التكيّف بالنماذج قليلة العينات للتعرّف القابل للتعميم على إيماءات قياسات النشاط الكهربائي العضلي

تعليم الآلات قراءة إشارات العضلات

تخيّل أن تتحكّم في يد اصطناعية، أو مؤشر حاسوب، أو قفاز واقع افتراضي بمجرد شد عضلات الساعد. هذا الوعد يعتمد على ترجمة الإشارات الكهربائية الخفيفة من العضلات إلى إيماءات قابلة للتعرّف بشكل موثوق. ومع ذلك، في الواقع تتغير هذه الإشارات من يوم لآخر ومن شخص لآخر، مما يجبر المستخدمين على الخضوع لجلسات معايرة طويلة ومتّعبة. تقدم هذه الورقة طريقة جديدة اسمها EMG-Adapt تتعلّم أنماط العضلات بسرعة من عدد قليل من الأمثلة فقط، ما يقرب أجهزة التحكم المعتمدة على العضلات خطوة أقرب إلى أن تكون عملية وأسهل للمستخدم.

لماذا إشارات العضلات صعبة الاستخدام

يقيس التخطيط الكهربائي للعضلات (EMG) نشاطات كهربائية صغيرة في العضلات عبر حسّاسات على الجلد. تحمل هذه الإشارات معلومات غنية عن الحركات المقصودة، لكنها معروفة بعدم استقرارها. قد تبدو نفس إيماءة اليد مختلفة في البيانات إذا انزلقت الأقطاب قليلاً، أو إذا كان المستخدم متعباً، أو إذا كان جسم الشخص مختلفاً. الأنظمة التي تعمل جيداً في المختبر غالباً ما تفشل عند الاختبار بعد أيام أو مع شخص جديد. جمع بيانات معنونة كافية من كل مستخدم بطيء ومجهد، لا سيما للأشخاص ذوي البتر الذين سيستفيدون أكثر من تحكّم أطراف اصطناعية أفضل.

التقاط النبض المستقر للإيماءة

تتعاطى EMG-Adapt مع هذا عدم الاستقرار أولاً بتحويل الإشارات العضلية الخام إلى تمثيل أكثر استقراراً. بدلاً من إدخال آلاف نقاط البيانات الخام إلى الشبكة العصبية، يلخّص المؤلفون إشارة كل حسّاس إلى رقم مدمج يلتقط «بصمة» طيفية عامة لها. يفعلون ذلك عبر متوسط معاملات السيبستروم، وهي طريقة لوصف كيف تُوزع طاقة الإشارة عبر الترددات. من خلال المتوسط عبر الزمن وقنوات الحساسات، تُقمع الضوضاء العابرة ويُبرز الجزء من الإشارة الذي يظل ثابتاً في كل مرة تُؤدى فيها إيماءة معيّنة. هذا الوصف المصفّى يحول الآثار الفوضوية والخاصة بالمستخدم إلى توقيعات أنظف تعمم أفضل عبر الجلسات والأشخاص.

تعلّم نماذج أولية للإيماءات

الفكرة الرئيسية الثانية هي أن يتعلّم النموذج نموذجاً أولياً — نوع من البصمة النموذجية — لكل إيماءة. شبكة عصبية مطابقة خفيفة البُعد أحاديّة البُعد تحوّل ميزات EMG المدمجة إلى نقاط في فضاء مجرد. أثناء التدريب، يحسب النظام نقطة مركزية (النموذج الأولي) لكل إيماءة استناداً إلى أمثلتها ويجذب الأمثلة الجديدة لتلك الإيماءة برفق نحو هذا المركز بينما يدفع الإيماءات المختلفة بعيداً. يُنَفَّذ هذا عن طريق هدف تدريب هجين: جزء يركّز على تصنيف الإيماءات بشكل صحيح، وجزء آخر يشكّل هندسة الفضاء المتعلّم بحيث تكون أمثلة نفس الإيماءة مجموعات متراصة ومُفصّلة جيداً. عند اختبار النموذج، يستخدم فقط طبقة التصنيف الفعّالة، لكنه يستفيد من التمثيل المهيكل الذي ساعدت النماذج الأولية على إنشائه.

تعلّم مستخدمين جدد من عدد قليل من الأمثلة

المكوّن الثالث هو التعلم فوقي (meta-learning)، استراتيجية تدريب يتدرّب فيها النموذج على التكيّف مع العديد من مهام التصنيف الصغيرة بحيث يصبح جيداً في التعلّم من عدد قليل من العينات. باستخدام طريقة تُدعى Reptile، تحاكي EMG-Adapt مراراً مواقف يجب أن تميّز فيها بين عدد قليل من الإيماءات من حفنة من الأمثلة لكل منها. داخل كل مهمة محاكاة، تُعاد حساب النماذج الأولية للإيماءة مع تحديث معلمات الشبكة، مما يسمح للنماذج الأولية بأن تتطوّر بتزامن مع الميزات. عبر العديد من هذه المهام والأشخاص، يتعلّم النموذج تهيئة يمكن ضبطها بسرعة لمستخدم أو جلسة جديدة بعد رؤية عدد صغير من الأمثلة المعنونة — أحياناً بقدر 5 أو 10 أو 20 عينة لكل إيماءة.

إثبات الفعالية في ظروف واقعية

لاختبار EMG-Adapt، استخدم المؤلفون خمس مجموعات بيانات EMG كبيرة متاحة للعامة (مجموعة Ninapro)، والتي تشمل عشرات إيماءات اليد والمعصم من أشخاص أصحاء ومُنقَطعين. قيّموا سيناريوهين تحديين: عبر الجلسات (التدريب والاختبار في أيام مختلفة لنفس الشخص) وعبر المستخدم (التدريب على بعض الأشخاص والاختبار على أشخاص جدد تماماً). في كلا السيناريوهين، طابقت EMG-Adapt أو تفوّقت باستمرار على طرق متقدمة أخرى، خصوصاً عند توافر عدد قليل فقط من عينات التكيّف. كما أثبتت كفاءتها: الشبكة الأحادية البُعد استخدمت ذاكرة أقل بكثير وتدربت أسرع من شبكات نمط الصور القياسية، وعملت في الزمن الحقيقي على كل من الحواسيب المتقدمة والأجهزة الصغيرة القائمة على ARM.

ماذا يعني هذا للأطراف الاصطناعية والواجهات المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن EMG-Adapt يجعل من الأسهل بكثير على الآلات فهم إشارات عضلاتنا دون الحاجة لجلسات تدريب طويلة ومرهقة. من خلال الجمع بين طريقة مستقرة لتلخيص إشارات EMG، ونظرة قائمة على النماذج الأولية للإيماءات، ونظام تدريب مبني حول التكيّف السريع، يمكن للإطار أن يخصّص نفسه بسرعة لمستخدمين وظروف جديدة. قد يقلل هذا من إحباط إعادة المعايرة للأشخاص الذين يستخدمون أيدي اصطناعية أو أجهزة مساعدة أو بيئات افتراضية متحكّم بها بالإيماءات، ويضع الأساس لأنظمة مستقبلية تتعلّم باستمرار في الخلفية أثناء حياتنا اليومية.

الاستشهاد: Lee, H., Lim, B., Jiang, M. et al. Few-shot prototype adaptation for generalizable electromyography gesture recognition. Sci Rep 16, 12546 (2026). https://doi.org/10.1038/s41598-026-40352-6

الكلمات المفتاحية: قياس النشاط الكهربائي العضلي, التعرّف على الإيماءات, التحكم في الأطراف الاصطناعية, التعلّم بقليل من العينات, التفاعل بين الإنسان والحاسوب