تمييز إشارات sEMG لحركات اليد من خلال خليط من الخبراء المبني على الأشجار الإضافية

قراءة العضلات لتحريك الأيادي الاصطناعية

تخيل أن بإمكانك التحكم في يد روبوتية بمجرد شد عضلات الساعد، وبطبيعية مماثلة لكيفية تحريك أصابعك. تستكشف هذه الدراسة كيفية تحويل تلك الإشارات الكهربائية الخافتة من العضلات إلى أوامر موثوقة للأيادي الاصطناعية والأجهزة الأخرى، باستخدام نموذج حاسوبي أذكى يمكنه تمييز العديد من إيماءات اليد في الزمن الحقيقي.

إشارات مخفية تحت الجلد

عندما نحرك أيدينا، تولّد عضلاتنا إشارات كهربائية ضئيلة يمكن رصدها على سطح الجلد. يستخدم الباحثون كهربية السطح العضلية (sEMG)، حيث تُوضع أقطاب لاصقة على الساعد لالتقاط هذه الإشارات دون إبر أو جراحة. لكل إيماءة، مثل فتح اليد أو ثني أصابع معينة، يكون نمط النشاط الكهربائي مختلفاً قليلاً. التحدي أن هذه الإشارات صغيرة جداً ومعرضة للتلوث بالضوضاء الناتجة عن الحركة أو الأجهزة القريبة أو عضلات أخرى، لذلك يجب تنظيفها بعناية وترجمتها إلى أرقام يمكن للحاسوب فهمها.

تنقية وتقسيم إشارات العضلات

لفهم تسجيلات sEMG الخام، يقوم الفريق أولاً بترشيح الضوضاء غير المرغوب فيها مثل الطنين من خطوط الطاقة والاضطرابات ذات الترددات المنخفضة والعالية، تاركاً النشاط العضلي الحقيقي في المقام الأول. بدلاً من التعامل مع كل تسجيل طويل ككتلة واحدة، يقسمون الإشارات إلى نوافذ زمنية قصيرة متداخلة بطول حوالي ربع ثانية. من كل نافذة يحسبون 17 ميزة رقمية بسيطة تصف قوة الإشارة وتباينها وطاقةها، في الزمن والتردد. هذا يولّد آلاف اللقطات الموجزة لكيفية تصرف العضلات أثناء كل إيماءة، مكوّنة المادة الخام التي تُدرّب عليها خوارزميات التعرّف.

العديد من المتخصصين الصغار بدلاً من حكم واحد كبير

معظم الأنظمة السابقة درّبت نموذج تعلم آلي واحد على جميع أنواع الإيماءات دفعة واحدة، ما يمكن أن يؤدي إلى قرارات متحيزة عندما تبدو بعض الإيماءات متشابهة. في هذا العمل، يقترح المؤلفون استراتيجية مختلفة تُسمى MEET (خليط من الخبراء المبني على الأشجار الإضافية). بدلاً من حكم شامل واحد، يستخدم MEET عدة نماذج "خبيرة"، كل منها مدربة على مجموعة صغيرة من الإيماءات، بالإضافة إلى نموذج "بوّابة" شاهد جميع الإيماءات. جميع هذه النماذج مبنية على تقنية الأشجار الإضافية (Extra Trees)، وهي تقنية تجمع العديد من أشجار القرار البسيطة مع إدخال عشوائية لتجنّب الإفراط في التلاؤم. أثناء الاستخدام، يصدر كل خبير توقعه الخاص، بينما تقرر البوّابة مقدار الثقة بكل خبير بالنسبة للإشارة الحالية. يكون الاختيار النهائي مزيجاً مرجحاً من هذه الآراء، ما يقلل التحيز ويُحدّد الفواصل بين الإيماءات المتشابهة.

الاختبار على أشخاص حقيقيين وبيانات عامة

سجل الباحثون بيانات sEMG من أربعة متطوعين أصحاء، كل منهم أدى ست حركات يد مختلفة لعدة عشرات من الثواني في كل مرة. درّبوا MEET وعشرة أساليب قياسية أخرى لمعالجة البيانات على الجزء الأكبر من البيانات واختبروها على الباقي. تميّز MEET باستمرار في التعرف على الإيماءة الصحيحة أكثر من النماذج المنافسة، محققاً دقّة بين نحو 78% و89% عبر الأشخاص الأربعة، وتفوّقاً على مكوّنه الأساسي، نموذج الأشجار الإضافية البسيط. وللتأكد من أن النهج ليس مخصّصاً لتسجيلات مختبرهم فقط، قيّموا MEET أيضاً على قاعدة بيانات عامة معروفة لـ sEMG تغطي 15 إيماءة يد وثمانية مشاركين. حتى هناك، حقق MEET أفضل أداء، محققاً تحسناً في الدقّة المتوسطة بنحو 1.25% مقارنة بالطريقة التالية في الترتيب، مع حفاظه على خفة الحساب بما يكفي للاستخدام في أجهزة مضمنة صغيرة.

لماذا هذا مهم في الحياة اليومية

بعبارة بسيطة، تُظهر هذه الدراسة أن "فريقاً من المتخصصين" يمكنه قراءة إشارات العضلات بشكل أكثر موثوقية من نموذج عام وحيد. من خلال دمج عدة مصنّفات مركّزة مع بوّابة توازن تأثيرها، يقلّل MEET المشكلات الشائعة مثل الإفراط في التلاؤم والتحيّز مع الحفاظ على كفاءة كافية للتحكم في الزمن الحقيقي. بالنسبة للأشخاص المستخدمين للأطراف الصناعية أو واجهات اللعب أو وحدات التحكم القابلة للارتداء، قد يترجم هذا إلى استجابات أكثر سلاسة ودقة تشبه تحريك اليد الطبيعية. بينما العمل الحالي يشتمل على عدد قليل من المتطوعين ومجموعة ثابتة من الإيماءات، فإنه يؤسّس لبنية أنظمة تحكم مدفوعة بالعضلات أكثر مرونة وثقة يمكن أن تدعم يوماً ما مجموعة أوسع من المستخدمين والحركات.

الاستشهاد: Gehlot, N., Jena, A., Kumar, R. et al. Mixture of experts extra tree-based sEMG hand gesture recognition. Sci Rep 16, 11787 (2026). https://doi.org/10.1038/s41598-026-40305-z

الكلمات المفتاحية: تمييز إشارات حركة اليد, كهربية السطح العضلية, التحكم في الأطراف الصناعية, تعلم الآلة, خليط من الخبراء