指运动,提供了简单的多任务实现和较低的计算成本,研究还开发了一种时间相关的对比学习算法,可以区分不同的未标记运动信号。该元学习信息成功用于快速适应多样的用户和任务,包括命令识别、键盘键入和对象识别。
参考资料:
Kim, K.K., Kim, M., Pyun, K. et al. A substrate-less nanomesh receptor with meta-learning for rapid hand task recognition. Nat Electron (2022).
DOI: 10.1038/s41928-022-00888-7
https://doi.org/10.1038/s41928-022-00888-7