苹果训练人工智能识别基于EMG信号的陌生握手模式

Apple创建了EMBridge模型——通过肌电信号识别手势

苹果公司的新研究表明，他们的人工智能EMBridge能够仅凭肌肉（EMG）的电脉冲来判断手部动作，即使这些手势在训练集里从未出现过。

什么是EMG以及它已被应用在哪些领域
电生理学测量肌肉收缩时产生的电活动。

* 在医学上，它用于诊断和物理治疗，以及肢体假肢。

* 可穿戴设备（例如Meta Ray‑Ban Display眼镜配合Neural Band控制器）使用EMG来操控虚拟现实。

如何训练EMBridge
1. 数据——研究人员使用了两个公开数据集：

* `emg2pose` – EMG信号和手部坐标。

* `NinaPro DB2` – 类似的数据集。

2. 两个视角——模型最初在两条独立流上训练：

* 仅EMG信号；

* 仅手部位置数据。

3. 同步——在初始训练后，研究人员“连接”了这两条流：处理EMG的组件学习如何“理解”坐标信息。最终EMBridge能够仅凭EMG信号识别手势。

任务复杂化
* 剪掉第二条流（坐标）的一部分，让模型只能基于EMG做出判断。

* 为避免过度错误，预测评估变得不那么严格：相似的手势被视为相关，而非完全不同。

* 这种方法帮助“结构化”特征空间，并改进了对训练中未出现的手部位置的恢复。

验证与结果
* 在同一数据集`emg2pose`和`NinaPro`上测试模型，作为基准。

* EMBridge即使仅使用40 % 的训练数据，也能保持高精度。

限制
科学家强调，关键障碍仍是获取“EMG + 手部位置”配对的数据集。这类数据目前量有限且并非总是可用。