在机器学习的帮助下，电子设备——包括电子手套和电子皮肤——可以跟踪人手的运动，并执行物体和手势识别等任务。然而，这类装置体积庞大，缺乏适应身体曲率的能力。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单独任务。

鉴于此，斯坦福大学鲍哲南院士、韩国首尔大学Seung Hwan Ko、韩国科学技术院Sungho Jo等人报告了一种无基底纳米网状受体，该受体与无监督元学习框架相结合，能够对不同的手部任务提供与用户无关的、数据高效的识别。

这种纳米网由生物相容性材料制成，可以直接印在人的手上，通过将细微皮肤拉伸产生的电阻变化转化为本体感觉，模拟人类皮肤感受器。纳米网可以同时测量多个关节的手指运动，提供了简单的用户实现和低计算成本。

研究人员还开发了一种依赖于时间的对比学习算法，可以区分不同的未标记运动信号。然后，这些元学习的信息被用来快速适应各种用户和任务，包括命令识别、键盘输入和对象识别。

该系统可以从皮肤伸展的精细细节收集信号模式，并可以用于提取本体感觉信息，类似于皮肤受体为手部运动识别提供信号模式的方式。使用这种方法，可以使用来自食指上的单个传感器的信息来解码复杂的本体感觉信号，而不需要多传感器阵列。多关节本体感受信息可以从低维数据中重建，减少了学习网络的计算处理时间。当执行不同的任务时，来自各种关节运动的信号模式通过手腕上的无线模块传输。

预计将纳米网格元素的数量增加到五个手指或更多，将能够识别更复杂的运动，从而允许未来在机器人、元宇宙技术和假肢中的应用。

参考文献：

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).

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