编译/VR陀螺
Nature最新一期期刊发表了Meta最新同行评审文章，该文详细阐述了Meta在该领域的研发成果，并验证了sEMG作为一种直观且无缝的输入方式，可适用于大多数人群。
Meta认为sEMG不仅使能够实现与设备之间直观且无缝的移动交互，还支持了外部研究实验室的工作，这些研究表明，这项技术本质上具有包容性，因为它适用于具有不同身体能力和特征的人群。
Meta成功地与Orion（其第一款真正的AR眼镜👓）合作，开发了sEMG腕带原型，但这只是个开始。研究团队开发了先进的机器学习模型，能够将控制手腕肌肉的神经信号转化为驱动用户与眼镜👓互动的指令，从而消除对传统且繁琐的输入方式的依赖。使用户无需键盘即可输入并发送消息，无需鼠标即可浏览菜单，更可在与数字内容互动时无需低头查看手机，即可清晰观察周围环境。
sEMG能够识别用户执行多种手势的意图，如轻敲、滑动和捏合——所有操作均可在手自然垂于身侧时完成。借助Meta的手写识别技术，还可在桌面、桌子甚至腿部等硬质表面快速记录信息，这为移动中的隐秘沟通开辟了新可能性。
Meta的神经网络基于数千名自愿参与研究的受试者数据进行训练，因此能在广泛人群中精准解码细微手势，无需进行个体校准。尽管通用模型已具备出色的即用性能，但基于有限个人数据的少量个性化调整可将手写识别准确率提升高达16%——换言之，sEMG腕带能随时间推移适应用户并持续优化性能。
- 它完全是非侵入性的，开辟了利用肌肉信号与计算机交互的新途径，同时解决了其他形式人机交互（HCI）面临的诸多问题。
- 它使用起来方便、简单且自然——并且在某些情况下，它比语音交互等替代方案更实用或更合适，例如在公共场合发送私人消息。
- 它始终可用，消除了对笨重的配件的需求，这些配件会让你脱离当下并分散你对最重要的人和事物的注意力。
Meta表示，在《自然》杂志上发表的论文为更广泛的科学界提供了一个蓝图，让他们能够创建自己的神经运动接口。除了涵盖硬件、实验设计、数据要求和建模的一系列重要设计规则和最佳实践外，Meta 还公开发布了一个包含超过100小时sEMG记录的数据集，这些记录来自300多名研究参与者在三个不同任务中的数据。结合Meta之前开源的用于姿势估计和表面输入的sEMG数据集，他们希望今天的发布能帮助加速该领域学术界和研究人员未来的工作。
