就越微弱，ai解码的难度就越大。

王瑞雪仔细检查了艾琳的残端情况后，选择了一套更小号的柔性凝胶贴片，并调整了接受腔的大小。

屏幕上的波形图明显更加紊乱，尤其是对应残余指浅屈肌群的三条曲线，信号幅值不到马库斯的一半。

但ai解码引擎在后台飞速运转，自适应滤波算法逐帧剥离噪声，深度学习模型根据艾琳的肌肉收缩特征，实时重构出运动意图的概率分布图。

四分半钟后，校准完成。

「请您试试握拳。」

艾琳抿了抿嘴唇，眼神里带着几分紧张。

她盯着那只哑光钛灰色的仿生左手，想像着自己已经不存在的五根手指向掌心蜷曲。

随后，仿生手的小指和无名指率先内收。

紧接着，中指、食指、拇指依次跟上，完成了一个完整的握拳动作。

「请您松开拳头，再依次活动每一根手指。」

艾琳回过神来，按照指示逐一尝试。

拇指外展，成功。

食指独立伸展，成功。

中指弯曲，成功。

无名指，停顿了大约零点八秒后，弯曲了，但幅度只有预期的三分之二。

小指独立活动，失败。

王瑞雪在笔记本上快速记录了几组数据，随即向现场观众解释道：「这位女士在单指独立控制这个层面上，灵枢1对食指和拇指的识别率最高，可以达到93到95。

中指大约在89到91之间，无名指降至82左右，小指最低，大约在75到78。

当然，每个人残肢界面的神经敏感度不同、对灵枢1的操控熟练度不同，最终也会呈现出不同的性能表现。」

她停顿了一下，把屏幕上的实时数据可视化界面投到了展台背后的大屏幕上。

「这是因为从解剖学角度来看，无名指和小指在前臂共享部分肌腱和运动神经分支，对应的肌电信号高度重叠。

即使是健全人，也很难让小指完全独立于无名指运动，这是人体解剖结构决定的物理上限，并非设备的缺陷。」

台下不少懂行的人点头，表示理解。

几位来自i媒体实验室和约翰霍普金斯应用物理实验室的研究人员，在人群中低声交流，表情凝重。

他们非常清楚这组数据意味着什么。

行业内目前公开发表的最佳单指识别成绩，来自犹他大学与dekareearh的联合项目，在实验室条件下，对健全受试者做到了83的平均单指识别率。

而灵枢1在展会现场，面对一位残端条件并不理想的截肢用户，五指平均识别率轻松超过了87，食指和拇指更是逼近95。

如果换到实验室环境，这个数字只会更高！

接下来，艾琳又尝试拿起签字笔，在a4纸上进行书写操作，字迹潦草，像个一年级的小学生。

随后，她端起一只装满水的软塑料杯，这对智能义肢的力度控制要求极高，稍一用力，杯中的水就会被挤出来。

从实际表现来看，足以给到85分。

虽说洒出了一些水，但整体效果相当不错。

采用非侵入

章节内容不完整，请退出阅读模式查看完整内容！