关键词： MANUS 数据手套；Metagloves Pro Haptic；PCA；Hand Synergies；手部动作分析；机器人示教

25DoF 不等于 25 个变量彼此独立

MANUS 官方代理商—— 一心科研官网规格页显示，Metagloves Pro Haptic 使用五个 EMF 指尖传感器，每个指尖提供三轴位置和三轴旋转数据；MANUS Hand Solver 3 可输出完整的 25DoF 人手骨架。这里的 25DoF 是解算后手部骨架的自由度，不表示手套安装了 25 个相互独立的物理传感器。

从运动学看，人手关节也并非各自独立。自然抓取杯子时，中指、无名指和小指往往共同屈曲；捏取小物体时，拇指对掌与食指屈曲存在稳定配合。肌腱连接、关节结构、任务目标和长期运动习惯都会形成相关性。

如果逐一绘制 25 条关节曲线，研究者可能看到大量重复信息。PCA（Principal Component Analysis，主成分分析）提供了一种线性降维方法：在保留尽可能多方差的同时，把原始高维姿态表示成少数几个互相正交的分量。

这与手部运动研究中的 hand synergies 思想相呼应。Santello、Flanders 与 Soechting 在经典研究中发现，多种物体抓握前的手部姿态可以用少数主成分描述。但这类论文结论来自特定参与者、任务与测量系统，不能直接写成 MANUS 产品的性能指标，也不能假设所有项目都只需要固定数量的协同维度。

PCA 在做什么

把每一帧手部姿态写成向量：

x_t = [thumb_cmc_flex,
       thumb_cmc_abduction,
       index_mcp_flex,
       index_mcp_abduction,
       ...,
       pinky_dip_flex]

将全部有效帧组成矩阵 X，每行是一帧，每列是一个特征。中心化后，PCA 寻找一组方向：

z_t = W^T (x_t - mean)

W 的每一列是一个主成分方向，z_t 是该帧在低维空间中的得分。第一主成分解释数据中最大的方差，第二主成分解释与第一主成分正交方向上的最大剩余方差，依此类推。

利用前 k 个主成分可以近似重建原姿态：

x_hat_t = mean + W_k z_t

重建误差可以用来判断降维是否保留了项目真正关心的动作。

输入 PCA 的应该是什么数据

优先使用有明确解剖语义的关节变量

如果目标是解释抓握协同，局部关节角通常比全局指尖坐标更容易解释。全局坐标会混入手腕平移、手掌旋转和外部定位误差；局部角度更接近“哪些关节一起运动”。

但关节角也要明确：

• 屈伸与外展是否分开；
• 单位是度还是弧度；
• 左右手的正方向是否统一；
• 超伸展是否允许出现负值；
• 数据来自手部求解器还是后处理计算。

如果目标是机器人末端操作，指尖相对手掌的位置、指尖间距和拇指—食指相对位姿可能更有意义。PCA 的输入应由研究问题决定，而不是看到所有字段就全部拼接。

不要把不同单位直接混在一起

若向量同时包含米、弧度、速度和触觉强度，方差较大的数值尺度可能支配主成分。常见处理有两种：

• 只对同类、同单位变量做 PCA；
• 按训练数据的均值和标准差进行标准化。

标准化也有代价：一个本来变化很小的关节会被放大到与大幅运动关节相似的权重。若小方差主要来自噪声，标准化可能让噪声进入主成分。是否标准化应结合测量噪声、关节活动范围和任务目标决定。

一帧一行之前，先把数据清理正确

PCA 对异常值敏感。一个错误校准 Session、错误左右手映射或瞬时关节跳变，可能明显改变协方差矩阵。

推荐在 PCA 前完成：

1. 检查帧序号、时间戳、缺帧和重复帧；
2. 统一坐标系、单位、关节命名和左右手正方向；
3. 将无效校准、断线和重新佩戴划分为独立片段；
4. 对异常值保留质量标记，不直接静默删除；
5. 根据任务切分静态姿态、过渡动作和稳定抓握阶段；
6. 保存参与者、Session、任务、物体和手套配置元数据。

如果数据包含周期角度，不能把接近 +180° 与 -180° 的两个姿态当成相距 360°。手部解剖关节角通常不会覆盖完整圆周，但由全局旋转转出的欧拉角仍可能出现周期跳变。应先选择连续、可解释的局部表示。

不能先对全体数据拟合 PCA 再切训练集

在手势识别或机器人意图分类中，PCA 常被当成预处理步骤。一个常见的数据泄漏是：先用全部参与者和全部 Session 拟合 PCA，再划分训练集与测试集。

这样测试数据的均值、方差和主方向已经参与了特征构造，评估结果会过于乐观。正确流程是：

训练集 -> 拟合均值、标准差和 PCA
验证集 -> 使用训练集参数进行变换
测试集 -> 使用训练集参数进行变换

如果目标是泛化到新用户，应按参与者划分，而不是随机按帧划分。相邻帧高度相关，同一段动作随机散落在训练与测试中，模型很容易记住个人手型和时间邻域。

交叉验证时，每一折都要在该折训练数据内部重新拟合标准化和 PCA。不能提前生成一份使用全体数据的 PCA 特征再做交叉验证。

主成分到底代表什么

可以查看主成分载荷，即每个原始关节在该分量中的权重。例如某个分量可能表现为：

index_mcp_flex     +0.35
middle_mcp_flex    +0.41
ring_mcp_flex      +0.43
pinky_mcp_flex     +0.39

