在机器学习machine learning帮助下，电子设备（包括电子手套和电子皮肤）可以跟踪人手的运动，并执行物体和手势识别等任务。然而，这种装置仍然体积庞大，并且缺乏适应身体曲率的能力。此外，现有信号处理模型需要大量的标记数据，以识别每个用户的个人任务。
今日，美国 斯坦福大学（Stanford University）Kyun Kyu Kim，鲍哲南Zhenan Bao等，韩国科学技术院（Korea Advanced Institute of Science and Technology）Min Kim，Sungho Jo等，首尔大学（Seoul National University）Seung Hwan Ko等，在Nature Electronics上发文，报道了一种无底物的纳米网受体，并融合无监督的元学习体系，可以提供独立于用户的、数据高效的不同手部任务的识别。这种纳米网器件，是由生物相容性材料制成，可以直接打印在人的手上，通过将皮肤拉伸的电阻微小变化转化为本体感受，用以模拟人类皮肤感受器。单个纳米网，可以同时测量多个关节的手指运动，提供简单的用户实现和低计算成本。还开发了一种依赖于时间的对比学习算法，该算法可以区分不同的未标记运动信号。然后，这种元学习信息用于快速适应各种用户和任务，包括命令识别、键盘输入和对象识别。
A substrate-less nanomesh receptor with meta-learning for rapid hand task recognition.一种具有元学习功能的无基底纳米网格受体，用于快速识别手部任务。
图1：人工感官智能系统。
图2：纳米网格和器件性能。
图3：时间依存对比time-dependent contrastive，TD-C学习原理和学习性能的实验结果。
图4：快速适应各种日常任务的实验演示。
https://www.nature.com/articles/s41928-022-00888-7DOI: https://doi.org/10.1038/s41928-022-00888-7