DualMyo: Multi-Channel Dual-Stream Transformer Architecture for EMG-to-Digit Classification

长期以来，人类一直在寻求弥合思维与行动之间鸿沟的方法，特别是针对那些肌肉不再响应指令的人群。表面肌电图（surface electromyography）是实现这种连接最具有前景的工具之一，它能够倾听皮肤下肌肉发出的电信号微声。当一个人意图移动时，大脑会发送信号导致肌纤维放电，从而产生微小的电流。放置在皮肤上的传感器可以检测到这些电流，而无需进行任何手术或植入。虽然这项技术在控制简单的机械臂或选择基本手势（如张开手掌或旋转手腕）方面已经证明了其用途，但在处理需要精细精准度的任务时却遇到了困难。手写——这种涉及手指细微动作的复杂序列——仍然是一个难以攻克的领域。信号非常复杂，且模式随时间不断变化，这使得计算机很难区分一个字母与另一个字母，或在时间推移中保持准确性。

一支研究团队现在转向了一种新方法来解决这个问题，不再依赖于传统的将信号拆解为较小部分的方法。相反，他们开发了一个名为 DualMyo 的系统，该系统将来自多个传感器的电活动视为一个关于时间和空间的单一、流动的叙事。想象一下，数据不再是一系列孤立的快照，而是一个连续的流，其中一个传感器中信号的时机与其信号本身同样重要。研究人员构建了一个专门的计算机模型来读取这个流，密切关注不同传感器的信号如何相互关联，以及它们如何在毫秒间演变。该模型使用一种技术，使其能够理解序列中每个信息片段的位置，从而帮助它识别特定手指动作（例如形成字母的曲线）的独特节奏。

这项工作的研究结果表明，在同一实验阶段内进行测试时，该系统能够以令人印象深刻的准确度学习识别手写数字。然而，研究人员深知，现实世界的使用将面临一个重大障碍：当人移动、改变手臂位置、甚至传感器在皮肤上轻微位移时，信号会发生变化。为了测试系统是否能处理这种情况，他们模拟了一个数据来自不同时间或略微不同设置的情景。他们发现该模型能够非常迅速地进行适应。通过向系统展示每个数字在每个新阶段的仅两个示例，并让其进行极短时间的学习，系统便调整适应了新的条件。在这些测试中，系统的准确率达到了约 91%，证明了它能够克服通常困扰此类接口的自然漂移和变异性。

尽管取得了成功，作者仍谨慎地指出，这只是向前迈出了一步，而非终点。这项工作是在受控环境下进行的，研究人员承认，还需要更多的测试来观察该系统是否能在不同人群或复杂的日常生活环境中实时运作。他们还指出，了解人体如何控制这些精细运动的完整范畴仍然是一个持续进行的科学旅程。研究结果表明，通过合适的架构，机器可以学会阅读手部微妙的电语言，为开发出像用笔书写一样自然的通信工具提供了一条潜在路径。