Uzman karışımı ekstra ağaç tabanlı sEMG el jesti tanıma

Yapay Eller İçin Kasları Okumak

Kol kaslarınızı germekle, kendi parmaklarınızı hareket ettiriyormuş gibi doğal bir şekilde, sadece önkol kaslarınızı kasarak bir robot eli kontrol edebildiğinizi hayal edin. Bu çalışma, kaslardan gelen bu zayıf elektrik sinyallerini protez eller ve diğer aygıtlar için güvenilir komutlara dönüştürmenin yollarını araştırıyor; hedef, birçok el jestini gerçek zamanlı olarak tanıyabilen daha akıllı bir bilgisayar modeli kullanmak.

Derinin Altındaki Gizli Sinyaller

Elimizi hareket ettirdiğimizde, kaslarımız derinin yüzeyinde tespit edilebilen küçük elektrik sinyalleri üretir. Araştırmacılar, iğne veya ameliyat gerektirmeden bu sinyalleri almak için önkola yapıştırılan elektrotlarla yapılan yüzey elektromiyografiyi (sEMG) kullanıyor. Elin açılması veya belirli parmakların bükülmesi gibi her jest için elektriksel aktivitenin deseni biraz farklıdır. Zorluk, bu sinyallerin çok küçük olması ve hareket, çevredeki elektronik cihazlar veya diğer kaslardan gelen gürültüyle kolayca kirlenebilmesidir; bu yüzden sinyaller dikkatle temizlenip bilgisayarın anlayacağı sayılara dönüştürülmelidir.

Kas Sinyallerini Temizlemek ve Dilimlemek

Ham sEMG kayıtlarını anlamlı hâle getirmek için ekip önce güç hatlarından gelen uğultu ve diğer düşük ve yüksek frekanslı bozulmaları filtreleyerek esasen gerçek kas aktivitesini ayırıyor. Her uzun kaydı tek bir bütün olarak ele almak yerine, sinyaller yaklaşık çeyrek saniye uzunluğunda, üst üste binen kısa zaman pencerelerine diliniyor. Her pencereden sinyalin gücünü, değişkenliğini ve enerjisini zaman ve frekans açısından tanımlayan 17 basit sayısal özellik hesaplanıyor. Bu işlem, her jest sırasında kasların nasıl davrandığına dair binlerce kompakt anlık görüntü üretiyor ve tanıma algoritmalarının eğitilebileceği ham veriyi oluşturuyor.

Bir Büyük Hakim Yerine Çok Sayıda Küçük Uzman

Çoğu önceki sistem tüm jest türleri üzerinde tek bir makine öğrenimi modeli eğitiyordu; bazı jestler çok benzer göründüğünde bu durum yanlı kararlara yol açabiliyor. Bu çalışmada yazarlar, MEET (Mixture of Experts Extra Trees) adlı farklı bir strateji öneriyor. Tek bir her işe yarayan hakimin yerine, MEET her biri sadece küçük bir jest altkümesi üzerinde eğitilmiş birkaç “uzman” model ve tüm jestleri görmüş bir “kapı” modeli kullanıyor. Tüm bu modeller, fazla uyumdan kaçınmak için ek rastgelelik ekleyen çok sayıda basit karar ağacı oluşturan Extra Trees adlı ağaç-ensembl tekniğine dayanıyor. Kullanım sırasında uzmanlar kendi tahminlerini yaparken, kapı o anki sinyal için her uzmanın ne kadar güvenilir olduğunu belirliyor. Nihai seçim, bu görüşlerin ağırlıklı bir karışımı oluyor; bu da benzer jestler arasındaki karar sınırlarını keskinleştirip yanlılığı azaltıyor.

Gerçek İnsanlar ve Açık Veriler Üzerinde Test Etme

Araştırmacılar, her biri onlarca saniye boyunca altı farklı el hareketi yapan dört sağlıklı gönüllüden sEMG verileri kaydetti. MEET ve on standart makine öğrenimi yöntemi verinin çoğu üzerinde eğitildi ve geri kalan üzerinde test edildi. MEET, dört kişi arasında yaklaşık %78 ile %89 arasında doğruluklar elde ederek rakip modellere göre tutarlı biçimde daha sık doğru jesti tanıdı ve kendi yapı taşı olan standart Extra Trees modelini geride bıraktı. Yaklaşımın yalnızca kendi laboratuvar kayıtlarına özgü olmadığını kontrol etmek için, 15 el jestini ve sekiz deneği içeren bilinen bir açık sEMG veritabanında da MEET değerlendirildi. Orada da MEET en iyi performansı sergiledi; bir sonraki en iyi yönteme kıyasla ortalama doğruluğu yaklaşık %1,25 artırırken, küçük gömülü aygıtlarda kullanım için yeterince hafif hesaplama gereksinimiyle kaldı.

Günlük Yaşam İçin Neden Önemli

Basitçe söylemek gerekirse, bu çalışma “uzmanlardan oluşan bir ekip”in tek bir genel amaçlı modele kıyasla kas sinyallerini daha güvenilir okuyabildiğini gösteriyor. Birden çok odaklı sınıflandırıcıyı etkilerini dengeleyen bir kapı ile birleştirerek, MEET fazla uyum ve yanlılık gibi yaygın sorunları azaltırken yöntemi gerçek zamanlı kontrole yeterince verimli tutuyor. Protez eller, oyun arayüzleri veya giyilebilir kumandalar kullanan insanlar için bu, doğal bir eli hareket ettirmeye daha yakın hisseden daha pürüzsüz ve daha doğru tepkiler anlamına gelebilir. Mevcut çalışma yalnızca sınırlı sayıda gönüllü ve sabit bir jest kümesiyle sınırlı olsa da, bir gün daha geniş bir kullanıcı ve hareket çeşitliliğini destekleyebilecek daha esnek ve güvenilir kasla çalışan kontrol sistemleri için zemin hazırlıyor.

Atıf: 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

Anahtar kelimeler: el jesti tanıma, yüzey elektromiyografi, protez kontrolü, makine öğrenimi, uzman karışımı