“非侵入式有两个关键优势，如果拉长到十年来看，它完全可能和侵入式分庭抗礼。”
这开场让他一怔——这不是普通博士生的角度，而是pi（principalinvestigator，项目负责人）级别的判断。
“第一，它可以绕开动物实验，直接收集人体数据。你是md，你知道有多少动物实验的结果，最后根本没法在人身上复制。”
梁思宇眼前浮现好几个案例，有一个并不出现在教科书里，而是他亲眼目睹的项目，“完美”的动物数据，发了篇很好的论文，但仅此而已，在人体上无法验证，再也无法继续推进下去。
“第二，算法需要大量数据训练。非侵入式系统每周可以采几十轮，能实现快速验证、快速迭代。”
他叹了口气，眼神复杂，有欣赏，也有犹豫。这思路很明确，用速度换精度，典型的硅谷敏捷思维。
她考虑的不是某个技术细节，而是技术路径的战略选择。
之前他默认jhu的共识就是技术最优路径，但她的理由，也很有诱惑力。
“有些道理。不过……我们还是得考虑毕业吧？”他笑了笑，把话题拉回技术实现。
许瑷达毫不意外：“看第三页。我们从典型肌肉和基本动作入手，比如前臂肌群和抓握动作。肌肉结构单一，运动模式清晰，适合用于表面肌电信号采集。”
她带点微笑，“这块你比我懂，你来列出初期实验的目标肌群和动作，再考虑下一阶段复杂动作的扩展。”
“可以，这个很快。”他印象中有几篇不错的论文。
“第四页，目前常见的算法参考，我已经准备好了代码，到时候作基线对比。”她继续往下介绍。
她居然准备到这一步了？那她假期恐怕没怎么休息。
他盯着她总结的表格：“这些指标很不理想，你打算怎么解决噪声干扰和运动单位重叠的问题？”
她神色平静：“我打算跳过传统分解路径，不做精确反演。”
“对我来说，控制接口才是第一目标，先做muap模板匹配。初步目标很简单，先完成实时控制……”
梁思宇眯起眼睛，具体技术路线上，也有她的大胆和不拘一格。
神经义肢的每个动作都需要患者运动神经信号的指挥。
贴上电极后，仪器能检测到很多信号，就像一位特工在门外偷听情报，你会听到许多人同时在说话。
问题是，怎么判断这七嘴八舌的声音分别该对应哪个动作。
目前主流思路是“精确反演”和“分解路径”，就是弄清楚，屋里每个人具体说了什么话，把具体指令都分离出来，再判断哪块肌肉应该做什么动作。
而ada的方法则非常简单粗暴：表面肌电的信号质量有限，她就放弃听“每个人具体说了什么”，只关注“有没有人说话”、“是谁在说”。
只要“有个人”反复开口，她就认为这个意图最强，用来驱动义肢完成动作。
这种方法不追求原理，而强调当前的可用性，是典型的工程师思维。
作为认知神经科学的博士生，他本该觉得学科尊严受到挑战，但此刻，他有点理解她。
对于难题，不必一蹴而就，可以先给出一个“相对可行”的方案，再慢慢改进。
他冲她点头，说：“稍等，我看看具体方案。”
他迅速扫过她列出的目标：“完成实时算法控制”，嗯，可行，计算量不算太大，关键在延迟时间能否缩短。
“缩短时间窗口，结合特征提取和模板匹配，提取15-20个muap。”
他稍一皱眉，15-20个？她用的是表层肌肉电信号，照他印象，现在的主流算法也就能分解出10来个。
这个目标，对算法挑战不小啊。
他抬头，看向摄像头，她勾起一个笑：“ned，加入吗？”
他也笑了：“whynot？”
这个路径是典型的硅谷风格，高敏捷、短周期、非常务实，初步验证速度很快，并不占用太多时间。
许瑷达瞬间开心，她就知道，ned会理解她的。
在侵入式电极和“还原论”的大本营jhu，他是少见的头脑开放的家伙。
