1. 簡介
受遊戲、智慧家庭和汽車介面等應用驅動，對自然智慧人機互動（HCI）的需求正快速成長。然而，傳統方法面臨顯著限制：觸控螢幕在潮濕或油膩環境中失效，攝影機引發隱私疑慮且功耗高，語音控制則難以處理複雜指令和隱私問題。全球人機介面市場預計到2026年將達到72.4億美元，凸顯了對更好解決方案的需求。
本文介紹EMGesture，一種新穎的非接觸式互動技術。它透過分析充電時發射的電磁（EM）訊號，將無所不在的 Qi 標準無線充電器重新用作手勢感測器。這些訊號會因手部動作而受到擾動，並攜帶豐富的手勢相關資訊。EMGesture 提出了一個端到端框架來擷取、處理和分類這些擾動，為普及互動提供了一個實用、低成本且注重隱私的替代方案。
97%+
辨識準確率
30
參與者
10+5
測試裝置與充電器
2. 方法論與系統設計
EMGesture 將標準的 Qi 無線充電板轉變為手勢感測平台。該系統無需硬體改裝，而是使用軟體定義無線電（SDR）或整合感測器來監測充電器的電磁場。
2.1. 電磁訊號擷取與預處理
核心訊號是充電器功率傳輸線圈產生的電磁場，Qi 標準的工作頻率約在 100-205 kHz。當使用者的手在充電器附近執行手勢時，手部作為導電介質會擾動這個電磁場。這些擾動被擷取為時間序列的電壓數據。
預處理包括：
- 雜訊濾波：應用帶通濾波器，從環境雜訊中分離出相關的 Qi 頻段。
- 正規化：調整訊號幅度，以適應不同的裝置/充電器配對和基準功率水平。
- 分段：隔離對應單一手勢實例的訊號視窗。
2.2. 特徵擷取與手勢分類
對預處理後的訊號進行分析，以擷取具有區分性的特徵。考慮到手勢的序列性質，特徵可能來自時域和頻域：
- 時域：訊號振幅、過零率、能量。
- 頻域：頻譜質心、頻寬、適用於電磁訊號的梅爾頻率倒譜係數（MFCCs）。
- 時頻域：來自短時傅立葉轉換（STFT）或小波轉換的特徵，以捕捉演變模式。
一個穩健的機器學習模型（例如支援向量機（SVM）、隨機森林，或輕量級神經網路如 1D-CNN 或 LSTM）基於這些特徵進行訓練，以分類手勢（例如向左/右滑動、點擊、畫圈）。模型的穩健性是處理不同使用者和硬體變異性的關鍵。
3. 實驗結果與評估
3.1. 辨識準確率與效能
作者進行了全面的實驗，涉及 30 位參與者、10 種不同的行動裝置和 5 款 Qi 充電器。對於一組定義的手勢（例如方向性滑動、畫圈、點擊），系統展現了超過 97% 的辨識準確率。這種高準確率在不同裝置-充電器組合中均得以保持，證明了該方法的通用性。
圖表描述（推測）：一個多柱狀圖可能顯示了不同手勢類型（x 軸，例如向左滑動、向右滑動、畫圈、點擊、按壓）的準確率百分比（y 軸）。每個柱狀圖細分為不同測試條件下的表現（例如使用者 1-10，裝置 A-E）。一條覆蓋線表示整體平均準確率始終保持在 97% 以上。
3.2. 使用者研究與可用性評估
除了準確率，還進行了使用者研究以評估實用性。參與者回報：
- 高度便利：利用現有且無所不在的裝置（充電器），消除了對額外感測器的需求。
- 強烈的隱私感知：與攝影機不同，該系統不擷取視覺或生物特徵數據，僅擷取抽象的電磁擾動。
- 易於使用：手勢被發現在書桌或床頭櫃等情境中直觀且易於執行。
這項研究將 EMGesture 定位為不僅技術上可行，而且為使用者所接受。
4. 技術分析與框架
4.1. 數學基礎與訊號處理
導電物體（手）對電磁場的擾動可以透過互感係數和感應渦流的變化來建模。接收到的訊號 $s(t)$ 可視為：
$s(t) = A(t) \cdot \sin(2\pi f_c t + \phi(t)) + n(t)$
