失败了？

    王瑞雪见状，神色从容。

    马库斯连忙又尝试了一次，这次成功了！

    毕竟是非侵入式仿生义肢，能做到这种程度，已然称得上是顶尖水准。

    其实无论是脑机接口、神经接口，半侵入式的靶向肌肉神经再支配技术，还是非侵入式的肌电控制方案，本质上都只是在「推测」大脑意图，而非真正的「读心术」。

    翻译识别效率越高，产品的实际表现力就越强。

    目前该领域第一梯队的实验室数据，在握拳、方向控制、抓握这类简单二分类动作上，准确率也仅在80%到85%之间。

    行业平均水平在70%到80%，遇到复杂多指动作或连续控制时，准确率常会跌到70%以下，还需要使用者反覆训练与校准。

    而灵枢S1对简单指令的识别解析率，却明显超过了90%，精准度远超同行。

    马库斯的演示结束後，展台前的人群不仅没有散去，反而越聚越多。

    社交媒体上，关於灵枢NeuroLinkS1的短视频已经开始疯传了，马库斯捏鸡蛋、拿扑克牌的画面，在短短二十分钟内就被转发了十万次。

    「下一位！」

    王瑞雪朝队伍喊道。

    走上来的是一位三十出头的女性，短发，身材瘦削，左臂从肘关节以下缺失。

    她叫艾琳，墨西哥裔，在圣叠戈一家食品加工厂工作时，左前臂被卷入了传送带。

    与马库斯不同的是，艾琳的残端更短，可用於采集肌电信号的肌肉群面积更小，这意味着电极阵列的覆盖区域会受到显着限制。

    这恰恰是非侵入式仿生义肢最大的技术瓶颈之一，残端条件越差，可采集的神经信号就越微弱，AI解码的难度就越大。

    王瑞雪仔细检查了艾琳的残端情况後，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解码引擎在後台飞速运转，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徵，实时重构出运动意图的概率分布图。

    四分半钟後，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。

    随後，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後，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S1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S1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後的大屏幕上。

    「这是因为从解剖学角度来看，无名指和小指在前臂共享

    -->>(第4/5页)（本章未完，请点击下一页继续阅读）