זיהוי מחוות יד sEMG מבוסס Mixture of Experts ו‑Extra Trees

לקרוא את השרירים כדי להזיז ידיים מלאכותיות

דמיינו אפשרות לשלוט ביד רובוטית רק באמצעות הכפלת שרירי האמה שלכם — באופן טבעי כמו להזיז את האצבעות שלכם. המחקר הזה בוחן כיצד להפוך את האותות החשמליים החלשים מהשרירים לפקודות מהימנות עבור ידיים פרוטטיות ומכשירים אחרים, באמצעות מודל חישובי חכם שיכול לזהות מגוון רחב של מחוות יד בזמן אמת.

אותות חבויים מתחת לעור

כשאנחנו מזיזים את הידיים, השרירים שלנו מייצרים אותות חשמליים זעירים שניתן לזיהוי על פני העור. החוקרים משתמשים באלקטרומיוגרפיה שטחית (sEMG), שבה מדביקים אלקטרודות על האמה כדי לשלוף את האותות בלי צורך במחטים או ניתוח. עבור כל מחווה, כגון פתיחת היד או כיפוף אצבעות מסוימות, דפוס הפעילות החשמלית שונה במעט. האתגר הוא שאלה אותות קטנים ורגישים הנחשפים בקלות לרעש מתנועה, ממכשירים סמוכים או משרירים אחרים, ולכן יש לנקותם בזהירות ולהמירם למספרים שמחשב יכול להבין.

ניקוי וחיתוך אותות השרירים

כדי לפענח את הרישומים הגולמיים של sEMG, הצוות מסנן תחילה רעשים בלתי רצויים כמו הפרעות מקווי חשמל והפרעות בתדר נמוך וגבוה, ומשאיר בעיקר את פעילות השריר האמיתית. במקום להתייחס לכל הקלט הארוך כחתיכה אחת גדולה, הם חותכים את האותות לחלונות זמן קצרים ומחוברים באורך של כ‑0.25 שניות. מכל חלון מחשבים 17 תכונות מספריות פשוטות שמתארות עד כמה האות חזק, משתנה ואנרגטי, הן בזמן והן בתדירות. כך מתקבלות אלפי תמונות קומפקטיות של התנהגות השרירים במהלך כל מחווה — החומר הגולמי שעליו מאומנים אלגוריתמי הזיהוי.

הרבה מומחים קטנים במקום שופט אחד גדול

מרבית המערכות הקודמות אימנו מודל יחיד על כל סוגי המחוות בו‑זמנית, מה שעלול להוביל להחלטות מוטות כשמחוות מסוימות דומות זו לזו. בעבודה זו מציעים המחברים אסטרטגיה שונה הנקראת MEET (Mixture of Experts Extra Trees). במקום שופט כל‑תכליתי אחד, MEET משתמש במספר מודלים "מומחים", כל אחד מאומן על תת‑קבוצה קטנה של מחוות, בנוסף למודל "שער" שראה את כל המחוות. כל המודלים האלה מבוססים על Extra Trees — טכניקה של יער עצים שמייצרת הרבה עצי החלטה פשוטים עם אלמנט של אקראיות כדי למנוע התאמה עודפת. בשימוש שוטף, כל מומחה נותן את תחזיתו בעוד השער מחליט כמה לסמוך על כל מומחה עבור האות הנוכחי. הבחירה הסופית היא תערובת משוקללת של הדעות האלה, מה שמפחית הטיה ומחדד את הגבולות בין מחוות דומות.

בדיקות על אנשים אמיתיים ועל מאגר ציבורי

החוקרים הקליטו נתוני sEMG מארבעה מתנדבים בריאים, שכל אחד ביצע שש פעולות יד שונות במשך עשרות שניות בכל פעם. הם אימנו את MEET ועשרה שיטות סטנדרטיות של למידת מכונה על רוב הנתונים ובחנו אותן על שאר הדאטה. MEET זיהה בעקביות את המחווה הנכונה בתדירות גבוהה יותר מהמודלים המתחרים, והשיג דיוק שנע בין כ‑78% ל‑89% בין ארבעת הנבדקים, תוך שביצועיו עלו על מודל ה‑Extra Trees הבסיסי ממנו הוא מורכב. כדי לוודא שהשיטה לא מותאמת רק לרישומים ממעבדתם, הם גם בחנו את MEET על מאגר sEMG ציבורי ידוע המכסה 15 מחוות יד ושמונה נבדקים. גם שם, MEET השיג את הביצועים הטובים ביותר, כשממוצע הדיוק השתפר בכ‑כ‑1.25% ביחס לשיטה השנייה הטובה ביותר, ועדיין הושאר קליל מבחינה חישובית מספיק לשימוש במכשירים משובצים קטנים.

מדוע זה חשוב לחיי היומיום

באופן פשוט, המחקר הזה מראה כי "צוות מומחים" יכול לקרוא אותות שריר בצורה מהימנה יותר מאשר מודל יחיד כל‑תכליתי. על‑ידי שילוב של מספר מסווגים ממוקדים עם שער שמאזן את השפעתם, MEET מפחית בעיות נפוצות כמו התאמה עודפת והטיה, וזאת תוך שמירה על יעילות מספקת לבקרה בזמן אמת. עבור משתמשים בידיים פרוטטיות, ממשקי משחק או בקרים לבישים, הדבר יכול להתרגם לתגובות חלקות ומדויקות יותר שימדמו את תחושת תנועה טבעית. אמנם העבודה הנוכחית כוללת מספר מצומצם של מתנדבים ומערך קבוע של מחוות, היא יוצרת בסיס למערכות בקרה מבוססות שרירים גמישות ואמינות יותר שיכולות בעתיד לתמוך במגוון רחב יותר של משתמשים ותנועות.

ציטוט: 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

מילות מפתח: זיהוי מחוות יד, אלקטרומיוגרפיה שטחית, בקרת פרוטזות, למידת מכונה, mixture of experts