国外研究人员通过液态金属传感器帮助假手获得"顺滑的触感"

每个指尖有 3,000 多个触摸感受器，它们在很大程度上对压力做出反应。人类在操纵物体时非常依赖指尖的感觉。缺乏这种感觉对上肢截肢者来说是一个独特的挑战。虽然今天有几种高科技、灵巧的假肢可用，但它们都缺乏"触摸"的感觉。缺少这种感觉反馈会导致物体无意中被假手掉落或压碎。

为了实现更自然的假手触感，佛罗里达大西洋大学工程与计算机科学学院的研究人员及其合作者率先在假手的指尖上使用液态金属将可拉伸的触觉传感器结合在一起。该技术封装在有机硅弹性体中，与传统传感器相比具有关键优势，包括高导电性、顺应性、柔韧性和可拉伸性。这种分层的多指触觉集成可以为人工手提供更高水平的智能。

对于这项发表在《Sensors》杂志上的研究，研究人员使用假肢上的单个指尖来区分沿不同纹理表面滑动的不同速度。四种不同的纹理有一个可变参数：脊之间的距离。为了检测纹理和速度，研究人员训练了四种机器学习算法。对于十个表面中的每一个，收集了 20 次试验以测试机器学习算法区分由随机生成的四种不同纹理排列组成的十种不同复杂表面的能力。

"已经对用于人工手的触觉传感器进行了大量研究，但仍然需要在轻型、低成本、坚固的多模态触觉传感器方面取得进展，"资深作者、副教授 Erik Engeberg 博士说。海洋与机械工程系以及 FAU Stiles-Nicholson 脑研究所和 FAU 传感与嵌入式网络系统工程研究所 (I-SENSE) 的成员，他与第一作者和博士一起进行了这项研究。 "在我们的研究中，来自所有单个指尖的触觉信息为更高的手部感知水平奠定了基础，能够区分十个复杂的、多纹理的表面，而使用来自单个指尖的纯粹局部信息是不可能做到的。"

研究人员比较了四种不同机器学习算法的成功分类能力：

K-最近邻 (KNN)、支持向量机 (SVM)、随机森林 (RF) 和神经网络 (NN)。提取液态金属传感器的时频特征来训练和测试机器学习算法。神经网络通常在使用单个手指的速度和纹理检测方面表现最好，并且使用四个手指同时使用四个液态金属传感器区分十个不同的多纹理表面的准确度为 99.2% 。

"对于试图无缝参与常规活动的个人来说，失去上肢可能是一项艰巨的挑战，"工程与计算机科学学院院长 Stella Batalama 博士说。"虽然假肢的进步是有益的，可以让截肢者更好地履行日常职责，但他们并没有为他们提供触觉等感官信息。他们也无法让他们用意念自然地控制假肢。有了这个凭借我们研究团队的最新技术，我们离为世界各地的人们提供一种更自然的假肢装置又近了一步，这种假肢装置可以'感觉'并对环境做出反应。"