1. 簡介
喺遊戲、智能家居同汽車介面等應用嘅推動下，市場對自然同智能嘅人機互動（HCI）需求急速增長。然而，傳統方法面臨重大限制：觸控螢幕喺濕滑或油膩環境下會失效；鏡頭引起私隱憂慮同耗電量高；語音控制則難以處理複雜指令同私隱問題。全球人機介面市場預計到2026年將達到72.4億美元，凸顯咗對更好解決方案嘅需求。
本文介紹EMGesture，一種新穎嘅非接觸式互動技術。佢將隨處可見嘅Qi標準無線充電器重新利用，透過分析充電時發出嘅電磁（EM）訊號，將其變成手勢感應器。呢啲訊號會因為手部動作而受到干擾，並攜帶豐富嘅手勢相關資訊。EMGesture提出一個端到端框架，用嚟捕捉、處理同分類呢啲干擾，為普及互動提供一個實用、低成本同注重私隱嘅替代方案。
97%+
識別準確度
30
參與者
10+5
已測試裝置與充電器
2. 方法論與系統設計
EMGesture將標準Qi無線充電板轉化為一個手勢感應平台。系統唔需要改裝硬件，而係使用軟件定義無線電（SDR）或集成感應器嚟監測充電器嘅電磁場。
2.1. 電磁訊號擷取與預處理
核心訊號係充電器電力傳輸線圈產生嘅電磁場，Qi標準嘅工作頻率大約喺100-205 kHz。當用戶隻手喺充電器附近做出手勢時，手部會作為導電介質，干擾呢個電磁場。呢啲干擾會被捕捉為時間序列電壓數據。
預處理包括：
- 噪音過濾：應用帶通濾波器，從環境噪音中隔離出相關嘅Qi頻段。
- 標準化：調整訊號幅度，以適應唔同裝置/充電器配對同基準功率水平。
- 分段：隔離對應單一手勢實例嘅訊號窗口。
2.2. 特徵提取與手勢分類
對預處理後嘅訊號進行分析，提取具區分性嘅特徵。考慮到手勢嘅時序性，特徵可能嚟自時域同頻域：
- 時域：訊號幅度、過零率、能量。
- 頻域：頻譜質心、帶寬、適用於電磁訊號嘅梅爾頻率倒譜係數（MFCCs）。
- 時頻域：從短時傅立葉變換（STFT）或小波變換提取特徵，以捕捉演變模式。
使用一個穩健嘅機器學習模型（例如支援向量機（SVM）、隨機森林，或者輕量級神經網絡如1D-CNN或LSTM）基於呢啲特徵進行訓練，以分類手勢（例如向左/右掃、點擊、畫圈）。模型嘅穩健性對於處理唔同用戶同硬件之間嘅差異至關重要。
3. 實驗結果與評估
3.1. 識別準確度與效能
作者進行咗全面實驗，涉及30位參與者、10款唔同流動裝置同5款Qi充電器。系統對於一組定義好嘅手勢（例如方向性滑動、畫圈、點擊）展示出超過97%嘅識別準確度。呢個高準確度喺唔同裝置-充電器組合下都得以保持，證明咗方法嘅通用性。
圖表描述（推斷）：一個多柱狀圖可能顯示唔同手勢類型（x軸，例如向左掃、向右掃、畫圈、點擊、推）嘅準確度百分比（y軸）。每條柱再細分以顯示唔同測試條件下嘅表現（例如用戶1-10，裝置A-E）。一條疊加線表示整體平均準確度持續喺97%以上。
3.2. 用戶研究與可用性評估
除咗準確度，亦進行咗用戶研究以評估實用性。參與者報告：
- 高度便利：利用現有、普及嘅裝置（充電器），無需額外感應器。
- 強烈私隱感知：同鏡頭唔同，系統唔會捕捉視覺或生物特徵數據，只係抽象嘅電磁干擾。
- 易於使用：手勢被認為直觀且易於喺書枱或床頭櫃等場景下進行。
呢項研究將EMGesture定位為唔單止技術上可行，而且係用戶可接受嘅。
4. 技術分析與框架
4.1. 數學基礎與訊號處理
導電物體（手部）對電磁場嘅干擾，可以透過互感同感應渦流嘅變化嚟建模。接收訊號 $s(t)$ 可以視為：
$s(t) = A(t) \cdot \sin(2\pi f_c t + \phi(t)) + n(t)$
其中 $A(t)$ 係時變幅度，$f_c$ 係載波頻率（約110-205 kHz），$\phi(t)$ 係相位，$n(t)$ 係噪音。手勢會調制 $A(t)$ 同 $\phi(t)$。特徵提取通常涉及計算訊號嘅包絡 $E(t)$：
$E(t) = |s(t) + j \cdot \mathcal{H}\{s(t)\}|$
其中 $\mathcal{H}\{\cdot\}$ 係希爾伯特變換，用於獲取解析訊號以進行包絡檢測。
4.2. 分析框架：一個非編碼案例研究
場景：使用手勢控制集成咗無線充電板嘅智能枱燈（開/關、調光/暗）。
- 訊號流： 用戶做出「畫圈」手勢。手部動作改變充電線圈嘅局部電磁場。
- 數據管道： 充電器控制板上嘅ADC採樣線圈嘅電流/電壓反饋（呢啲數據本來就用於充電控制）。
- 特徵向量創建： 處理採樣到嘅500ms窗口。一個1D-CNN模型提取時空特徵：例如，低頻譜功率嘅尖峰，隨後係循環幅度模式。
- 分類與動作： 模型以98%置信度將特徵向量匹配到「畫圈」類別。系統將此轉譯為指令：「循環切換燈光色溫。」