它可能对应四指共同屈曲。但主成分符号是任意的：整列权重乘以 -1 表示同一个方向。因此不能把正负号本身解释为跨模型不变的生理意义。

主成分还可能混合多个动作。如果数据集里“握拳”总与“手腕旋转”同时发生，PCA 可能把二者放在同一分量中。PCA 找的是统计方差方向，不知道任务语义和因果关系。

解释主成分时建议：

• 查看载荷而不是只看解释方差比例；
• 将 mean ± 2σ 的主成分姿态重建并可视化；
• 按任务、物体和参与者绘制得分分布；
• 检查不同重复采样中主成分是否稳定；
• 与已知抓握类型或外部测量交叉验证。

保留多少个主成分

常见做法是选择累计解释 90%、95% 或 99% 方差的最小分量数，或者观察碎石图的拐点。但“解释方差高”不等于“保留了任务信息”。

一个变化幅度很小的拇指动作，可能决定抓取成功，却只占很少总方差；反过来，手腕大幅摆动可能解释很多方差，却与手势类别无关。

更可靠的选择方式包括：

• 比较不同 k 下的关节角和指尖位置重建误差；
• 检查小物体捏取等关键动作是否失真；
• 在严格独立的验证集上比较下游分类或回归性能；
• 对机器人重定向检查碰撞、关节限位和任务成功率；
• 对科研分析检查结论是否对 k 的选择敏感。

主成分数量应当是项目验证结果，而不是从经典 hand synergy 论文中复制一个数字。

跨参与者 PCA 的三个方案

不同人的手长、活动范围和动作习惯不同。直接合并原始角度，第一主成分可能主要反映个体差异。

全局模型

所有训练参与者共同拟合一个 PCA。适合需要统一低维表示的通用模型，但必须检查新参与者的重建误差。

个体模型

每位参与者单独拟合 PCA。适合研究个体内部协同，但不同人的主成分方向不能直接按编号比较。

分层处理

先对每位参与者减去中性手姿或个体均值，再用训练参与者共同拟合 PCA。这样可以降低静态手型差异，但也可能删除研究真正关心的个体特征。

多中心研究还应记录 MANUS Core、SDK、手部求解器、校准流程和手套尺码。软件或流程变化可能改变骨长估计和关节分布，从而改变 PCA 结果。

PCA 不会自动理解时间

标准 PCA 把每帧视为独立样本，只描述姿态空间中的共同变化，不描述动作发生顺序。两段动作即使时间顺序相反，只要经过相同姿态集合，PCA 可能得到相似结果。

研究连续动作时，可以在 PCA 得分序列上进一步计算：

• 分量速度和加速度；
• 到达峰值的时间；
• 不同阶段的驻留时间；
• 动态时间规整距离；
• 隐马尔可夫模型或时序神经网络特征。

也可以使用 Functional PCA、动态模态分解或其他时序方法，但复杂模型不应掩盖数据切分和时间对齐问题。先用可解释的静态 PCA 建立基线，通常更容易发现数据错误。

PCA 怎么用于机器人示教

对于自由度较多的机器人灵巧手，hand synergy 可以作为低维控制空间。操作者的手姿被投影为少数协同坐标，再映射到机器人关节：

human pose -> synergy scores -> robot synergy map -> joint targets

这样可以降低控制维度和噪声，但不能把人手 PCA 载荷直接复制给机械手。两者的关节拓扑、活动范围、耦合关系和指尖接触能力不同。机器人侧需要独立的映射、限位和碰撞约束。

验证时至少比较：

• 人手姿态重建误差；
• 机器人指尖目标误差；
• 关节限位触发频率；
• 不同物体抓取成功率；
• 新操作者和新物体上的泛化表现。

如果只展示几个成功抓取视频，很难判断低维映射是否系统性丢失了关键动作。

最小实现清单

一套可复现的 PCA 分析至少应保存：

特征名称及顺序
单位和坐标约定
训练参与者与 Session 列表
训练集均值和标准差
PCA components
explained_variance
保留分量数及选择规则
软件与处理代码版本
异常帧与排除规则

模型文件必须与字段 schema 绑定。只保存一个矩阵 W.npy，却不保存列顺序，未来很容易把食指和中指或屈伸与外展错位。

结语

PCA 可以把 MANUS Metagloves Pro Haptic 的高维手部骨架压缩为少数可分析变量，但“降维”不等于自动发现真实神经控制机制。主成分反映的是给定参与者、任务、预处理和测量链路中的方差结构。只有严格处理数据泄漏、个体差异、任务阶段和重建误差，hand synergies 才能成为抓握研究、手势识别与机器人示教中的可靠工具。

准备使用 MANUS 数据手套开展手部协同分析、动作识别或灵巧手示教的团队，可联系 MANUS 数据手套中国区代理商一心科研，并通过官网 www.yixinkeyan.com 了解产品与技术支持信息。方案沟通时建议提供目标动作、参与者数量、需要保留的关节变量及最终机器人模型。