基于印刷式自适应机器学习的人机交互界面：多模态感知与闭环反馈的软体机器人系统

为解决柔性人机交互界面在个体适应性、多模态感知和闭环反馈方面的技术瓶颈，研究人员开发了一种集成印刷式电子皮肤(sEMG)和软体机器人的智能系统。通过线性映射网络(LMN)和初始时间模型(ITM)实现手势分类准确率>98%，结合卷积神经网络(CNN)实现20种材料的识别(准确率98.03%)。该工作为医疗康复和智能机器人提供了可量产化的闭环交互解决方案。

　　

在智能制造和医疗机器人快速发展的今天，如何让机器真正"感知"世界并与人类自然交互，成为制约技术突破的关键瓶颈。传统机器人仅能记录加速度、扭矩等简单信号，而人类皮肤却能同时感知压力、温度、材质等多种信息。更棘手的是，现有肌电信号分类模型存在计算复杂、个体适应性差等问题，Transformer模型训练耗时，循环神经网络(RNN)难以捕捉局部特征。这些问题严重阻碍了人机交互的自然性和实用性。

为此，上海科技大学等团队在《SCIENCE ADVANCES》发表创新研究，通过印刷电子技术构建了包含电子皮肤(e-skin)和软体机器人的闭环系统。研究采用三大核心技术：1)集成直接墨水书写、红外激光和切割激光的多材料印刷系统，制造40μm精度的传感器阵列；2)结合线性映射网络(LMN)和初始时间模型(ITM)的自适应算法，仅需5次手势重复即可实现94.36%分类准确率；3)多模态传感器融合(压力、温度、电导率、热导率)的CNN识别系统。

【设计与打印软人机界面】

通过三轴运动平台集成气动分配器，使用PDMS/C(聚二甲基硅氧烷/碳)、PEDOT:PSS(聚3,4-乙烯二氧噻吩:聚苯乙烯磺酸盐)等墨水打印出蛇形结构的柔性电极。sEMG电极在0.85mm拉伸位移下应力<3.3MPa，刺激电极在5V电压下产生可编程反馈。

【实时手势分类的自适应机器学习】

创新性地采用LMN矩阵调整八通道信号权重，配合ITM模型的多尺度卷积核(10/20/40)捕捉时域特征。在0.1s延迟下实现98.33%准确率，对截肢患者仅需5次重复训练即达89.82%准确率，解决了肌电信号个体差异大的难题。

【软体机器人多模态传感特性】

印刷的传感器阵列包含PVDF/IL(聚偏氟乙烯/离子液体)压力传感器(灵敏度10.5pF/kPa)、碳温度传感器和PEDOT:PSS水凝胶电导传感器。通过Ecoflex/PDMS软体手指设计，在6kPa气压下实现360°弯曲，配合热-电双模态识别使材料识别种类提升至20种。

【截肢患者的应用验证】

MRI显示术后肌肉水肿导致40%信号衰减和0.42s延迟，但通过自适应算法仍实现11种手势控制。软体假肢成功完成柠檬抓取等任务，证实了临床实用性。

这项研究突破了传统人机交互的单向控制局限，建立了包含神经信号解码(人类→机器)和感知反馈(机器→人类)的双向闭环。特别是将材料识别维度从单一热导率扩展到热-电双模态，使识别准确率提升34.04%。印刷制造工艺和自适应算法为智能假肢、手术机器人等医疗应用提供了可量产化的技术路径，标志着柔性电子与人工智能融合的重要突破。