《Frontiers in Neuroscience》：Quantitative identification of regular texture spacing via spatiotemporal signal analysis of pressure sensor responses
编辑推荐：
生物系统中的触觉感知是一个复杂的时空过程，机械感受器通过节律性相互作用解码表面属性。然而，当前的人工触觉识别主要依赖于高度约束条件下的离散分类，难以在自然交互场景中捕捉刺激的定量物理维度。本研究提出了一种时空方法，用于在自然变化的触觉交互条件下定量识别规则纹理
生物系统中的触觉感知是一个复杂的时空过程，机械感受器通过节律性相互作用解码表面属性。然而，当前的人工触觉识别主要依赖于高度约束条件下的离散分类，难以在自然交互场景中捕捉刺激的定量物理维度。本研究提出了一种时空方法，用于在自然变化的触觉交互条件下定量识别规则纹理间距，弥合了原始传感器动力学与几何感知之间的鸿沟。研究人员利用集成压阻传感器阵列的假肢手指，在动态滑动过程中采集触觉响应。为表征传感器阵列的频率调谐特性及节律性激励的能量分布，研究人员采用频谱质心分析（Spectral Centroid Analysis, SCA）进行初步特征提取，揭示了触觉交互过程中的空间耦合效应。随后，研究人员开发了一种层次化深度学习模型，结合卷积神经网络（Convolutional Neural Network, CNN）提取局部空间接触模式，并利用长短期记忆（Long Short-Term Memory, LSTM）单元整合准周期时间调制。研究人员引入通道注意力机制，以自适应加权非均匀感知区域的贡献。实验结果表明，该方法在纹理间距识别中达到76.80%的识别准确率，并且相较于缺乏时空整合的基线模型展现出更优的稳定性。关键在于，可解释性分析揭示，注意力机制能够在不受约束力引起的信号变异性中有效优先处理信息丰富的感知通道。该研究建立了一种基于注意力的触觉解码方法，证明空间异质性与时间周期性的耦合对于鲁棒感知至关重要。该方法为开发能够在无约束环境中实现类人触觉辨识能力的高级神经假肢和自主机器人提供了计算基础。
**论文解读**
**一、研究背景与问题**
触觉感知是人类与物理世界交互的重要途径，能够评估物体的尺寸、形状和温度等属性，并促进身体意识的发展。在机器人和神经假肢领域，触觉反馈对于稳定环境交互不可或缺，尤其是在视觉被遮挡或不可靠的情况下。近年来，触觉纹理识别通常被视为模式分类问题，研究者利用机器学习或深度学习模型从滑动接触中采集的振动或压力信号中解码纹理信息。然而，现有研究存在关键缺陷：其一，当前范式大多将触觉感知视为离散的“黑箱”分类任务，忽视了将节律性机械激励转化为定量物理表征的计算原理；其二，许多实验依赖严格恒定的按压力或固定接触轨迹，这与日常自然交互中动态变化、力波动明显的情况不符。在生物系统中，迈斯纳小体和帕西尼小体等机械感受器执行频率调谐，神经脉冲序列的时间结构与纹理的空间周期性内在关联。然而，很少有研究将可测量的表面几何参数（如脊间距）与涌现的时空信号模式联系起来，从而实现定量识别而非仅仅定性标注。因此，探究在自然物理交互的内在变异性和无约束动力学条件下，纹理间距等几何参数如何在高维时空流中被动态编码，是一个亟待解决的问题。
**二、研究目的与开展的工作**
为解决上述问题，研究人员提出了一种将触觉响应视为基于注意力的时空信号的方法。当传感器以速度v滑过间距为d的周期性脊时，会产生基频f≈v/d的准周期激励。这一过程具有三个内在特征：感知阵列上的空间异质性、由纹理空间频率决定的准周期时间调制，以及无约束触觉交互引起的非平稳幅度变化。为模拟触觉信息处理的上升阶段，研究人员开发了一种层次化时空方法用于纹理间距判别。他们使用配备压阻传感器阵列的假肢手指，通过频谱质心分析（SCA）表征频率域特征，随后利用卷积层提取局部空间交互模式，并采用长短期记忆（LSTM）单元整合准周期时间动态，最后引入通道注意力机制（SE模块）以适应非均匀感知区域的不同重要性。研究结果表明，所提出的ResSE-CNN-LSTM模型在3至7 mm纹理间距识别中达到76.80%的平均准确率，且标准差最低，证明时空整合和注意力加权机制在无约束力波动下显著提升了鲁棒性。该研究的意义在于揭示了空间异质性与时间周期性的耦合对于鲁棒触觉感知至关重要，为神经假肢和自主机器人实现类人触觉辨识提供了计算基础。
