省流：7月23日，扎克伯格的META公司旗下Reality Labs及其Ctrl-labs部门的研究人员在《Nature》期刊发表了一项成果，宣布该团队开发出一种基于表面肌电图（sEMG）的通用非侵入性神经运动接口，首次实现了无需个体校准、跨人群高性能泛化的人机交互。这项技术有望彻底改变人们与智能设备的互动方式，尤其适用于移动场景和残障辅助等领域。

• 高性能表面肌电图采集硬件：sEMG-RD设备参数

• 通用肌电神经信号解码模型：数千人的数据采集、三类交互任务（腕部控制、离散手势、手写）分别适配深度学习算法进行识别

• 测试验证模型性能及实用性：离线/在线的准确率/解码速度等性能出色，新手首次使用就表现优秀，且训练可进一步提高效果

• 首个非侵入高带宽神经接口：具备广泛应用于人机交互场景的潜力

现有计算机输入方式依赖键盘、鼠标等物理设备，在移动场景中受限；侵入式脑机接口虽能实现高带宽通信，却需手术且依赖个体定制；非侵入性脑电图（EEG）技术则因信号质量差、泛化性低难以普及。为突破这些局限，来自Meta旗下RealityLabs的团队将目光投向了肌肉电信号——通过记录手腕处的sEMG信号，解码人体运动意图。

实验设计

研究的核心硬件是一款用于采集肌电信号的sEMG-RD腕带设备。这款设备采用干电极设计，包含48个电极（配置为16个双极通道），适配不同腕围（电极间距根据腕围分为10.6mm、12mm、13mm和15mm四种尺寸），可在2kHz高采样率、噪声低至2.46μVrms下捕捉肌肉细微电活动，甚至能识别单个运动单位的动作电位（MUAPs）。其无线传输续航超4小时，穿戴或取下仅需几秒，无需皮肤准备或凝胶，舒适度与实用性兼顾。

用于手腕处表面肌电高通量记录和实时解码的软硬件平台 @Nature

为了训练出通用的解码模型，研究团队构建了大规模的数据收集体系，招募了162至6627名（因任务而异）不同人群参与者，完成三类任务：腕部控制（通过腕部动作控制光标，并结合运动捕捉技术跟踪腕角）、离散手势（执行9种特定手势，如拇指滑动、手指捏合等，手势顺序和间隔随机）、手写（虚拟书写提示文本，模拟握笔动作）。

基于这些数据，研究人员开发出了适配不同任务的深度学习模型：腕部控制任务采用多变量功率频率（MPF）特征与长短期记忆网络（LSTM）；离散手势任务使用1D卷积层结合LSTM；手写任务则采用MPF特征与Conformer架构（利用注意力机制捕捉上下文信息）。

通用表面肌电解码模型可实现多种交互中的闭环控制 @Nature

性能评估

在离线评估中，对于未参与训练的参与者，手写和手势检测的分类准确率均超过90%，腕角速度解码误差小于13°s⁻¹。而且，随着训练数据量（参与者数量）和模型参数的增加，性能呈现幂律提升，这与大语言模型和视觉Transformer的缩放规律一致。

腕部控制任务试验 @Nature

在线闭环测试进一步验证了该模型的实用性，测试对象为从未接触过该系统的参与者（17人参与腕部控制测试、24人参与离散手势测试、20人参与手写测试）。结果表明，在连续导航任务中，参与者实现了0.66次/秒的目标获取；在离散手势任务中，手势检测速率达到0.88次/秒；在手写任务中，文本输入速度为20.9词/分。与传统设备相比，虽然该sEMG接口的性能略逊于轨迹板（0.68秒/目标）、游戏控制器（1.45次/秒）和无笔书写（25.1词/分），但它无需物理设备束缚，在移动场景中更具优势。此外，参与者通过练习能够显著提升性能，多数人反馈光标运动与自身意图的一致性超过80%。

离散手势任务试验 @Nature

更重要的是，通过20分钟个体数据微调，手写解码的字符错误率（CER）可降低 16%，尤其对通用模型表现较差的用户效果显著。研究还发现，模型通过深度学习能逐渐“聚焦”手势特征，弱化个体差异、电极位置等干扰因素，这为跨人群泛化提供了机制解释。

META作为全球互联网公司巨头之一，和微软、苹果这些公司一样，视线从未离开脑科学、神经技术和脑机接口领域，自从2019年收购了神经接口初创公司Ctrl-Labs后并入Reality Lab部门，专注于包括表面肌电图（sEMG）在内的底层神经交互技术研发，并逐步整合到VR/AR软硬件于生态系统中。除此之外，META在今年初还发布了结合脑磁图和人工智能的从大脑活动中解码句子的非侵入方法，并从研究中发现语言产生的相关神经机制。

从大脑到文本的解码 @Meta

此次这项研究的意义也非常重大，META首次实现了无需个体校准、跨人群高性能泛化的非侵入性高带宽神经运动接口。硬件设计兼顾了实用性与信号质量，大规模数据与深度学习的结合突破了传统表面肌电图（sEMG）系统的泛化瓶颈，为移动设备交互、残障辅助、康复医疗等领域提供了新的解决方案。未来通过优化模型、进行硬件创新以及拓展多自由度控制，该技术的性能和应用范围有望得到进一步提升。

*本文主要基于《一种用于人机交互的通用非侵入式神经运动接口》（A generic non-invasive neuromotor interface for human-computer interaction）一文，图片视频内容来自网络侵删。如需对原文进一步了解，可通过下方链接或扫描底部二维码加入“脑机接口”知识星球获取相关资料。

参考：

https://doi.org/10.1038/s41586-025-09255-w

https://github.com/facebookresearch/generic-neuromotor-interface-data（数据和代码）

https://ai.meta.com/research/publications/brain-to-text-decoding-a-non-invasive-approach-via-typing/