fmg是一種非侵入性技術，使用force sensitive resistors（fsrs）技術，將其放置在手臂的表面，檢測潛在的肌腱符合體（musculotendinous complex, mc）的體積變化。fmg的基本原理類似於臨床醫生用於識別肢體不同肌肉的觸診技術，當我們運動不同手指時，可以摸得到前臂的肌肉發生了不同的變化。將感測器放置在手臂上時，手臂的mc剛度越強，感測器檢測到的壓力就越強。
fmg有可能提供更高的**準確性，長期穩定性 ，耐磨性和成本承受能力
人們對fmg技術的發展越來越感興趣
fmg研究的乙個關鍵方面是，如何將mc剛度的變化轉換為陣列資料進行處理。
首先需要以模擬訊號的形式記錄資訊，然後將這些訊號轉換為數字資訊 。
大多數fmg感測器是基於電阻式聚合物厚膜（rptf）技術，其中包括力感測器電阻（fsr），flexiforce感測器和其他定製的rptf感測器陣列和矩陣；其餘的還包括啟動、壓電、電容性光纖和基於紡織品的感測器。
不同感測器型別的百分比
為了生成機器學習模型來**肢體動作，經常使用有監督的機器學習技術，監督方法需要訓練集，該訓練集與已知動作相關。使用手機的資料集，然後使用機器學習演算法來生成模型，該模型將**結果與真實值之間的差異最小化。機器學習演算法分為兩類，一種稱為分類，用於**離散模型（比如手勢），另一類稱為回歸，用於**連續引數，例如手指運動。
線性判別分析（linear discriminant analysis, lda）是一種相對簡單的學習演算法，也具有相當的精度；
支援向量機（support vector machine, svm）是一種對輸入資料進行訓練後進行分類的有效演算法，對於fmg的應用，多篇**中證明有著比別的方法更優越的效能，為了獲得高效能，需要使用交叉驗證的方法對某些超引數進行微調，這是乙個計算量很大的過程。
還有一種就是人工神經網路使用帶有梯度下降技術的反向傳播來迭代學習每個節點的關聯權重，跌迭代的過程循序批量學習。ann的隱藏層的配置和數量具有高度可配置性，當存在多個隱藏層時，我們通常使用深度神經網路（dnn）
硬體上：影響提取訊號可靠性的兩個主要因素是感測器特性和裝置配置，硬體開發的主要挑戰是開發一種可以一次長時間提取可靠的fmg訊號的裝置。
目前大多數使用rptf技術的感測器提取訊號，這樣的感測器很難將感測器的讀書與肌肉剛度直接聯絡起來；而且隨著穿戴者的每次穿戴，很難保證每一次都在相同的位置和相同的壓力下準確穿戴感測器（所以每次開始前都需要校準一下）
軟體上：假設已經擁有較好的硬體來提取可靠的fmg訊號，我們仍需要對齊進行處理以獲得可靠的結果。
由於受試者之間身體狀況的不同和不同活動期間身體肌肉狀態的變化（比如疲勞，這一點可以通過監控**溫度、汗液或semg創拿起評估勞累程度，從而調整模型引數）。
比較好的一種方法就是從不同年齡段、不同身體狀況的使用者中獲取大量資料，並研究這些因素與fmg模型之間的關係。有望使用深度學習演算法發揮fmg**肢體活動的潛力
參考：