התאמת פרוטוטיפ במעט דוגמאות לזיהוי מחוות ב-EMG הכללית

להכשיר מכונות לקרוא אותות שריר

דמיינו שליטה ביד פרותטית, בסמן עכבר או בכפפה של מציאות מדומה רק על‑ידי כיווץ שרירי האמה. ההבטחה הזו תלויה בתרגום מהימן של אותות חשמליים חלשים מהשרירים למחוות שניתן לזהות. אך במציאות אותות אלה משתנים מיום ליום ומאדם לאדם, ומחייבים משתמשים לעבור תהליכי כיול ארוכים ומתישים. מאמר זה מציג את EMG‑Adapt, שיטה חדשה שלומדת תבניות שריר במהירות מתוך מספר מועט של דוגמאות, ומקרבת מכשירים מבוססי שריר לעבר שימוש פרקטי וידידותי יותר למשתמש.

מדוע אותות שריר קשה להשתמש בהם

אלקטרומיוגרפיה (EMG) מודדת פעילות חשמלית זעירה בשרירים דרך חיישנים על העור. אותות אלה נושאים מידע עשיר על התנועות המיועדות שלנו, אך הם גם ידועים כבלתי יציבים. אותה מחווה יד יכולה להיראות שונה בנתונים אם האלקטרודות זזו קלות, אם המשתמש עייף, או אם לאדם יש מבנה גוף שונה. מערכות שפועלות היטב במעבדה נוטות להיכשל כשהן נבדקות ימים לאחר מכן או על אדם חדש. איסוף מספיק נתונים מתוייגים מכל משתמש הוא איטי ומתיש, במיוחד עבור אנשים שעברו קטיעה ויכולים להרוויח הכי הרבה משיפור בשליטת פרותזה.

ללכוד את הדופק היציב של מחווה

EMG‑Adapt מתמודד עם חוסר היציבות הזה ראשית על‑ידי המרת אותות השריר הגולמיים לייצוג יציב יותר. במקום להזין לרשת העצבית אלפי נקודות גולמיות, המחברים מסכמים את אות כל חיישן למספר קומפקטי שתופס את ה"טביעת האצבע" הספקטרלית הכוללת שלו. הם עושים זאת על‑ידי ממוצע של מקדמי צפרום (cepstrum), דרך לתאר כיצד האנרגיה של האות מתפזרת בתדרים. על‑ידי ממוצע על פני זמן וערוצי חיישנים, השיטה מדכאת רעשי רגע ומדגישה את החלקים באות שנשארים עקביים בכל ביצוע של מחווה מסוימת. תיאור מזוקק זה הופך עקבות מבולגנות ותלויות משתמש לחתימות נקיות שמכלילות טוב יותר בין מפגשים ואנשים.

ללמוד פרוטוטיפים של מחוות

הרעיון המרכזי השני הוא לאפשר למודל ללמוד פרוטוטיפ — סוג של טביעת אצבע ארכיטיפית — עבור כל מחווה. רשת קונבולוציה חד‑ממדית קלת משקל ממירה את התכונות הקומפקטיות של ה‑EMG לנקודות במרחב מופשט. במהלך האימון המערכת מחשבת נקודת מרכז (הפרוטוטיפ) לכל מחווה על סמך הדוגמאות שלה ומושכת בעדינות דוגמאות חדשות של אותה מחווה לכיוון מרכז זה בעוד שהיא דוחקת מחוות שונות זו מזו. הדבר נאכף באמצעות פונקציית אובייקטיבית היברידית: חלק אחד מתמקד בסיווג נכון של המחוות, וחלק נוסף מעצב את הגיאומטריה של המרחב הנלמד כך שדוגמאות של אותה מחווה ייצרו צבירים צפופים ומופרדים היטב. בזמן בדיקה, המודל משתמש רק בשכבת הסיווג היעילה, אך נהנה מהייצוג המבוסס על מבנה שפרוטוטיפים סייעו ליצור.

ללמוד משתמשים חדשים מתוך מספר מועט של דוגמאות

המרכיב השלישי הוא מטא‑למידה, אסטרטגיית אימון שבה המודל מתאמן על התאמה למשימות סיווג קטנות רבות כדי להפוך למיומן בלמידה ממעט דוגמאות. באמצעות שיטה הנקראת Reptile, EMG‑Adapt מדמה שוב ושוב מצבים שבהם עליו להבדיל בין מספר מועט של מחוות מתוך מספר דוגמאות מצומצם לכל אחת. בתוך כל משימה מדומה, הוא מחדש מחשב את פרוטוטיפי המחוות כתכונות הרשת מתעדכנות, מה שמאפשר לפרוטוטיפים להתפתח יחד עם התכונות. לאחר מאות משימות וסובייקטים כאלה, המודל לומד אתחול שניתן לכוונן במהירות למשתמש או למפגש חדש לאחר צפייה במספר קטן של דוגמאות מתוייגות — לפעמים רק 5, 10 או 20 דוגמאות לכל מחווה.

להוכיח שזה עובד בתנאים ריאליסטיים

כדי לבדוק את EMG‑Adapt, המחברים השתמשו בחמישה מאגרי EMG גדולים זמינים לציבור (אוסף Ninapro), הכוללים עשרות מחוות יד ושורש מכמה אנשים עם גוף תקין ומן המנכרים. הם העריכו שני תרחישים מאתגרים: חוצי מפגש (אימון ובדיקה בימים שונים של אותו אדם) וחוצי משתמשים (אימון על אנשים מסוימים ובדיקה על אנשים חדשים לחלוטין). בשני התרחישים EMG‑Adapt התאימה או עלתה על שיטות מתקדמות קיימות, בייחוד כאשר הותרו רק מספר מועט של דוגמאות להתאמה. הוא גם הוכיח יעילות גבוהה יותר: הרשת החד‑ממדית השתמשה בהרבה פחות זיכרון ואומנה מהר יותר מרשתות בסגנון תמונה סטנדרטיות, ופעלה בזמן אמת הן על מחשבים חזקים והן על מכשירים קומפקטיים מבוססי ARM.

מה המשמעות עבור פרותזות וממשקים בעתיד

בעבור קהל שאינו מומחה, המסר המרכזי הוא ש‑EMG‑Adapt מקל משמעותית על המכונות להבין את אותות השריר שלנו מבלי לדרוש תהליכי אימון ארוכים ומתישים. על‑ידי שילוב שיטה יציבה לסיכום אותות EMG, מבט מבוסס פרוטוטיפים על מחוות, ומשטר אימון שמבוסס על התאמה מהירה, המסגרת יכולה להתאמן במהירות למשתמשים ותנאים חדשים. הדבר עשוי לצמצם את תסכול הכיול עבור משתמשי ידיים פרותטיות, מכשירים מסייעים או סביבות וירטואליות הנשלטות במחוות, וכן יסלול את הקרקע למערכות עתידיות שלומדות ברצף ברקע במהלך חיי היומיום שלנו.

ציטוט: 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

מילות מפתח: אלקטרומיוגרפיה, זיהוי מחוות, שליטה בפרותזה, למידה במעט דוגמאות, אינטראקציה אדם‑מחשב