基于肌电信号同步预测手势与握力的仿生软体机器人手套在老年辅助抓握中的应用

这篇研究创新性地开发了一种基于肌腱-鞘人工肌肉驱动的仿生软体机器人手套，通过GRU-DANN（门控循环单元-域对抗神经网络）模型同步实现肌电信号（EMG）的手势分类（准确率92.12%）和握力回归预测（R2=0.935），显著降低用户前臂屈肌46.9%的活动强度。其突破在于融合多任务学习与跨用户迁移学习（跨主体R2达0.80），为老年手功能障碍患者提供个性化、高顺应性的实时抓握辅助。

　　

亮点

本研究受生物肌腱-肌肉系统启发，提出一种基于肌腱-鞘人工肌肉驱动的仿生软体机器人手套。其核心创新在于采用GRU-DANN神经网络框架，通过复合损失函数实现肌电信号（EMG）特征共享下的手势分类与握力回归同步预测，为自然人机交互提供实时精准控制。

人工肌肉驱动器的仿生设计

希尔（Hill）肌肉模型常用于描述手指运动中肌肉与肌腱的特性（图1a），包含收缩元件（CE）、串联弹性体（SE）和并联弹性体（PE）。基于该模型和肌腱-鞘传动机制，我们开发了一种具备生物肌肉顺应性的人工肌肉驱动器。

肌电控制

为实现实时抓握辅助，我们构建了同步预测手势与握力的控制系统（图4）。该系统采用监督学习算法，分离线训练与在线控制两阶段：训练阶段同步采集EMG信号和握力数据，通过滑动窗口分割EMG信号进行预处理和特征提取；在线阶段则动态调节手套辅助输出。

评估指标与训练过程

为全面评估模型性能，我们对五名受试者进行三组实验。手势识别采用准确率指标，握力估计则使用均方根误差（RMSE）和决定系数R²。跨用户测试中，模型取得79.43%分类准确率和R²=0.80的握力预测性能，验证了其泛化能力。

结论

本工作提出的肌腱驱动软体机器人手套，通过GRU-DANN多任务学习框架实现EMG信号的手势-握力同步解析，显著提升老年用户的日常抓握自主性。其生物启发设计与人机协同控制策略，为手功能康复领域提供了创新解决方案。