《Scientific Reports》：Wearable optomyography enables continuous neuroprosthetic control
编辑推荐：
针对传统表面肌电（sEMG）在传感器固定、信号串扰、时域不稳定及抗干扰等方面的局限，研究人员开展了一项利用光肌图（OMG）捕捉和解读肌肉活动的新主题研究。他们开发了搭载50个数据通道的OMG腕带系统，通过高效紧凑的全连接神经网络解码，使包括截肢者在内的参与者成功实现了对计算机的精准控制（如玩俄罗斯方块）。该研究证明了OMG在人机接口应用中，在性能、精度、稳定性和通用性方面超越传统方法的潜力。
想象一下，仅凭手势就能自如地操控电脑光标、打字，甚至畅玩电子游戏，这曾是许多科幻作品中的场景，也是人机接口（Human-Machine Interface, HMI）领域孜孜以求的目标。目前，实现这类控制的主流技术依赖于表面肌电图（surface electromyography, sEMG），它通过贴在皮肤上的电极捕捉肌肉电活动信号。然而，梦想照进现实的道路上布满荆棘：传统的sEMG腕带面临着传感器难以稳固佩戴、相邻肌肉信号相互串扰（cross-talk）、信号随时间推移不稳定，并且极易受到环境中电噪声和身体运动机械伪影的干扰。这些局限性像一道无形的屏障，阻碍了更自然、更可靠、更持久的神经义肢控制技术的发展。那么，有没有一种方法能够绕开这些障碍，为我们提供一种更清晰、更稳定的肌肉活动“阅读”方式呢？
在《Scientific Reports》期刊上发表的一项最新研究，为我们带来了一缕突破性的曙光。研究人员将目光投向了光肌图（optomyography, OMG）。这项技术的核心思想颇具巧思：它并非监测电信号，而是利用光线来探测肌肉收缩时引发的细微形态变化。当肌肉收缩或放松时，其轮廓、紧实度会发生改变，从而影响照射到皮肤表面的光信号的反射或透射特性。通过捕捉并分析这些光学变化，OMG技术能够间接但高精度地解码用户的动作意图。与sEMG相比，OMG具有天然的优势：它对电噪声免疫，机械接触的影响也截然不同，为解决传统方法的痛点提供了全新的思路。
为了验证OMG技术的可行性与优越性，研究团队设计并打造了一款专用的可穿戴设备——一个集成了50个独立数据通道的OMG腕带。这个腕带就像一个高度敏感的光学“听诊器”，持续“聆听”着手腕部位肌肉活动的“光学语言”。研究的核心挑战在于如何“听懂”这种新语言。为此，研究人员采用了一个高效、紧凑的全连接神经网络（fully connected neural network）作为解码器。这个神经网络的“教材”来自一项中心-外展任务（center-out task）：参与者做出不同的手势，控制屏幕上的光标从中心点移动到环绕四周的目标。通过记录这些手势对应的OMG信号，神经网络被训练成能够准确地将特定的光学模式映射到特定的控制指令（如上、下、左、右移动光标）。
实验招募了八名身体健全的参与者和一名上肢截肢者。经过训练，所有参与者都成功掌握了基于OMG腕带的控制技能。他们不仅能够完成在不同屏幕位置获取目标的任务，甚至还能流畅地玩《俄罗斯方块》这样的复杂游戏。为了定量评估控制性能及其随训练的改善情况，研究引入了多项严谨的指标：光标移动轨迹偏离理想直线的程度、完成路径的时间与最优时间的偏差，以及在成功选择目标前光标在目标附近徘徊的停留时间。结果令人鼓舞，所有参与者在使用OMG系统时都表现出了稳定且不断进步的控制能力，这强有力地证明了OMG作为一种人机接口输入方法的有效性、可学习性和鲁棒性。
这项研究通过构建一个多通道可穿戴OMG系统，并结合基于手势任务的神经网络解码方案，成功地实现了连续、稳定的计算机光标控制。其意义远不止于让几位参与者在实验室里玩上了游戏。它标志着我们朝着下一代高性能、高精度、高稳定性和更通用的可穿戴人机接口迈出了坚实的一步。对于全球数以百万计的肢体残疾人士而言，这项技术有望催生更灵敏、更舒适、更不易受干扰的神经义肢控制系统，极大地提升他们的生活自主性和质量。同时，它也为健康人群的增强交互（如虚拟现实控制、无声操控）开辟了新的可能性。光，不仅照亮了世界，在这项研究中，它正照亮一条通往更无缝、更强大人机融合的新道路。
主要关键技术方法：
本研究采用光肌图（OMG）技术，开发了一个集成50个数据通道的可穿戴腕带系统来采集肌肉活动信号。研究招募了8名身体健全参与者和1名上肢截肢者作为样本队列。解码部分使用了一个高效、紧凑的全连接神经网络，该网络使用参与者在中心-外展手势任务中产生的OMG数据进行训练，以将信号映射为计算机控制指令。
研究结果
1. 系统构建与信号获取
研究人员成功研制了一个多通道可穿戴OMG腕带系统，能够连续、非侵入性地捕获前臂肌肉群在活动时产生的光学信号变化，为基于OMG的解码与控制奠定了硬件基础。
2. 解码模型训练与验证
通过让参与者在屏幕上执行中心-外展光标控制任务并同步收集OMG数据，训练了一个全连接神经网络解码器。该模型能够有效学习从复杂的多通道OMG信号到手势意图的映射关系，验证了使用OMG信号进行连续控制解码的可行性。
3. 控制性能评估
所有参与者，包括截肢者，在经过训练后，均能使用OMG系统成功完成目标获取任务。性能评估指标（如轨迹偏差、时间偏差、目标停留时间）显示，随着练习，用户控制光标移动的路径更直、效率更高、目标锁定更果断，证明了OMG控制的稳定性和可学习性。
4. 复杂任务应用演示
研究进一步演示了OMG系统在更复杂、连续且需要实时反馈的应用中的潜力。参与者能够使用OMG腕带操控玩《俄罗斯方块》游戏，这直观地证明了该系统不仅适用于离散的目标选择，也能支持需要持续、多变控制的动态任务。
结论与讨论
本研究证实，可穿戴光肌图（OMG）是一种可行且有效的表面肌电图（sEMG）替代方案，用于实现连续、稳定的人机交互控制。所开发的OMG腕带与神经网络解码框架，使得包括截肢者在内的用户能够掌握对计算机的精确控制。与面临信号串扰、电噪声干扰等挑战的传统sEMG技术相比，OMG展现出了在性能、准确性、稳定性和应用多样性方面的潜在优势。该工作为下一代可穿戴人机接口设备的发展提供了新的技术方向，特别是在对可靠性和抗干扰性要求极高的神经义肢和辅助技术领域具有重要的应用前景。未来的研究可致力于优化硬件设计、开发更强大的解码算法，并在更广泛的残疾人群和日常应用场景中进行长期验证。
