近日，上海科技大學（簡稱：上科大）生物醫學工程學院于游課題組和合作者在《科學進展》（Science Advances）上發表標題為“Printed sensing human-machine interface with individualized adaptive machine learning”的研究論文，報道了一種3D打印技術制備的多模態傳感柔性生物電子人機交互界面，結合個體間自適應的機器學習算法，打通了從控制、手勢識別到機器人觸覺感知反饋的交互路徑，并且進一步在智能假肢方面展現出巨大的應用潛力。
人機交互界面（HMI）是實現“人-機-環境”三元共融的核心，在智能制造、醫療健康、深空探測等領域具有廣闊的應用前景。現有的柔性人機交互界面系統面臨較多瓶頸，如核心傳感部件多依賴微納加工方法，工藝復雜、成本高昂；機器學習方法對個體生理差異和器件穿戴位置敏感，導致適應性差、重置標定建立模型的流程繁瑣；機器端感知維度單一，缺乏仿生皮膚的綜合性觸覺，難以完成精細的識別與交互任務。
在此背景下，團隊結合多材料墨水直寫與精密激光加工技術，實現了柔性電子與軟體機器手傳感器陣列的一體化、低成本、大規模制造。該工藝能夠以微米級精度打印包含壓力、溫度、電導率等多模態傳感器的高度集成化柔性器件（圖1A）。集成了柔性傳感陣列的氣動軟體手受人體肌電信號（EMG）控制，可根據不同意圖執行對應動作，具備多模態傳感能力的機器手可以區分觸碰到的物體材質，并經由電子皮膚反饋給人體相關信息。
圖1 （A）雙向信息采集和交互的柔性傳感生物電子示意圖；（B）自適應機器學習算法實現低樣本量遷移學習并完成模型的個性化適配；（C）智能假肢在前臂截肢者的實際應用。
針對生理電信號個體差異性問題，團隊設計了一種通道線性映射方法（LMN）結合遷移學習策略的自適應機器學習算法（圖1B）。該算法能夠在新用戶身上實現“少樣本迅速適應”，僅需數次動作校準即可完成模型的個性化適配，在14種復雜手勢的識別任務中，平均準確率高達98%以上，且系統延遲低至0.1秒。為了賦予軟體機器手多維度仿生觸覺，團隊還創新性地融合熱導率和電導率傳感，通過卷積神經網絡進行數據解析，機器手結合傳感陣列能夠對多達20種日常物品（如金屬、塑料、木材等）進行精準的材質識別，準確率超過98%，極大地提升了機器人的環境感知與交互能力。
最終在一位前臂截肢的志愿者上開展應用測試，全面驗證了整個閉環交互系統的有效性和魯棒性（圖1C）。結果表明，即便在患者殘肢肌肉信號存在衰減和延遲的情況下，系統依然能以94.36%的準確率穩定識別其手勢意圖，并驅動機器手完成相應動作，充分展示了該技術在下一代智能義肢領域的應用潛力。
上海科技大學生物醫學工程學院2024級博士研究生王國徽、生命科學與技術學院2021級本科生唐耀和生物醫學工程學院2023級碩士研究生羅欣冉為論文共同第一作者。上海交通大學醫學院附屬第六人民醫院宋文奇、上海科技大學助理教授于游為共同通訊作者，上海科技大學為第一完成單位。
論文鏈接：
https://doi.org/10.1126/sciadv.adw3725
