。
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，眼神里带著几分紧张。
她盯著那只哑光钛灰色的仿生左手，想像著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。
紧接著，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MIT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著什么。
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DEKAResearch的联合项目，在实验室条件下，对健全受试者做到了83%
本章未完，请点击下一页继续阅读！