Apple a entraîné l'intelligence artificielle à reconnaître des poignées de main inconnues à partir de signaux EMG.

Apple a créé le modèle EMBridge – reconnaissance de gestes à partir du signal EMG

Les nouvelles recherches d'Apple ont montré que leur intelligence artificielle EMBridge peut déterminer les mouvements de la main uniquement à partir des signaux électriques des muscles (EMG), même si ces gestes n'ont jamais été rencontrés dans l'ensemble d'entraînement.

Qu'est-ce qu'un EMG et où est-il déjà utilisé * L'électromyographie mesure l'activité électrique qui se produit lors de la contraction musculaire.

* En médecine, elle est utilisée pour le diagnostic et la physiothérapie, ainsi que dans les prothèses d'appendices.

* Les appareils portables (par exemple, les lunettes Meta Ray‑Ban Display avec le contrôleur Neural Band) utilisent l'EMG pour contrôler la réalité virtuelle.

Comment EMBridge a été entraîné
1. Données – les chercheurs ont utilisé deux ensembles de données ouvertes :

* `emg2pose` – signaux EMG et coordonnées des mains.

* `NinaPro DB2` – ensemble similaire.

2. Deux représentations – le modèle était d'abord entraîné sur deux flux distincts :

* uniquement les signaux EMG;

* uniquement les données de position de la main.

3. Synchronisation – après l'entraînement initial, les chercheurs « ont relié » les flux : le composant travaillant avec l'EMG apprenait à « comprendre » les informations provenant des données de coordonnées. En fin de compte, EMBridge a pu reconnaître les gestes uniquement grâce au signal EMG.

Complexification de la tâche
* Une partie du deuxième flux (coordonnées) a été supprimée et le modèle a été forcé de tirer des conclusions uniquement sur la base de l'EMG.

* Pour éviter des erreurs excessives, l'évaluation des prédictions est devenue moins stricte : les gestes similaires étaient perçus comme apparentés plutôt que totalement distincts.

* Cette approche a aidé à « structurer » l'espace des caractéristiques et a amélioré la récupération des positions de la main qui n'étaient pas présentes dans l'entraînement.

Vérification et résultats
* Le modèle a été testé sur les mêmes ensembles `emg2pose` et `NinaPro`, en les utilisant comme benchmarks.

* EMBridge conserve une haute précision même lorsqu'il ne dispose que de 40 % des données d'entraînement.

Limitations
Les scientifiques soulignent qu'un obstacle clé demeure l'accès aux ensembles de données « EMG + position de la main ». De telles données restent limitées en volume et ne sont pas toujours disponibles.