想象一下，在没有键盘的电脑上打字，玩一个没有控制器的游戏，或者开着一辆没有轮子的汽车。

这是加州大学伯克利分校的工程师们开发的一种新设备的目标之一，它可以根据前臂检测到的电信号识别手势。该系统将可穿戴生物传感器与人工智能（AI）相结合，有朝一日可以用于控制假肢或与几乎任何类型的电子设备进行交互。

“假肢是这项技术的一个重要应用，但除此之外，它还提供了一种与计算机交流的非常直观的方式，”在加州大学伯克利分校电子工程和计算机科学系担任博士生的阿里·莫恩说阅读手势是改善人机交互的一种方法。此外，虽然还有其他方法可以做到这一点，例如，使用摄像头和计算机视觉，但这是一个很好的解决方案，可以维护个人隐私。”

莫恩是一篇新论文的第一作者，这篇论文发表在12月21日的《自然电子》杂志上。

为了创建手势识别系统，该团队与加州大学伯克利分校（UC Berkeley）的电气工程教授安娜•阿里亚斯（anaarias）合作，设计了一种可以读取前臂64个不同点的电信号的柔性臂章。然后，电信号被输入到一个电子芯片中，该芯片采用人工智能算法编程，能够将前臂的这些信号模式与特定的手势联系起来。

研究小组成功地教授了该算法，使其能够识别21种不同的手势，包括竖起大拇指、拳头、平手、举起手指和数数字。

当你的手臂和手的肌肉和神经纤维收缩时，你的手臂和手的肌肉会发出信号。基本上，袖带中的电极感测的是这个电场。它并不那么精确，因为我们无法精确地确定触发了哪些纤维，但由于电极密度高，它仍然可以学习识别某些模式。

与其他人工智能软件一样，该算法首先要“学习”手臂上的电信号是如何与单个手势相对应的。要做到这一点，每个用户都必须戴上袖口，同时一个接一个地做手势。

然而，新设备使用了一种称为超维计算算法的先进人工智能，它能够用新的信息更新自己。

例如，如果与特定手势相关的电信号发生变化，因为用户的手臂出汗，或者他们将手臂举过头顶，算法就可以将这些新的信息融入到模型中。

“在手势识别中，你的信号会随着时间的推移而改变，这会影响你模型的性能。”莫恩说通过更新设备上的模型，我们能够大大提高分类精度。

新设备的另一个优点是，所有的计算都在芯片上本地进行：没有个人数据传输到附近的计算机或设备。这不仅加快了计算时间，而且还确保了个人生物数据的保密性。

加州大学伯克利分校（UC Berkeley）杰出的电气工程教授、该论文的资深作者Jan Rabaey说：“当亚马逊或苹果公司创建他们的算法时，他们会在云端运行一堆创建模型的软件，然后将模型下载到你的设备上。问题是你会被这个特定的模式所束缚。在我们的方法中，我们实现了一个在设备上完成学习的过程。它非常快：你只需要做一次，它就开始工作了。但如果你多做几次，它会变得更好。因此，它是不断学习，这也是人类如何做到的。”

虽然该设备还没有准备好成为一个商业产品，拉贝说，它可能会得到一些微调。

拉贝说：“这些技术大多已经存在于其他地方，但这种设备的独特之处在于，它将生物传感、信号处理和解释以及人工智能集成到一个相对较小、灵活且功耗预算较低的系统中。”