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，这种装置仍然体积庞大，并且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个体任务。 这里，斯坦福大学鲍哲南教授、首尔大学Seung Hwan Ko和韩国科学技术院Sungho Jo等人报告了一种无基底纳米网格受体，它与无监督元学习框架相结合，可以提供独立于用户的、数据高效的不同手部任务识别。这种纳米网格由生物相容性材料制成，可以直接打印在人手上，通过将精细皮肤拉伸的电阻变化转化为本体感受来模拟人类皮肤受体。单个纳米网格可以同时测量多个关节的手指运动。作者还开发了一个时间相关的对比学习算法，可以区分不同的未标记的运动信号。之后这种元学习信息可以用于快速适应各种用户和任务，包括命令识别、键盘打字和对象识别。图文解读图1 人工感觉智能系统在感官反馈的帮助下，人类可以适应各种各样的日常任务。特别是本体感觉，提供了对手的实时姿势配置的理解，并在诸如物体识别、操纵和通信的交互式任务中起着关键作用。本体感受的基础知识在儿童的幼年时期(感觉运动阶段)就已经形成，并且包括将手部运动与分布在皮肤各个部位的皮肤感受器传递的信息相关联。这种感觉运动信息作为先验知识，帮助婴儿只需几次尝试就能快速学会执行新任务。这个过程构成了元学习的基础(图1a)。作者报告了一种纳米网状人工机械感受器的开发，它与一种无监督的元学习方案相集成，可用于不同手部任务的数据高效、用户独立的识别。纳米网以生物相容材料为基础，可以直接印刷到皮肤上，无需外部基底，从而提高用户舒适度并增加其灵敏度。该系统可以从皮肤伸展的细微细节中收集信号模式，并可以用于提取本体感觉信息，类似于皮肤感受器为手部动作识别提供信号模式的方式。通过这种方法，复杂的本体感受信号可以使用来自沿食指的单个传感器的信息来解码，而不需要多传感阵列。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使用放置在手腕上的附接无线模块来传输(图1b)。图2 纳米网格和器件性能纳米网格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，纳米网还具有生物相容性、透气性和机械稳定性(图2b)。图3 时间相关对比（TD-C）学习原理及学习绩效实验结果与传统的监督学习框架相比，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，而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。图4 快速适应各种日常任务的演示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。类似于通过皮肤伸长识别运动的皮肤接收器，纳米网格接收器通过单个传感元件收集手部本体感受信号模式。纳米网格接收器的无衬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。通过高度可分离的运动特征空间（MFS），作者的学习框架可以有效地学习区分不同的信号，该模型的稳健性允许快速适应多个用户。作者预计将纳米网格元件的数量增加到五个手指或将能够识别更复杂的运动，从而允许未来在机器人技术、元宇宙技术和修复术中的应用。文献信息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
