Apple ha addestrato l'intelligenza artificiale a riconoscere i gesti di stretta di mano sconosciuti basandosi sui segnali EMG

Apple ha creato il modello EMBridge – riconoscimento dei gesti tramite segnale EMG

Le nuove ricerche di Apple hanno dimostrato che l'intelligenza artificiale EMBridge può determinare i movimenti della mano solo dai segnali elettrici muscolari (EMG), anche se tali gesti non sono stati presenti nel set di addestramento.

Cos'è l'EMG e dove è già utilizzata
L'emografia misura l'attività elettrica generata dalla contrazione muscolare.

In medicina viene impiegata per la diagnosi e fisioterapia, oltre che nei protesi degli arti.

I dispositivi indossabili (ad esempio gli occhiali Meta Ray‑Ban Display con il controller Neural Band) usano l'EMG per controllare la realtà virtuale.

Come è stato addestrato EMBridge
1. Dati – i ricercatori hanno utilizzato due set pubblici:

* `emg2pose` – segnali EMG e coordinate della mano.

* `NinaPro DB2` – set simile.

2. Due rappresentazioni – il modello è stato inizialmente addestrato su due flussi separati:

* solo segnali EMG;

* solo dati sulla posizione della mano.

3. Sincronizzazione – dopo l'addestramento preliminare i ricercatori hanno “collegato” i flussi: il componente che lavorava con l'EMG ha imparato a «comprendere» le informazioni dalle coordinate. Alla fine EMBridge è riuscito a riconoscere i gesti solo dal segnale EMG.

Complessità del compito
* È stato tagliato un segmento del secondo flusso (coordinate) e si è chiesto al modello di fare deduzioni solo basate sull'EMG.

* Per evitare errori eccessivi, la valutazione delle previsioni è stata resa meno rigorosa: gesti simili sono stati considerati correlati piuttosto che completamente diversi.

* Questo approccio ha aiutato a «strutturare» lo spazio dei feature e migliorato il recupero delle posizioni della mano non presenti nell'addestramento.

Verifica e risultati
* Il modello è stato testato sugli stessi set `emg2pose` e `NinaPro`, utilizzandoli come benchmark.

* EMBridge mantiene un'elevata precisione anche con solo il 40 % dei dati di addestramento.

Limitazioni
Gli scienziati sottolineano che l'ostacolo principale rimane l'accesso a set di dati con una coppia “EMG + posizione della mano”. Tali dati sono ancora limitati in volume e non sempre disponibili.