Η Apple εκπαιδεύει την τεχνητή νοημοσύνη να αναγνωρίζει άγνωστες χειραψίες με βάση σημάδια EMG.

Η Apple δημιούργησε το μοντέλο EMBridge – αναγνώριση χειρονομιών μέσω σήματος EMG

Οι νέες έρευνες της εταιρείας Apple έδειξαν ότι η τεχνητή νοημοσύνη EMBridge τους μπορεί να εντοπίζει κινήσεις του χεριού μόνο από ηλεκτρικά σήματα των μυών (EMG), ακόμη και αν τέτοιες χειρονομίες δεν υπήρχαν στο εκπαιδευτικό σύνολο.

Τι είναι το EMG και πού χρησιμοποιείται ήδη* Η ηλεκτρομυογραφία μετρά την ηλεκτρική δραστηριότητα που προκύπτει κατά τη σύσπαση των μυών.

* Στην ιατρική τη χρησιμοποιούν για διάγνωση και φυσικοθεραπεία, καθώς και σε προστάτες άκρων.

* Τα φορητά συσκευές (π.χ., γυαλιά Meta Ray‑Ban Display με ελεγκτή Neural Band) χρησιμοποιούν το EMG για τον έλεγχο της εικονικής πραγματικότητας.

Πώς εκπαιδεύτηκε το EMBridge
1. Δεδομένα – οι ερευνητές χρησιμοποίησαν δύο ανοιχτά σύνολα:

* `emg2pose` – σήματα EMG και συντεταγμένες των χεριών.

* `NinaPro DB2` – παρόμοιο σύνολο.

2. Δύο προοπτικές – το μοντέλο εκπαιδεύτηκε αρχικά σε δύο ξεχωριστά ρεύματα:

* μόνο σήματα EMG;

* μόνο δεδομένα θέσης του χεριού.

3. Συγχρονισμός – μετά την πρώτη εκπαίδευση οι ερευνητές “συνδέθηκαν” τα ρεύματα: το τμήμα που εργάζεται με EMG έμαθε να «καταλαβαίνει» τις πληροφορίες από τα δεδομένα συντεταγμένων. Τελικά το EMBridge κατάφερε να αναγνωρίσει χειρονομίες μόνο από σήμα EMG.

Σύνθεση της εργασίας
* Αφαιρέθηκε ένα μέρος του δεύτερου ρεύματος (συντεταγμένες) και η μονάδα υποχρεώθηκε να κάνει συμπεράσματα μόνο με βάση το EMG.

* Για να μην επιτρέπονται υπερβολικά λάθη, η αξιολόγηση των προβλέψεων έγινε λιγότερο αυστηρή: παρόμοιες χειρονομίες θεωρούνταν συγγενείς και όχι πλήρως διαφορετικές.

* Αυτή η προσέγγιση βοήθησε στη «δομή» του χώρου χαρακτηριστικών και βελτίωσε την αποκατάσταση των θέσεων των χεριών που δεν υπήρχαν στην εκπαίδευση.

Έλεγχος και αποτελέσματα
* Το μοντέλο δοκιμάστηκε στα ίδια σύνολα `emg2pose` και `NinaPro`, χρησιμοποιώντας τα ως benchmarks.

* Το EMBridge διατηρεί υψηλή ακρίβεια ακόμη και όταν χρησιμοποιούνται μόνο το 40 % των εκπαιδευτικών δεδομένων.

Περιορισμοί
Οι επιστήμονες τονίζουν ότι η κύρια δυσκολία παραμένει η πρόσβαση σε σύνολα με ζεύγη «EMG + θέση χεριού». Τέτοια δεδομένα είναι ακόμη περιορισμένα σε όγκο και δεν είναι πάντα διαθέσιμα.