Прорыв в интерфейсах «мозг-рука»
Для бесшовного управления продвинутыми протезами кистей и системами дополненной реальности (AR) критически важна точность и скорость распознавания жестов. Поверхностная электромиография (sEMG) с предплечья остается золотым стандартом для этой задачи, однако существующие методы часто уступают в скорости или требуют сложных вычислений. Новая работа, опубликованная в arXiv (ID: 2607.07850), предлагает решение на базе графовых нейронных сетей (GNN), которое эффективно кодирует паттерны активации мышц.
Архитектура и данные
Авторы — Прагатишвара Випулунандан, Камал Премаратне и Манохар Мурти — разработали алгоритм, который представляет данные sEMG в виде графов. Это позволяет модели учитывать пространственные связи между мышцами. Эксперименты проводились на данных, собранных с помощью устройства MyoBand, оснащенного 8 электродами, расположенными вокруг предплечья. В исследовании приняли участие 8 здоровых добровольцев.
Ключевые метрики производительности
Предложенный подход демонстрирует выдающиеся результаты как в точности, так и в скорости обработки, что делает его пригодным для систем реального времени. Ниже приведено сравнение ключевых показателей новой модели:
| Метрика | Значение | Примечание |
|---|---|---|
| Точность классификации | 99% | Превосходит современные методы (SOTA) |
| Время обработки (Graph Construction + Prediction) | 48 мс | Тестировано на CPU Apple M1 Pro |
| Аппаратная платформа | Apple M1 Pro | Демонстрация эффективности на потребительском железе |
Почему это важно
Задержка в 48 миллисекунд является критическим порогом для обеспечения естественного взаимодействия человека с машиной. В сочетании с точностью 99%, это решение открывает путь к созданию более доступных и отзывчивых бионических протезов и интерфейсов управления жестами, не требующих мощных серверных вычислений. Модель способна работать на мобильных устройствах, что значительно расширяет сферу её применения.
Источник: arXiv cs.AI ↗