Riconoscimento dei gesti della mano tramite sEMG con mixture of experts basata su Extra Trees

Leggere i muscoli per muovere mani artificiali

Immaginate di poter controllare una mano robotica semplicemente contraendo i muscoli dell’avambraccio, con la stessa naturalezza con cui muovereste le vostre dita. Questo studio esplora come trasformare quei segnali elettrici deboli provenienti dai muscoli in comandi affidabili per mani protesiche e altri dispositivi, usando un tipo più sofisticato di modello computazionale in grado di riconoscere numerosi gesti della mano in tempo reale.

Segnali nascosti sotto la pelle

Quando muoviamo le mani, i muscoli producono piccolissimi segnali elettrici rilevabili sulla superficie della pelle. I ricercatori usano l’elettromiografia di superficie, o sEMG, in cui elettrodi adesivi vengono posizionati sull’avambraccio per captare questi segnali senza aghi né interventi chirurgici. Per ciascun gesto, come aprire la mano o flettere alcune dita, il pattern di attività elettrica è leggermente diverso. La sfida è che questi segnali sono molto deboli e facilmente contaminabili dal rumore dovuto al movimento, a dispositivi elettronici vicini o ad altri muscoli, quindi devono essere accuratamente ripuliti e trasformati in numeri comprensibili per un computer.

Pulire e suddividere i segnali muscolari

Per interpretare le registrazioni grezze di sEMG, il team prima filtra il ronzio della rete elettrica e altri disturbi a bassa e alta frequenza, lasciando principalmente l’attività muscolare reale. Invece di trattare ogni lunga registrazione come un unico blocco, suddividono i segnali in brevi finestre temporali sovrapposte di circa un quarto di secondo. Da ogni finestra calcolano 17 semplici caratteristiche numeriche che descrivono quanto il segnale sia forte, variabile ed energetico, sia nel dominio temporale che in quello delle frequenze. Questo produce migliaia di istantanee compatte di come i muscoli si comportano durante ciascun gesto, formando la materia prima su cui addestrare gli algoritmi di riconoscimento.

Molti piccoli specialisti invece di un grande giudice

La maggior parte dei sistemi precedenti addestrava un singolo modello di apprendimento automatico su tutti i tipi di gesto contemporaneamente, il che può portare a decisioni viziate quando alcuni gesti si assomigliano molto. In questo lavoro, gli autori propongono una strategia diversa chiamata MEET (Mixture of Experts Extra Trees). Invece di un giudice tuttofare, MEET utilizza diversi modelli “esperti”, ognuno addestrato su un piccolo sottoinsieme di gesti, più un modello “gate” che ha visto tutti i gesti. Tutti questi modelli si basano su Extra Trees, una tecnica ensemble di alberi decisionali che costruisce molti semplici alberi con aggiunta di casualità per evitare l’overfitting. Durante l’uso, gli esperti formulano ciascuno la propria previsione, mentre il gate decide quanto fidarsi di ogni esperto per il segnale corrente. La scelta finale è una combinazione pesata di queste opinioni, che riduce i bias e affina i confini tra gesti simili.

Test su persone reali e su dati pubblici

I ricercatori hanno registrato dati sEMG da quattro volontari sani, ciascuno eseguendo sei diversi movimenti della mano per decine di secondi alla volta. Hanno addestrato MEET e dieci metodi standard di machine learning sulla maggior parte dei dati e li hanno testati sul resto. MEET ha riconosciuto il gesto corretto con maggiore frequenza rispetto ai modelli concorrenti, raggiungendo accuratezze comprese approssimativamente tra il 78% e l’89% nelle quattro persone, e sovraperformando il suo elemento costitutivo, il modello Extra Trees semplice. Per verificare che l’approccio non fosse tarato solo sulle loro registrazioni di laboratorio, hanno anche valutato MEET su un noto dataset pubblico di sEMG che copre 15 gesti della mano e otto soggetti. Anche lì MEET ha ottenuto le migliori prestazioni, migliorando l’accuratezza media di circa l’1,25% rispetto al metodo successivo migliore, restando sufficientemente leggero dal punto di vista computazionale per l’uso in piccoli dispositivi embedded.

Perché questo è importante nella vita quotidiana

In termini semplici, questo studio dimostra che una “squadra di specialisti” può leggere i segnali muscolari in modo più affidabile rispetto a un singolo modello tuttofare. Combinando più classificatori focalizzati con un gate che bilancia la loro influenza, MEET riduce problemi comuni come l’overfitting e i bias mantenendo l’efficienza necessaria per il controllo in tempo reale. Per chi usa mani protesiche, interfacce di gioco o controller indossabili, questo potrebbe tradursi in risposte più fluide e precise che risultano più vicine al movimento di una mano naturale. Pur essendo il lavoro attuale limitato a un piccolo numero di volontari e a un set fisso di gesti, pone le basi per sistemi di controllo mediante muscoli più flessibili e affidabili che un giorno potranno supportare una gamma più ampia di utenti e movimenti.

Citazione: 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

Parole chiave: riconoscimento dei gesti della mano, elettromiografia di superficie, controllo protesico, apprendimento automatico, mixture of experts