- 穩健性檢查： 系統透過檢查訊號模式是否匹配已知充電裝置特徵，忽略輕微干擾（例如將手機放上充電板），然後先啟動手勢模式。
呢個框架突顯咗將感應功能無縫集成到現有功能中。
5. 討論與未來方向
核心見解： EMGesture唔單止係另一種手勢技術——佢係基礎設施再利用嘅典範。作者識別咗一個普及、靜默嘅數據源（Qi電磁場），並將一個電力傳送組件變成情境感應器。呢個做法超越咗添加感應器，轉而利用已有嘅資源，呢個原則對於可持續同可擴展嘅普及計算至關重要，正如Mark Weiser最初願景所倡導嘅一樣。
邏輯流程與比較： 論點好有說服力：鏡頭具侵入性同耗電；觸控喺混亂環境中失效；語音嘈雜。電磁訊號則係常開、低功耗同抽象嘅。同其他基於射頻嘅方法（如Wi-Fi或雷達，例如Google嘅Soli）相比，EMGesture嘅優勢在於其受限、可預測嘅環境（線圈嘅近場），呢個簡化咗訊號處理並提高咗準確度，正如97%+嘅結果所證明——通常高於早期喺ACM MobiCom等出版物中報告嘅Wi-Fi感應研究。
優點與缺點： 佢嘅殺手鐧係設計上嘅私隱保護同對於配備Qi充電嘅裝置而言零邊際硬件成本。然而，我哋要批判性啲睇：感應範圍嚴重受限（幾厘米），令佢成為「枱面」或「床邊」互動，而非房間級別。手勢詞彙可能細而簡單。佢亦依賴充電器處於活動狀態，但呢個唔係時時都係咁。最佳充電對齊同手勢人體工學之間可能存在潛在衝突。
可行見解與未來方向： 1. 推動標準化： 真正嘅成功在於推動Qi 2.0或未來標準，喺電力傳輸之外加入專用、低頻寬嘅感應通道。NXP同IDT等晶片製造商應該留意。2. 情境感知融合： 未來系統唔應該只依賴電磁訊號。將其意圖訊號同裝置嘅加速度計（用於「拿起」檢測）或咪高峰（用於語音確認）融合，可以創造穩健嘅多模態指令。3. 擴展詞彙： 研究應探索使用多線圈充電器陣列進行更複雜嘅3D手勢，可能實現喺充電板上識別手語字母。4. 生物特徵側信道： 用戶手部獨特嘅電容耦合，會唔會喺手機充電時提供被動、連續嘅身份驗證訊號？呢個將互動同安全結合埋一齊。
總括而言，EMGesture提供咗一條極具實用性嘅前進道路。佢唔會取代鏡頭或觸控螢幕，但佢喺個人裝置領域開闢咗一個重要嘅利基市場，用於環境式、隨意同私密嘅互動，將一個平凡嘅動作——充電——變成一個連接嘅機會。
6. 參考文獻
- Wang, W., Yang, L., Gan, L., & Xue, G. (2025). The Wireless Charger as a Gesture Sensor: A Novel Approach to Ubiquitous Interaction. In Proceedings of CHI Conference on Human Factors in Computing Systems (CHI '26).
- National Highway Traffic Safety Administration (NHTSA). (2023). Distracted Driving Fatality Data.
- Zhang, C., et al. (2020). A Survey on Vision-Based Human Activity Recognition. Image and Vision Computing, 103.
- Grand View Research. (2023). Human Machine Interface Market Size Report, 2023-2030.
- Malkin, N., et al. (2019). Privacy and Security in Voice-Based AI. IEEE Security & Privacy.
- Zhu, H., et al. (2021). Touchscreens in Wet Conditions: A Review. International Journal of Human-Computer Studies.
- Weiser, M. (1991). The Computer for the 21st Century. Scientific American.
- Pu, Q., et al. (2013). Whole-Home Gesture Recognition Using Wireless Signals. In Proceedings of ACM MobiCom.
- Wireless Power Consortium. (2023). Qi Wireless Power Transfer System Specification.