1.加州大学戴维斯分校的研究人员将肌电图(EMG)和肌力图(FMG)结合在一起，实现了高准确率的手部运动识别。
2.肌电图和肌力图分别通过记录肌肉电活动和测量肌肉收缩时产生的压力或力变化来评估神经肌肉功能。
3.然而，肌电图存在一个众所周知的“位置和负载”问题，导致其在现实世界中的应用受到限制。
4.为此，研究人员同时整合EMG和FMG，结果显示结合时的分类准确率超过97%，单独使用肌电图和肌电图的准确率则分别为92%和83%。
5.该技术可以广泛应用于虚拟现实和机器人等领域。
以上内容由腾讯混元大模型生成，仅供参考
肌电图和肌电图结合时的分类准确率超过97%，而单独使用肌电图和肌电图的准确率则分别为92%和83%
（映维网Nweon 2025年04月28日）加州大学戴维斯分校的研究人员正在将肌电图（EMG）和肌力图（FMG）结合在一起，从而实现高准确率的手部运动识别。团队指出，这项技术可以应用于虚拟现实等领域。
诸如抓、捏、抓等手势是由前臂肌肉的运动驱动，而相关运动产生的小电信号可以由可穿戴式传感器读取。这种技术称为肌电图。
研究人员乔纳森·斯科菲尔德（jonathan Schofield）表示：“利用传感器和机器学习，我们可以根据肌肉活动识别手势。”
然而，尽管基于肌电图的控制在实验室环境和四肢休息时表现出色，但它存在一个众所周知的“位置和负载”问题。如果你将手臂移动到不同的位置，比如与肩高或头顶相同的位置，或者抓住不同重量的物体，测量值就会发生变化。
研究人员佩顿·杨（Peyton Young）解释道：“在现实世界中，每次你移动肢体并抓住某物时，测量结果都会发生变化。中立姿势（肢体被动地放在身体旁边）与自由活动非常不同。”
为了解决这个问题，团队正在同时整合将肌电图（EMG）和肌力图（FMG）。
EMG（Electromyography/肌电图）：通过记录肌肉电活动来评估神经肌肉功能的技术，反映运动神经元激活肌肉纤维的过程。肌肉收缩时，运动神经元发放电信号，引发肌纤维去极化，产生微弱的电流。这时，传感器捕捉电信号，经放大和滤波后转化为可分析的波形。
FMG（Force Myography/肌力图）：通过测量肌肉收缩时产生的压力或力变化来评估肌肉活动，又称“肌力成像”。肌肉收缩时体积变化，压迫周围组织或传感器（如压力传感器、应变计）。这时，传感器记录压力分布或形变，转化为肌肉活动强度信息。
研究人员制作了一个环绕前臂的袖带，其中包括EMG和FMG传感器。27名身体健全的参与者在5种物体重量条件下，用4种手势在8个位置完成抓放任务。然后，他们研究了肢体位置和抓取负载对每种感知方式下手势分类精度的影响。
结果显示，肌电图和肌电图结合时的分类准确率超过97%，而单独使用肌电图和肌电图的准确率则分别为92%和83%。这表明，将FMG添加到传统的肌电控制系统中，可以为更有效的设备控制提供独特的额外数据。
相关论文：The effects of limb position and grasped load on hand gesture classification using electromyography, force myography, and their combination
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0321319
斯科菲尔德指出，这种方法可以广泛应用于虚拟现实和机器人等领域。