Reconhecimento de gestos manuais por sEMG baseado em mistura de especialistas com Extra Trees

Lendo músculos para mover mãos artificiais

Imagine ser capaz de controlar uma mão robótica apenas tensionando os músculos do antebraço, tão naturalmente quanto mover seus próprios dedos. Este estudo explora como transformar esses sinais elétricos fracos dos músculos em comandos confiáveis para mãos protéticas e outros dispositivos, usando um tipo mais inteligente de modelo computacional capaz de reconhecer muitos gestos manuais em tempo real.

Sinais escondidos sob a pele

Quando movimentamos as mãos, nossos músculos geram sinais elétricos minúsculos que podem ser detectados na superfície da pele. Os pesquisadores usam eletromiografia de superfície, ou sEMG, em que eletrodos adesivos são colocados no antebraço para captar esses sinais sem agulhas ou cirurgia. Para cada gesto, como abrir a mão ou flexionar certos dedos, o padrão de atividade elétrica é ligeiramente diferente. O desafio é que esses sinais são muito pequenos e facilmente contaminados por ruído de movimento, eletrônicos próximos ou outros músculos, então precisam ser cuidadosamente filtrados e convertidos em números que um computador consiga entender.

Limpeza e fragmentação dos sinais musculares

Para interpretar as gravações brutas de sEMG, a equipe primeiro elimina o zumbido indesejado das linhas de energia e outras perturbações de baixa e alta frequência, deixando principalmente a atividade muscular verdadeira. Em vez de tratar cada gravação longa como um bloco único, eles dividem os sinais em janelas de tempo curtas e sobrepostas, com cerca de um quarto de segundo cada. De cada janela calculam 17 características numéricas simples que descrevem quão forte, variável e energética é a atividade, tanto no domínio do tempo quanto na frequência. Isso produz milhares de instantâneas compactas de como os músculos se comportaram durante cada gesto, formando o material bruto sobre o qual os algoritmos de reconhecimento podem ser treinados.

Muitos pequenos especialistas em vez de um único juiz

Muitos sistemas anteriores treinavam um único modelo de aprendizado de máquina para todos os tipos de gesto ao mesmo tempo, o que pode levar a decisões enviesadas quando alguns gestos são muito parecidos. Neste trabalho, os autores propõem uma estratégia diferente chamada MEET (Mixture of Experts Extra Trees). Em vez de um juiz universal, o MEET usa vários modelos “especialistas”, cada um treinado em apenas um pequeno subconjunto de gestos, além de um modelo “gate” que viu todos os gestos. Todos esses modelos são baseados em Extra Trees, uma técnica de conjunto de árvores que constrói muitas árvores de decisão simples com aleatoriedade adicional para evitar overfitting. Durante o uso, os especialistas fazem suas próprias previsões, enquanto o gate decide quanto confiar em cada especialista para o sinal atual. A escolha final é uma mistura ponderada dessas opiniões, o que reduz viés e afina as fronteiras entre gestos semelhantes.

Testes em pessoas reais e em dados públicos

Os pesquisadores registraram dados de sEMG de quatro voluntários saudáveis, cada um executando seis ações manuais diferentes por dezenas de segundos cada. Eles treinaram o MEET e dez métodos padrão de aprendizado de máquina na maior parte dos dados e testaram nos demais. O MEET reconheceu consistentemente o gesto correto com mais frequência do que os modelos concorrentes, alcançando acurácias entre cerca de 78% e 89% nos quatro participantes, e superando seu próprio componente base, o modelo Extra Trees simples. Para verificar que a abordagem não estava ajustada apenas às gravações do laboratório, eles também avaliaram o MEET em um banco de dados público bem conhecido de sEMG cobrindo 15 gestos manuais e oito participantes. Mesmo lá, o MEET obteve o melhor desempenho, melhorando a acurácia média em cerca de 1,25% sobre o segundo melhor método, mantendo-se leve o suficiente para uso em pequenos dispositivos embarcados.

Por que isso importa no cotidiano

Em termos simples, este estudo mostra que uma “equipe de especialistas” pode interpretar sinais musculares de forma mais confiável do que um único modelo polivalente. Ao combinar vários classificadores focados com um gate que equilibra sua influência, o MEET reduz problemas comuns como overfitting e viés, ao mesmo tempo que mantém o método eficiente para controle em tempo real. Para pessoas que usam mãos protéticas, interfaces de jogos ou controladores vestíveis, isso pode significar respostas mais suaves e precisas que se aproximam da sensação de mover uma mão natural. Embora o trabalho atual envolva apenas um pequeno número de voluntários e um conjunto fixo de gestos, ele estabelece as bases para sistemas de controle movidos por músculo mais flexíveis e confiáveis que, um dia, poderão suportar uma variedade maior de usuários e movimentos.

Citação: 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

Palavras-chave: reconhecimento de gestos manuais, eletromiografia de superfície, controle de próteses, aprendizado de máquina, mistura de especialistas