关键词：表面肌电；人机交互；手势识别

手指轻轻一动，屏幕上的光标随之移动；一次短促的肌肉收缩，被转换为界面中的确认指令。随着可穿戴传感与信号解码方法的发展，前臂和腕部的肌肉电活动，正在成为人机交互研究中的一种输入来源。

这种交互方式的研究价值，来自肌肉活动与动作之间的紧密联系。对于研究人员而言，除了记录手“移动了多少”，还可以尝试观察参与动作控制的肌肉电活动，并研究它如何与操作指令对应。

一、一项Nature研究带来的启发

2025年7月23日，Nature发表了《A generic non-invasive neuromotor interface for human-computer interaction》。研究团队开发了腕部表面肌电接口，并通过大规模参与者数据训练能够跨使用者泛化的解码模型，在连续控制、离散手势和手写输入等任务中进行了评估。

这项研究把关注点从有限手势的分类，进一步推进到连续、闭环的计算机操作。所谓闭环，是指使用者能够看到系统反馈，并在交互过程中调整动作；它比离线数据上的识别结果更接近实际使用过程。

论文展示的是特定硬件、数据基础与算法共同构成的研究系统。它提供了值得关注的技术方向，但并不意味着佩戴任意肌电手环，就能直接获得相同的交互表现。

二、肌电为何适合研究细微动作

视觉系统擅长记录动作外观，惯性传感器适合描述运动变化，表面肌电则提供与肌肉电活动有关的信息。将这些信号放在同一个任务中，可以从不同角度观察操作行为。

例如，研究食指点击时，可以同时记录动作发生的时间、前臂肌电变化与界面反馈；研究持续控制时，可以比较不同收缩策略与控制输出之间的关系。这些问题的重点，是建立可重复的“信号—任务—反馈”对应关系。

实际研究中，佩戴位置、接触状态、手臂姿态和跨天重复佩戴都可能改变信号。因此，一套交互方案除了报告识别结果，还需要说明在哪些参与者、哪些动作和哪些测试条件下成立。

三、从微手势到机器人控制

围绕肌电输入，可以设计几类具有明确目标的研究任务。

微手势研究可从点击、确认、翻页等少量指令开始，观察不同动作之间的区分程度，以及连续使用时的误触发情况。手写动作研究可将书写轨迹与肌电记录配对，分析动作片段和肌肉活动的时序关系。机器人与外设交互研究则可以把肌电作为控制信息之一，与IMU、视觉或操作反馈共同使用。

这些应用对系统的要求有所不同。离散指令关注触发准确性和响应时间；连续控制还需要考虑输出稳定性、可调节性和长时间使用负担。把任务定义清楚，才能决定需要采集什么数据、怎样评价交互效果。

四、NeuMus-EMG Gesture Band：为肌电交互研究提供采集支持

上海左体右智科技有限公司提供的 NeuMus-EMG Gesture Band 肌电手环，采用黑色主机与织物腕带设计，结合干电极和IMU，可作为微手势、手写动作及外设控制相关研究的肌电采集工具。

在项目实施中，可根据任务建立从静息、单动作到连续操作的数据采集流程，再结合项目算法开展特征提取、模型训练和交互测试。对于需要观察多个目标肌群的课题，也可以根据研究问题选择 NeuMus-sEMG 无线表面肌电或 NeuMus-HD-sEMG 无线高密度表面肌电方案。

左体右智可围绕实验流程、采集配置与定制开发需求提供沟通支持。具体控制功能、解码效果和系统接口，应按项目方案确认。

肌电交互从实验演示走向可重复研究，需要硬件、数据与评价方法共同推进。把每一次操作记录清楚，是研究日常肌电输入的一项基础工作。

参考文献：

Kaifosh P, Reardon TR, CTRL-labs at Reality Labs. A generic non-invasive neuromotor interface for human-computer interaction. Nature. 2025;645:702–711.