柔性电子Nature不断！必读！

当前，可穿戴传感器设计面临核心难题：既要满足佩戴舒适、设备轻便的日常使用需求，又需具备高分辨率、大面积的传感能力以保障生物信息采集的准确性。这一矛盾在肌电图（EMG）监测领域表现尤为显著 —— 传统高密度电极阵列虽能精准捕捉肌肉活动细节，但往往体积偏大、佩戴不便，严重限制了其在日常生活场景中的应用。

针对这一痛点，斯坦福大学鲍哲南院士团队提出创新解决方案：开发 “生成式肌电网络”（GenENet）自监督生成表征学习框架，并将其与新型可穿戴传感器相结合。该技术的核心突破在于，能够从有限的传感器输入中，精准推断并重建未被传感器覆盖区域的肌肉活动。这意味着仅需使用电极数量大幅减少、结构更紧凑的设备，就能获得与高密度 EMG 传感器网络同等水平的监测性能，完美平衡了便携性与检测精度。例如，一款基于低阻抗聚合物电极的 6 通道 EMG 设备，经 32 通道数据集训练后，在美式手语识别和步态动力学预测任务中，准确性可与传统 32 通道设备相媲美。相关研究以 “A simplified wearable device powered by a generative EMG network for hand-gesture recognition and gait prediction” 为题，发表于《Nature Sensors》期刊，为健康监测、假肢控制、体育运动及人机界面等领域的高效可穿戴设备研发奠定了基础。

一、高质量数据采集：可拉伸 32 通道传感器阵列

图1 用于手语和步态预测的GenENet

研究的核心基础是构建高质量训练数据集，为此团队设计并制造了完全可拉伸的 32 通道柔性 EMG 传感器阵列。该设备采用多层复合结构，包括 PDMS 基底、耐溶剂 NBR 保护层、液态金属 EGaIn 电极、高导电性 PEDOT:PSS 凝胶及 SBS 封装层。这种设计不仅确保设备与皮肤高度贴合且具备拉伸耐受性，PEDOT:PSS 凝胶的加入还显著降低了皮肤接触阻抗，有效减少运动伪影，最终采集到高信噪比（SNR）的低噪声 EMG 信号，为后续算法训练提供了可靠的数据支撑。对比测试显示，该可拉伸基底设备的平均信噪比优于非可拉伸聚酰亚胺基底设备，且在 100% 应变下仍能保持稳定的阻抗性能。

二、核心算法：GenENet 的自监督训练机制

图2 用于生成高质量数据集的可拉伸传感器阵列

基于上述 32 通道高质量数据集，研究团队训练了 GenENet 核心模型。该模型以去噪自编码器为基础框架，采用掩码自监督学习策略，具体流程如下：首先对处理后的 32 通道 EMG 信号（计算均方根值并构建张量）进行随机掩蔽，掩盖约 81% 的信号 “区块”；随后将掩蔽后的不完整数据输入模型，通过编码器将可见信号转换为潜在表征，再由解码器从该表征中重建被掩蔽的原始信号。经过持续训练，模型逐渐掌握了从残缺信息推断整体肌肉活动时空模式的能力，生成信号与原始信号的均方误差不断降低，最终实现高保真的完整 EMG 信号重建。

图3 GenENet的预训练过程

三、应用场景一：美式手语识别（上肢监测）

图4 使用GenENet设备预测美式手语

将预训练完成的 GenENet 模型与简化的 6 通道无线 EMG “手表” 结合，可实现高效手语识别。佩戴于手腕的 6 通道设备采集信号后，经与预训练阶段一致的后处理（不含数据增强），输入 GenENet 编码器获得潜在向量，再通过 CNN、LSTM 及密集层构成的分类器处理，最终对 26 个美式手语字母的验证识别准确率高达 93.6%。

为量化设备综合性能，研究定义 “品质因数”（FOM）以平衡识别准确性与传感器总面积，结果显示 6 通道配置达到最佳平衡点 —— 增加通道数虽能提升准确性，但会导致设备体积增大，反而降低实用价值。此外，模型展现出优异的泛化能力：即使传感器在手腕原始佩戴区域附近改变位置或方向，识别准确率仅出现微小波动；通过梯度归因图可视化，还能清晰观察到不同通道的肌肉活动特征对特定手语姿势预测的贡献差异。

四、应用场景二：步态动力学预测（下肢监测）

图5 使用GenENet设备预测步态动力学

GenENet 的适配性不仅局限于上肢，团队将 6 通道 EMG 设备佩戴于小腿，成功实现步态动力学精准预测。实验中，通过同步采集 6 通道 EMG 信号、测力台测量的地面反作用力数据，以及 OpenCap 视频捕捉的运动图像，结合逆动力学分析计算膝关节力矩和力，对模型进行后训练。

结果表明，仅依靠 6 通道 EMG 输入，模型就能准确预测整个步态周期中连续的地面反作用力，预测值与真实值的确定系数 R2 高达 0.975；同时还能有效预测与膝关节骨关节炎发展相关的膝内收力矩。这一突破使得原本需在专业实验室完成的复杂步态动力学分析，有望通过轻便的可穿戴设备在日常环境中实现，为运动健康监测和骨关节疾病早期筛查提供了新路径。

五、总结与展望

该研究开创了生成式表征学习算法与可穿戴硬件深度融合的新范式，通过极少电极的紧凑、低功耗阵列，实现了原本依赖大面积、多电极系统才能完成的信号采集与分析任务，在保障性能的同时，大幅降低了传感器数量、设备尺寸和数据传输功耗。

展望未来，这一技术平台有望拓展至更多领域，包括应变传感、温度监测、心电图（ECG）、脑电图（EEG）及化学传感等 —— 只要场景中存在信号相关性，即可通过该框架简化传感设备设计。后续通过进一步集成惯性测量单元、优化个性化校准算法、开发片上信号处理能力，该系统将朝着更强大、更普适、更便捷的可穿戴健康监测与人机交互解决方案持续演进。

文献链接：https:/doi.org/10.1038/s44460-025-00002-2

往期推荐

柔性电子再出Nature！

上交臧法珩教授团队最新突破！

慢性伤口监测新突破！DNA电路赋能柔性生物电子

突破感知与可视化壁垒！电致变色柔性生物传感平台的多维融合

封面突破！Science重磅：水凝胶三维晶体管！

视频号：##柔性电子那些事