Nature新子刊，创刊论文出炉，中国青年学者联手打造！

Nature Sensors第一篇论文：不惧跑步和海浪，新一代“抗干扰”手势控制来了

在当下从虚拟现实到智能机器人不断加速演进的时代，人机接口早已不再满足于“能识别”，而是要做到“随时随地、任意姿态都能识别”。然而现实世界并不温柔：IMU 传感器对任何震动、摆臂、姿态变化都高度敏感，噪声的频率和幅度往往与手势本身重叠，让动作信号在真实环境中如同“淹没于海啸之中”。传统的硬件稳固、滤波算法或多传感器补偿都有局限，尤其是在跑步、骑行、震动或水下环境中，要从伪影中“挖出真正的手势”几乎是不可能任务。这种挑战使得当前很多人机界面都还停留在实验室条件，难以走入真实场景。

在此，美国加州大学圣地亚哥分校的徐升教授团队联合Joseph Wang教授用一种深度学习增强的可穿戴传感器系统，让这个不可能任务出现了突破。他们开发出一种深度学习增强的可穿戴人机接口系统，通过 IMU + EMG 多模态采集、复合数据集训练、卷积神经网络识别，以及可拉伸可穿戴的集成设计，实现了在跑步、震动、姿态变化甚至海浪干扰中依然保持高精度、实时手势识别。更令人惊喜的是，它不仅能稳定识别动作，还能精确控制机械臂完成抓取、倒液等操作，仿佛为人机界面装上了“抗噪声盔甲”和“智能大脑”。这项技术让未来的 VR 操作、户外人机交互甚至水下机器人控制都看到了全新可能。相关成果以“A noise-tolerant human–machine interface based on deep learning-enhanced wearable sensors”为题发表在《Nature Sensors》上，Xiangjun Chen, Zhiyuan Lou, Xiaoxiang Gao, Lu Yin为共同第一作者。

值得一提的是，这是Nature新创大子刊《Nature Sensors》发表的的第一篇文章!

高度集成、可穿戴、可拉伸的人机界面系统

在系统的硬件设计中，作者把一个完整的动作识别与无线通信平台压缩到只有 1.8 × 4.5 cm²、厚度 2 mm 的小巧贴肤设备中（图1a）。它像一片轻薄的电子贴片，却包含了六通道 IMU、肌电（EMG）模块、蓝牙 MCU 以及一颗可拉伸 Zn/Ag₂O 电池。IMU 捕捉加速度与角速度，EMG 负责识别抓握动作，而蓝牙模块则将处理后的信号实时发往后台控制端。整个电路采用多层结构堆叠（图1b），柔软基底与蛇形互连共同保证器件能承受超过 20% 的拉伸而不失效。同时，为了确保长期稳定工作，研究者自制了一颗耐弯折、可拉伸且循环性能稳定的电池，它在弯折、拉伸条件下仍能保持约 25 mAh 的容量（图1c）。无线通信方面，蓝牙信号在 20 米内稳定传输（图1d），而在连续运行 30 分钟后，设备表面温度也仅维持在 27.7°C（图1e），佩戴安全无虞。

图1：系统整体结构与性能

真实世界的“混乱数据”，让模型学会在噪声中识别动作

为了让系统学会在复杂环境中识别动作，研究团队没有只采集理想条件下的手势，而是构建了一个包含“噪声真实面貌”的数据集（图2a）。首先，他们采集了 19 种基本前臂动作的 IMU 信号，每个动作仅持续约 1 秒。随后，他们加入海量真实伪影：例如在姿态变化时，引力分量变化造成的基线漂移（图2b）；在高频振动中，按摩枪产生的剧烈扰动（图2c）；以及跑步过程中手臂自然摆动叠加身体震动的复合扰动（图2d）。这些扰动不仅幅度大，还在频率、波形上与手势信号高度重叠，正是现实中 IMU 最难处理的部分。与此同时，EMG 信号被用来区分抓握与松开（图2e），即便在跑步或振动中其信噪比显著下降，但仍保留着独特的肌肉激活结构。