其中 $A(t)$ 是時變振幅，$f_c$ 是載波頻率（約 110-205 kHz），$\phi(t)$ 是相位，$n(t)$ 是雜訊。手勢調變了 $A(t)$ 和 $\phi(t)$。特徵擷取通常涉及計算訊號的包絡 $E(t)$：
$E(t) = |s(t) + j \cdot \mathcal{H}\{s(t)\}|$
其中 $\mathcal{H}\{\cdot\}$ 是希爾伯特轉換，用於獲取解析訊號以進行包絡檢測。
4.2. 分析框架：一個無程式碼案例研究
情境：使用整合無線充電墊上的手勢來控制智慧檯燈（開/關、調亮/調暗）。
- 訊號流：使用者執行「畫圈」手勢。手部動作改變了充電線圈的局部電磁場。
- 數據管道：充電器控制板上的類比數位轉換器（ADC）對線圈的電流/電壓回饋進行取樣（這些數據原本就用於充電控制）。
- 特徵向量建立：處理取樣的 500 毫秒視窗。一個 1D-CNN 模型擷取時空特徵：例如，低頻譜功率的尖峰，隨後是週期性的振幅模式。
- 分類與動作：模型以 98% 的信心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：系統透過在啟動手勢模式前檢查訊號模式是否匹配已知的充電裝置特徵，來忽略微小的擾動（例如將手機放在充電墊上）。
此框架突顯了將感測功能無縫整合到現有功能中。
5. 討論與未來方向
核心洞見：EMGesture 不僅僅是另一種手勢技術——它是基礎設施再利用的典範。作者識別了一個普及、靜默的數據源（Qi 電磁場），並將一個電力傳輸元件轉變為情境感測器。這超越了添加感測器，轉而利用現有資源，這對於實現可持續且可擴展的普及計算至關重要，正如 Mark Weiser 最初願景所倡導的。
邏輯流程與比較：論點令人信服：攝影機具有侵入性且耗電，觸控在混亂環境中失效，語音則嘈雜。電磁訊號始終開啟、低功耗且抽象。與其他基於射頻的方法（如 Wi-Fi 或雷達，例如 Google 的 Soli）相比，EMGesture 的優勢在於其受限、可預測的環境（線圈的近場區域），這簡化了訊號處理並提高了準確率，正如 97%+ 的結果所證明——通常高於早期在ACM MobiCom等出版物中報告的 Wi-Fi 感測研究。
優勢與缺陷：其殺手級應用是設計即隱私以及對於具備 Qi 充電功能的裝置而言零邊際硬體成本。然而，我們必須批判看待：其感測範圍極其有限（幾公分），使其成為「桌面」或「床邊」互動，而非房間規模的互動。手勢詞彙可能較小且簡單。它也依賴於充電器處於啟動狀態，但這並非總是如此。最佳充電對齊與手勢人體工學之間可能存在潛在衝突。
可行洞見與未來方向： 1. 推動標準化：真正的成功在於促使 Qi 2.0 或未來標準在電力傳輸之外，納入一個專用的低頻寬感測通道。晶片製造商如 NXP 和 IDT 應予以關注。 2. 情境感知融合：未來的系統不應僅依賴電磁訊號。將其意圖訊號與裝置的加速度計（用於「拿起」偵測）或麥克風（用於語音確認）融合，可以建立穩健的多模態指令。 3. 擴展詞彙：研究應探索使用多線圈充電器陣列來實現更複雜的 3D 手勢，可能實現透過充電墊進行手語字母辨識。 4. 生物特徵側通道：使用者手部的獨特電容耦合，能否在手機充電時提供被動、連續的身份驗證訊號？這將互動與安全性結合在一起。
總而言之，EMGesture 提供了一條極其務實的前進道路。它不會取代攝影機或觸控螢幕，但它為個人裝置領域的環境式、隨意且私密的互動開闢了一個重要的利基市場，將一個平凡的動作——充電——轉變為建立連結的機會。
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.