外骨骼读心术来了！意念增强肌肉力量，深度学习预测准确率96.2%

手臂还没抬起来，外骨骼就知道你要干啥了！

美国佐治亚理工学院等机构的研究团队近日公布了一套"读心"外骨骼系统。这套系统在你动作发生前就预测你的意图，500-550毫秒内给你加个buff

怎么做到的？研究人员给外骨骼装上了柔性生物电子传感器，专门捕捉你的肌肉信号。再配合云端深度学习算法，实时分析你想干啥。

简单来说，就是通过肌电信号预测运动意图，然后让外骨骼提前做好准备，在你需要的时候精准发力！

这项发表在《npj Flexible Electronics》上的研究，为中风患者、老年人等运动功能受限人群带来了新希望。

▍柔性传感器+云端AI，打造意念控制新范式

传统的外骨骼系统往往存在诸多限制：要么只能按照预设程序运行，缺乏实时感知能力；要么体积庞大、布线复杂，难以在日常生活中使用；更关键的是，大多数系统无法准确预测使用者的运动意图。

佐治亚理工团队的这套系统巧妙地解决了这些痛点。

首先是传感器的突破。研究团队开发了一种超薄柔性EMG（肌电图）传感器，可以像创可贴一样贴在皮肤上。这种传感器采用了蛇形金纳米膜电极设计，即使在30%的拉伸应变下，经过300次循环测试后电阻变化依然微乎其微。

与商用的硬质凝胶电极相比，这种柔性干电极不仅避免了长时间佩戴造成的皮肤刺激，还能与不规则的人体表面实现贴合，最大程度减少了运动伪影。在对比测试中，柔性传感器获得的EMG信号质量与商用传感器完全相当，信噪比表现相近。

其次是云端深度学习的应用。系统采用了CNN+LSTM混合架构，能够实时处理来自四个肌肉部位（二头肌、三头肌、三角肌中束、背阔肌）的EMG信号。

深度学习模型的工作流程是这样的：当使用者产生运动意图时，相应的肌肉会产生电信号，四个传感器同时采集这些信号并无线传输到云端。云端对原始EMG数据进行分段处理，每段1秒，重叠250毫秒，经过带通滤波后输入到深度学习模型中。

模型针对每个肌肉位置都有独立的分类器，最终综合四个分类器的输出来判断使用者的运动意图。测试结果显示，对于二头肌/三头肌的动作分类准确率达到95.38%，对于三角肌中束/背阔肌的分类准确率更是高达97.01%

▍软体气动人工肌肉，提供897牛顿辅助力

有了精准的意图识别，接下来就是如何提供有效的力量辅助。研究团队采用了软体气动人工肌肉（PAM）作为驱动源。

这种人工肌肉的工作原理类似于人体肌肉：当充入压缩空气时，硅胶内胆膨胀，但由于外层聚酯网套的限制，PAM只能在纵向收缩，从而产生拉力。这种设计不仅重量轻（单个PAM仅104克），还具有极高的力重比。

性能测试显示，单个PAM在80 psi（552 kPa）压力下可产生高达897牛顿的力，同时产生87毫米的位移。考虑到安全因素，系统的工作压力范围设定在10-60 psi之间，并配备了70 psi的压力释放阀。

整个外骨骼框架主要由碳纤维制成，配合机加工铝合金连接件和不锈钢螺栓，既保证了强度和刚度，又实现了轻量化设计。框架重量仅670克，加上三个PAM、电池、控制电路等所有组件，整套系统总重量仅4.7公斤

据悉，外骨骼还采用了可伸缩设计，能够适应不同身高体型的使用者。从157厘米的女性到190厘米的男性，都能通过简单调节找到合适的佩戴位置。所有的PAM都被巧妙地安置在背包内，通过缆绳将力传递到外骨骼框架，既不影响使用者的自然动作，又能在需要时提供即时辅助。

系统支持四种主要的上肢动作：肩关节屈曲、肩关节伸展、肘关节屈曲和肘关节伸展。这些动作覆盖了日常生活中大部分的手臂活动需求。

▍实测效果：肌肉活动降低3.7倍，轻松完成日常任务

那么，这套系统的实际效果如何呢？研究团队进行了详细的对比测试。

在无负载的情况下，测试者分别在有无外骨骼辅助的条件下重复进行肘关节和肩关节屈曲动作。结果显示，使用外骨骼后，二头肌的平均EMG活动强度降低了3.9倍，三角肌中束的活动强度降低了3.5倍

即使在负重情况下，外骨骼依然表现出色。当测试者手持6.8公斤（15磅）哑铃时，外骨骼能够将肘关节屈曲时的肌肉活动降低1.4倍，肩关节屈曲时降低1.6倍。

在一项耐力测试中，测试者被要求保持举起6.8公斤重物的姿势。在外骨骼辅助下，测试者轻松坚持了超过3分钟；而没有辅助时，同一测试者坚持不到1分钟就因疲劳而放弃

研究团队还展示了外骨骼在日常生活场景中的应用：将箱子放到架子上、使用电钻、伸手拿门把手、从椅子上起身等动作都能得到有效辅助。由于系统支持多关节组合动作，使用者可以根据需要灵活切换不同的运动模式。

值得一提的是，整个系统的响应速度非常快。从肌肉信号的采集、云端处理、动作预测到外骨骼响应，全过程仅需500-550毫秒，基本可以做到与人体动作同步。

这种基于意图驱动的控制方式，让使用者只需要像平常一样产生运动意图，系统就能自动识别并提供相应的辅助，无需复杂的操作或训练。

研究团队表示，这项技术不仅能帮助中风患者和老年人恢复日常生活能力，还可能在工业生产、医疗护理等需要长时间保持特定姿势或搬运重物的场景中发挥重要作用。

目前，研究团队正在开发更加通用的深度学习模型，希望能够建立一个适用于不同人群的统一系统，而不需要为每个使用者单独训练模型。借助云计算平台的优势，系统可以不断收集和学习来自多个使用者的数据，持续优化预测精度。

这项研究为下一代人机交互技术提供了有益借鉴：将柔性电子学、人工智能和机器人技术深度融合，打造真正以人为中心的智能辅助系统。