每個指尖有 3,000 多個觸摸感受器，它們在很大程度上對壓力做出反應。人類在操縱物體時非常依賴指尖的感覺。缺乏這種感覺對上肢截肢者來說是一個獨特的挑戰(zhàn)。雖然今天有幾種高科技、靈巧的假肢可用，但它們都缺乏"觸摸"的感覺。缺少這種感覺反饋會導致物體無意中被假手掉落或壓碎。

為了實現(xiàn)更自然的假手觸感，佛羅里達大西洋大學工程與計算機科學學院的研究人員及其合作者率先在假手的指尖上使用液態(tài)金屬將可拉伸的觸覺傳感器結合在一起。該技術封裝在有機硅彈性體中，與傳統(tǒng)傳感器相比具有關鍵優(yōu)勢，包括高導電性、順應性、柔韌性和可拉伸性。這種分層的多指觸覺集成可以為人工手提供更高水平的智能。

對于這項發(fā)表在《Sensors》雜志上的研究，研究人員使用假肢上的單個指尖來區(qū)分沿不同紋理表面滑動的不同速度。四種不同的紋理有一個可變參數：脊之間的距離。為了檢測紋理和速度，研究人員訓練了四種機器學習算法。對于十個表面中的每一個，收集了 20 次試驗以測試機器學習算法區(qū)分由隨機生成的四種不同紋理排列組成的十種不同復雜表面的能力。

"已經對用于人工手的觸覺傳感器進行了大量研究，但仍然需要在輕型、低成本、堅固的多模態(tài)觸覺傳感器方面取得進展，"資深作者、副教授 Erik Engeberg 博士說。海洋與機械工程系以及 FAU Stiles-Nicholson 腦研究所和 FAU 傳感與嵌入式網絡系統(tǒng)工程研究所 (I-SENSE) 的成員，他與第一作者和博士一起進行了這項研究。 "在我們的研究中，來自所有單個指尖的觸覺信息為更高的手部感知水平奠定了基礎，能夠區(qū)分十個復雜的、多紋理的表面，而使用來自單個指尖的純粹局部信息是不可能做到的。"

研究人員比較了四種不同機器學習算法的成功分類能力：

K-最近鄰 (KNN)、支持向量機 (SVM)、隨機森林 (RF) 和神經網絡 (NN)。提取液態(tài)金屬傳感器的時頻特征來訓練和測試機器學習算法。神經網絡通常在使用單個手指的速度和紋理檢測方面表現(xiàn)最好，并且使用四個手指同時使用四個液態(tài)金屬傳感器區(qū)分十個不同的多紋理表面的準確度為 99.2% 。

"對于試圖無縫參與常規(guī)活動的個人來說，失去上肢可能是一項艱巨的挑戰(zhàn)，"工程與計算機科學學院院長 Stella Batalama 博士說。"雖然假肢的進步是有益的，可以讓截肢者更好地履行日常職責，但他們并沒有為他們提供觸覺等感官信息。他們也無法讓他們用意念自然地控制假肢。有了這個憑借我們研究團隊的最新技術，我們離為世界各地的人們提供一種更自然的假肢裝置又近了一步，這種假肢裝置可以'感覺'并對環(huán)境做出反應。"