图2：19 种动作的 IMU 信号及三类典型噪声

卷积神经网络让动作“脱离噪声”，迁移学习让新用户即刻上手

在这样复杂的数据条件下，研究者构建了一个结构优化的一维卷积神经网络（CNN），对 IMU 六通道信号进行融合与分层特征提取（图3c）。与全连接网络与循环网络相比，CNN 在召回率、精度、F1 值等指标上全面胜出（图3b），显示它对复杂噪声具有更强的特征分离能力。模型训练采用了复合数据集，即把手势信号与不同阶段的跑步、振动、姿态变化噪声叠加在一起，使模型学会在最混乱的情况下捕捉手势的稳定特征。

考虑到不同人的手势幅度与噪声模式可能差异巨大，研究团队还引入了参数级迁移学习，让系统具有“面向个人快速适配”的能力（图3d）。模型先在五个人的大规模数据集上预训练，而面对新用户时，只需要每个动作提供 2 条信号（坐着一条、躺着一条），模型就能在极少数据下迅速调整参数，使识别准确率从 51% 一举提升到 92%（图3e）。为了实现实时识别，他们还加入滑动窗口机制（图3f），每隔 0.25 秒基于 1 秒窗口进行一次预测，使系统在动作连续变化中也能平稳输出，不会出现“动作断点”。

图3：卷积神经网络架构、迁移学习流程、不同模型对比、混淆矩阵与滑动窗口机制

跑步、高频振动、姿态变化下仍可稳定操控机械臂

系统的最终检验来自真实任务：控制机械臂执行动作（图4a）。在传统 IMU 系统中，跑步或高频振动会让加速度与角速度信号剧烈跳动，几乎无法提取有效手势指令；但在深度学习处理后，这些噪声被模型“消化”掉，最终输出的手势分类依旧清晰稳定。研究者在跑步机上边跑边操作，机械臂依然能够平稳执行取液并倒入烧杯的动作（图4b），没有因为噪声而出现抖动或动作错误。更难能可贵的是，不论用户是在高频振动下、姿态变换中，还是在“跑步 + 振动”的极端组合场景下，系统仍能连续识别动作并驱动机械臂无缝操作。结合 EMG 判断抓取动作后，机械手甚至能在噪声干扰下实现精准的抓取与松开。这标志着该系统从单纯的“动作识别”真正跨越到“任务控制”，具备进入现实世界的稳定性。

图4：在跑步、高频振动等干扰下实时控制机械臂执行抓取与倒液动作

即使在海浪的周期干扰中，也能准确识别动作

为了挑战极端环境，研究者将设备放入海气模拟器中，模拟不同波长、不同波高的海浪扰动（图5a,b）。海浪的周期性与不规则叠加会让 IMU 输出产生极其复杂的“海浪噪声”，这是 IMU 信号处理中最棘手的干扰之一。但在深度学习模型训练后，系统能够从“海浪 + 手势”的叠加信号中依然分离出动作特征，实现稳定高精度识别（图5c）。令人意外的是，在海水环境中，EMG 电极与皮肤的界面阻抗更低，反而提升了抓握信号的稳定性。这意味着未来潜水员可以在海浪起伏的环境中，通过简单的手势操控水下机器人进行探测、采样、打捞等任务，为海洋工程开辟新的操作方式。

图5：海浪环境下的 IMU 信号采集与模拟海波干扰下的动作识别表现

小结

这项研究以系统级设计解决了可穿戴动作识别的核心瓶颈——对复杂动态噪声的高度敏感性。从硬件的柔性集成，到真实噪声采样构建的复合数据集，再到迁移学习加持的卷积神经网络，最终实现了在跑步、震动、姿态变化与海浪干扰下依然可靠的实时识别与动作控制。未来，通过更短窗口、更复杂动作、多模态融合以及更强的水下通信能力，这种抗噪声、高鲁棒性的可穿戴人机接口有望成为智能可穿戴设备、软体机器人、VR 手势控制、医疗康复乃至水下机器人操控的关键技术基础。