Apple EMBridge Modeliyle Kas Sinyallerinden El Hareketlerini Öğrenebilen Yeni Yapay Zekâ Araştırmasını Paylaştı

Apple, kas sinyallerini analiz ederek el hareketlerini yorumlayabilen EMBridge adlı yeni yapay zekâ modeline dair araştırmasını yayımladı. Şirketin makine öğrenimi ekibi tarafından geliştirilen çalışma, EMG verilerini kullanarak daha önce eğitim verisinde bulunmayan el hareketlerinin tahmin edilebildiğini gösteriyor. Apple araştırmacıları bu yaklaşımın özellikle giyilebilir teknolojilerde insan bilgisayar etkileşimi için farklı bir kontrol yöntemi ortaya koyabileceğini değerlendiriyor.

EMBridge Sistemi Kas Aktivitesini El Pozisyonlarıyla İlişkilendirerek Çalışıyor

Apple araştırma ekibi tarafından geliştirilen EMBridge sistemi, kasların ürettiği elektriksel aktiviteleri ölçen elektromiyografi verilerini analiz eden bir makine öğrenimi altyapısı üzerine kuruldu. Araştırmacılar modelin EMG biyosinyal analizi ile gerçek el konumlarını ilişkilendiren yeni bir temsil öğrenme yöntemi kullandığını açıkladı.

Elektromiyografi teknolojisi tıp dünyasında uzun yıllardır kas fonksiyonlarını incelemek, rehabilitasyon süreçlerini izlemek veya protez uzuvların kontrolünü sağlamak amacıyla kullanılıyor. Teknoloji şirketleri son yıllarda aynı biyosinyalleri giyilebilir cihaz kontrol sistemi geliştirmek için araştırmaya başladı. Apple tarafından yayımlanan çalışma da kas sinyallerinin doğrudan kullanıcı etkileşimine dönüştürülebileceği yöntemleri inceleyen araştırmalar arasında yer alıyor.

Apple mühendisleri EMBridge modelinde kas sinyalleri ile el pozisyonu verileri arasındaki farkı azaltan çapraz modlu temsil öğrenme yaklaşımı kullandı. Araştırmacılar modeli iki farklı veri türü üzerinde ön eğitimden geçirdikten sonra temsil katmanlarını hizalayarak sistemin kas sinyallerinden el hareketlerini öğrenmesini sağladı.

Bu yöntem sayesinde model yalnızca eğitim sırasında gördüğü hareketleri tanımakla sınırlı kalmıyor. Sistem benzer yapısal özelliklere sahip yeni hareketleri de tahmin edebiliyor çünkü algoritma hareketlerin temel özelliklerini öğreniyor. Apple araştırma ekibi bu yaklaşımı makine öğrenimi literatüründe sıfır atışlı jest tanıma yöntemi olarak tanımlıyor.

Apple araştırmacıları modelin eğitimi için oldukça geniş bir veri seti kullandı. Araştırma ekibi ilk veri setinde 193 gönüllüden elde edilen yaklaşık 370 saatlik yüzey elektromiyografi verisini analiz etti. Sistem yumruk sıkma veya parmak sayma gibi davranışların yer aldığı 29 farklı hareket kategorisini öğrendi.

Araştırmacılar el pozisyonlarını yüksek çözünürlüklü bir hareket yakalama sistemiyle kaydetti. Araştırma veri tabanı toplamda 80 milyondan fazla el konumu etiketi içeriyor. Katılımcılar farklı EMG bant yerleşimleriyle dört ayrı kayıt oturumu tamamladı. Model eğitim sürecinde örtüşmeyen iki saniyelik sinyal pencereleri üzerinden çalıştı.

Apple araştırma ekibi modelin test süreçlerinde NinaPro veri setlerinden de yararlandı. NinaPro DB2 veri seti 40 katılımcının gerçekleştirdiği 49 farklı el hareketini içeriyor. EMG sinyalleri ön kola yerleştirilen 12 elektrot üzerinden saniyede iki bin örnekleme hızında kaydediliyor.

Araştırmacılar elin kinematik hareketlerini veri eldiveni aracılığıyla ölçtü. NinaPro DB7 veri seti ise 20 katılımcıdan elde edilen EMG verilerini içeriyor. Araştırma ekibi farklı veri kaynaklarını bir araya getirerek sistemin farklı kas aktivitesi kalıplarını yorumlama kapasitesini genişletmeyi amaçladı.

Apple mühendisleri eğitim sürecinde maskelenmiş poz yeniden yapılandırma yöntemi kullandıklarını belirtti. Sistem bu aşamada el pozisyonu verilerinin bazı bölümleri gizliyken yalnızca EMG sinyallerine bakarak eksik kısımları tahmin etmeye çalıştı.

Araştırmacılar bu yöntemin kas sinyalleri ile gerçek el hareketleri arasındaki ilişkiyi daha güçlü biçimde öğrenmeye yardımcı olduğunu ifade ediyor. Araştırma ekibi ayrıca benzer el konfigürasyonlarının temsil uzayında daha mantıklı şekilde konumlandırılması için modele yumuşak hedefler sağlayan bir yaklaşım kullandı.

Apple araştırma ekibi EMBridge sistemini giyilebilir cihazlardan gelen EMG verileriyle sıfır atışlı jest sınıflandırması gerçekleştiren ilk çapraz modlu temsil öğrenme çerçevelerinden biri olarak tanımlıyor. Test sonuçları modelin daha önce görülmemiş el hareketlerini tanıma konusunda mevcut yöntemlere kıyasla daha iyi performans gösterdiğini ortaya koyuyor.

Apple araştırması doğrudan bir ticari ürün planını açıklamıyor. Araştırmacılar buna rağmen EMG tabanlı kontrol teknolojisinin giyilebilir cihazlarda yeni kullanım senaryoları ortaya çıkarabileceğini değerlendiriyor. Bu yaklaşım teorik olarak bileğe takılan bir cihaz üzerinden sanal avatarların, robotik sistemlerin veya dijital arayüzlerin kontrol edilmesine olanak sağlayabilir.