Reconocimiento de gestos de mano mediante sEMG con mezcla de expertos basada en Extra Trees

Leer los músculos para mover manos artificiales

Imagínese poder controlar una mano robótica solo tensando los músculos del antebrazo, tan naturalmente como movería sus propios dedos. Este estudio explora cómo convertir esas débiles señales eléctricas procedentes de los músculos en comandos fiables para manos protésicas y otros dispositivos, usando un tipo más inteligente de modelo informático capaz de reconocer múltiples gestos de mano en tiempo real.

Señales ocultas bajo la piel

Cuando movemos las manos, los músculos generan pequeñas señales eléctricas que pueden detectarse en la superficie de la piel. Los investigadores emplean electromiografía de superficie, o sEMG, colocando electrodos adhesivos en el antebrazo para captar estas señales sin agujas ni cirugía. Para cada gesto, como abrir la mano o flexionar ciertos dedos, el patrón de actividad eléctrica es ligeramente distinto. El reto es que estas señales son muy pequeñas y se contaminan fácilmente con ruido procedente del movimiento, de aparatos electrónicos cercanos o de otros músculos, por lo que deben limpiarse cuidadosamente y traducirse a números que un ordenador pueda comprender.

Limpiar y trocear las señales musculares

Para interpretar las grabaciones crudas de sEMG, el equipo elimina primero el zumbido indeseado de las líneas eléctricas y otras perturbaciones de baja y alta frecuencia, conservando principalmente la actividad real del músculo. En lugar de tratar cada grabación larga como un bloque único, fragmentan las señales en ventanas temporales cortas y solapadas de unos cuarto de segundo. De cada ventana calculan 17 características numéricas simples que describen cuán intensa, variable y energética es la señal, tanto en el dominio temporal como en el frecuencial. Esto produce miles de instantáneas compactas del comportamiento muscular durante cada gesto, que constituyen la materia prima sobre la que se puede entrenar a los algoritmos de reconocimiento.

Muchos pequeños especialistas en lugar de un gran juez

La mayoría de los sistemas anteriores entrenaban un único modelo de aprendizaje automático para todos los gestos a la vez, lo que puede provocar decisiones sesgadas cuando algunos gestos se parecen mucho. En este trabajo, los autores proponen una estrategia distinta llamada MEET (Mixture of Experts Extra Trees). En lugar de un juez todoterreno, MEET utiliza varios modelos “expertos”, cada uno entrenado solo en un pequeño subconjunto de gestos, más un modelo “puerta” que ha visto todos los gestos. Todos estos modelos se basan en Extra Trees, una técnica de ensamble de árboles que construye muchos árboles de decisión simples con aleatoriedad añadida para evitar el sobreajuste. En uso, los expertos hacen cada uno su propia predicción, mientras que la puerta decide cuánto confiar en cada experto para la señal actual. La elección final es una mezcla ponderada de esas opiniones, lo que reduce el sesgo y afina la distinción entre gestos similares.

Pruebas con personas reales y datos públicos

Los investigadores registraron datos sEMG de cuatro voluntarios sanos, cada uno realizando seis acciones de mano diferentes durante decenas de segundos por toma. Entrenaron MEET y diez métodos estándar de aprendizaje automático con la mayor parte de los datos y los probaron con el resto. MEET reconoció de forma consistente el gesto correcto con mayor frecuencia que los modelos competidores, alcanzando precisiones entre aproximadamente el 78% y el 89% en las cuatro personas, y superando a su propio componente base, el modelo Extra Trees simple. Para verificar que el enfoque no estaba ajustado únicamente a sus grabaciones de laboratorio, también evaluaron MEET en una conocida base de datos pública de sEMG que abarca 15 gestos de mano y ocho sujetos. Incluso allí, MEET obtuvo el mejor rendimiento, mejorando la precisión media en torno al 1,25% respecto al siguiente mejor método, a la vez que se mantiene lo bastante ligero computacionalmente como para usarse en pequeños dispositivos embebidos.

Por qué esto importa en la vida cotidiana

En términos sencillos, este estudio demuestra que un “equipo de especialistas” puede interpretar las señales musculares de forma más fiable que un único modelo polivalente. Al combinar varios clasificadores focalizados con una puerta que pondera su influencia, MEET reduce problemas comunes como el sobreajuste y el sesgo, manteniendo la eficiencia necesaria para el control en tiempo real. Para personas que usan manos protésicas, interfaces de juego o controladores wearables, esto podría traducirse en respuestas más suaves y precisas que se asemejen más al movimiento de una mano natural. Aunque el trabajo actual involucra solo a un pequeño número de voluntarios y un conjunto fijo de gestos, sienta las bases para sistemas de control por músculos más flexibles y fiables que algún día puedan dar soporte a una mayor variedad de usuarios y movimientos.

Cita: 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

Palabras clave: reconocimiento de gestos de mano, electromiografía de superficie, control de prótesis, aprendizaje automático, mezcla de expertos