鑽石舞台

創新點：東南大學毫米波國家重點實驗室崔鐵軍院士、李允博副研究員課題組報道了一種基於透射式聚焦可編程超表面，通過電磁波聚焦掃描前臂主動肌運動情況，利用機器學習算法，實現了高精度的非接觸式手勢識別，解決了基於傳統雷達手勢識別系統需要完整手部動作參與，易受遮擋，物品操作中識別成功率下降的問題。

關鍵詞：可編程電磁超表面，動態電磁聚焦，手勢識別，機器學習

研究背景：隨着人工智能和物聯網的發展，手勢識別技術因其在人機交互（HMI）方面的出色應用而受到極大關注。現有的手勢識別技術中，基於視覺的系統往往受限於設備配置複雜性和遮擋的問題。基於表面肌電(sEMG)信號的系統，雖然可直接探測主動肌電活動，進行運動意圖識別，但由於電極的反覆穿戴及電極—人體接口阻抗的不穩定，限制了其使用的長期性和舒適性。調頻連續波（FMCW）雷達由於需要完整手部動作參與，不僅手操作物體時易受干擾，也無法應用於截肢和癱瘓病人。因此，構建非接觸式、可短距離直接捕捉肌肉運動狀態的人機交互系統，將為上述已有HMI系統存在的核心問題提出解決方案，具有巨大的應用潛力。

東南大學毫米波國家重點實驗室崔鐵軍院士、李允博副研究員和合作者針對這一問題提出利用基於透射式聚焦可編程超表面進行了相關研究。通過電磁波聚焦掃描前臂主動肌運動情況，通過機器學習算法，實現了高精度的非接觸式手勢識別，通過支持向量機（SVM）算法進行分類驗證，相比於單聚焦點、三聚焦點，使用全部5個聚焦點數據平均總體分類準確率最高，並具有顯著性統計差異，識別準確率為99.89%±0.17%。解決了傳統毫米波雷達系統需要捕捉手部完整輪廓、易受遮擋、物品操作中識別成功率下降的問題，後續可應用於截肢和癱瘓病人肢體控制與康復。相關結果發表在Advanced Science上。東南大學毫米波國家重點實驗室博士後王海鵬、南京醫科大學生物醫學工程與信息學院副教授周宇軒和東南大學毫米波國家重點實驗室博士研究生李赫為共同第一作者，崔鐵軍院士和李允博副研究員為本文通訊作者。

要點1：電磁超表面手勢識別系統設計

基於可編程超表面結合機器學習算法的非接觸手勢識別方法的整體流程如圖2所示。傳輸式可編程超表面樣品由8×8個單元（~3.83λ×3.83λ）組成。每個超表面單元的尺寸為25 mm×25 mm，並集成四個變容二極管 (MA46H120)用於控制透射響應相位。通過改變整個超表面陣列的相位分布可以改變電磁波的聚焦位點。使用的超表面單元的透射相位與變容二極管的可調電容具有良好的線性關係。因此，我們可以通過與相位分布映射對應的電壓分布來控制傳輸式可編程超表面，通過超表面將輻射電磁波動態地聚焦到所需的位點上。此外，採用帶有功分網絡的貼片陣列天線作為饋源將准平面波的激勵到每個超表面單元，饋電網絡通過射頻SMA端口和連接線連接到矢量網絡分析儀（VNA）的一個端口。控制輻射波聚焦不同點時，通過VNA測量S11反射參數，即可得到原始微波數據（回波係數）。最後，引入支持向量機(SVM)算法對原始微波數據進行處理，完成手指和腕部動作的手勢訓練識別。

要點2：聚焦位點對手勢識別成功率的重要意義

手勢識別實驗中發現，受試者18種手勢的單個聚焦點數據識別成功率僅為78.59% ± 1.93% (位點1), 80.81% ± 2.29% (位點2), 67.74% ± 1.84% (位點 3), 66.78% ± 4.96% (位點 4), 70.85% ± 4.01% (位點 5)，而5個位點數據的綜合識別成功率卻高達99.89% ± 0.17%。通過線性判別分析（LDA）算法降維分析發現，5個聚焦位點的綜合特徵相對於單一位點顯著增加了手部動作的可分性。進一步的Fisher Score結果表明，聚焦位點1、2、5的數據對腕部及手指動作類的識別做出了主要貢獻，其他聚焦位點貢獻度相對較低，而這些聚焦位點和前臂手腕、手指主動肌解剖分布匹配。上述實驗解釋了由於控制手部動作的主動肌分布於整個前臂，因此利用可編程超表面的動態電磁聚焦能力，可選擇性地獲取主動肌收縮信息，會大大增加非接觸式手勢識別成功率，且聚焦位點的選擇是可優化配置的。