**三、关键技术方法**
本研究使用了以下主要技术方法：（1）实验数据采集：两名健康成年男性志愿者佩戴集成有15 × 4压阻传感器阵列的假肢食指，以自然无约束的压力按压规则纹理板，同时由YF-31混合步进电机驱动纹理板以恒定速度30 mm/s滑动，纹理间距设为3、4、5、6、7 mm，每个条件重复10次，共50次原始试验。数据以385 Hz采样，经带通滤波（1–100 Hz）和逐通道归一化预处理。（2）频谱特征提取：通过快速傅里叶变换（FFT）计算离散傅里叶变换（DFT），并对每个传感单元进行频谱质心分析（SCA），获得功率谱分布的重心描述符。（3）深度学习模型：构建层次化ResSE-CNN-LSTM架构，包括卷积层提取局部空间接触模式、LSTM层整合准周期时间动态、Squeeze-and-Excitation（SE）块进行通道注意力自适应加权，并采用残差结构优化特征表达。数据增强采用变长窗口切片、高斯噪声和时间抖动（因子20），并使用分层10折交叉验证评估模型性能。
**四、研究结果**
**（一）纹理依赖编码的频率峰值分析**
研究人员通过傅里叶变换分析不同纹理间距下的主频跟踪结果（图6a），发现主频随纹理间距增加而逐渐降低，符合f = v/d的反比关系。谐波分析（图6b）表明基频分量占据主要频谱能量，二次和三次谐波贡献较低，说明纹理相关时间编码主要由基频激励决定。
**（二）触觉交互中的空间异质性与频谱响应**
频谱质心分析（SCA）结果显示，频谱质心并不随间距增加单调下降，3 mm组最高，4 mm显著降低，5–6 mm轻微回升，7 mm再次下降。单因素方差分析（ANOVA）表明通道间频谱质心差异显著（F = 17.2827，p < 0.05），空间插值热图（图8）进一步显示了局部高频响应的空间梯度分布，证实了触觉信号获取过程中存在显著的空间耦合效应，传统频域方法无法直观区分1 mm分辨率的纹理间距。
**（三）ResSE-CNN-LSTM模型的评估与消融分析**
研究人员通过消融实验比较了基线LSTM、CNN-LSTM和最终ResSE-CNN-LSTM。10折交叉验证结果显示，仅使用LSTM的准确率为65.60% ± 14.99%；引入CNN层后提升至73.20% ± 5.67%；加入ResSE块后达到最高76.80% ± 5.31%，且标准差显著降低。这表明残差结构SE块通过强调信息通道和抑制噪声，实现了更稳健的纹理间距分类。
**（四）多模型对比与注意力机制的可解释性**
将ResSE-CNN-LSTM与SVM（73.60% ± 12.16%）、Deep-CNN-LSTM（75.60% ± 7.03%）和GFF-PDCN（27.20% ± 14.40%）对比，所提模型准确率最高且标准差最低。统计检验显示相对于GFF-PDCN提升显著（p < 0.001），但相对于SVM和Deep-CNN-LSTM未达到显著性阈值。混淆矩阵显示7 mm和3 mm分类准确率高（0.96和0.88），5 mm与6 mm之间混淆明显（32%的5 mm样本被误分为6 mm），可能与步进电机工作频率（6 Hz）产生的频率耦合效应有关。SE通道注意力权重演化表明，关键通道（如6–21）权重收敛至1.0，冗余噪声通道（如38–39）权重趋近于0.0，证明模型能够自主学习并聚焦重要传感区域。
**五、讨论总结与结论翻译**
讨论部分指出，将机械激励频率与触觉信号主频带对齐以提高信噪比是合理的工程策略。SCA结果进一步表明，纹理间距的触觉感知并非简单的线性映射，而是受复杂接触力学控制，空间异质性显著。ResSE-CNN-LSTM通过卷积和LSTM实现时空整合，其性能提升证明纹理间距编码本质上是时空整合任务。SE块的自适应通道加权在无约束力条件下有效抑制冗余通道，标准差的显著降低说明注意力机制是鲁棒感知的结构性必要条件。但研究也存在局限性，包括单一滑动速度、固定传感器配置、规则纹理和有限间距范围，未引入外部力校准系统测量绝对力分布，以及未系统考察单个通道对频率编码的贡献等。未来工作将扩展到更复杂的自然纹理，集成多模态反馈，并结合直接压力测量实现更全面的触觉感知。
研究结论为：研究人员通过基于注意力的方法探究了触觉动力学中周期性结构信息的信号级表征。实验结果表明，分布在不同纹理间距下的空间频率信息在触觉响应中形成了可预测的时域频率模式（f = v/d）。SCA实验证明自然状态下的触觉响应是空间非均匀过程，需要高维解码方案。消融和对比实验确认所提出的ResSE-CNN-LSTM架构在纹理间距识别中达到76.80%的分类准确率，优于传统SVM和其他深度学习基线。该性能提升主要归因于空间卷积与时间记忆的整合，使模型能够在无约束接触力的变化下以1 mm分辨率解码纹理间距。SE通道权重的可解释性进一步揭示了模型如何自主优先处理信息丰富的感知区域并抑制随机噪声。这些发现表明，结合触觉信号的时空特征可为未来机器人和神经假肢系统的触觉感知研究提供有价值的计算视角，但仍需在相关应用中进行进一步验证。未来研究将聚焦于将该方法扩展到复杂的非周期自然纹理，并将触觉反馈集成到实时闭环控制系统中，以推动高级假肢操作的发展。
