Decoding High-Dimensional Finger Motion from EMG Using Riemannian Features and RNNs

Resumen Técnico: Decodificación de Movimientos de los Dedos de Alta Dimensión mediante EMG usando Características Riemannianas y RNNs

1. El Problema

La estimación continua de la cinemática de los dedos a partir de la electromiografía de superficie (sEMG) es fundamental para el desarrollo de prótesis naturales, interfaces de realidad aumentada (AR/XR) y teleoperación. Sin embargo, el campo enfrenta tres desafíos principales:

• Complejidad de la tarea: La mano humana tiene múltiples grados de libertad (DOF) y los músculos del antebrazo están altamente entrelazados, lo que dificulta la separación de señales.
• Limitaciones de los enfoques actuales: La mayoría de los sistemas utilizan clasificación (reconocer posturas discretas), lo que resulta en movimientos bruscos y poco naturales. Los modelos de regresión (estimación continua de ángulos) son más naturales pero computacionalmente costosos y difíciles de entrenar.
• Barreras de adquisición: Los conjuntos de datos de alta calidad suelen requerir hardware costoso y protocolos de captura de movimiento complejos, lo que dificulta la reproducibilidad y el despliegue en dispositivos embebidos.

2. Metodología

Los autores proponen un marco de trabajo integral que abarca desde la captura de datos hasta el despliegue en tiempo real:

• Adquisición de Datos (Dataset EMG-FK): Desarrollaron un protocolo de bajo costo utilizando una banda de EMG de 8 canales (MindRove 2) y una cámara web estándar (usando MediaPipe) para capturar 15 ángulos articulares. Crearon el dataset EMG-FK, que contiene 10 horas de movimientos de mano derecha no restringidos de 20 participantes. Implementaron un método de sincronización automática basado en la correlación entre la velocidad máxima de los ángulos y la amplitud de la señal EMG.
• El Modelo TRR (Temporal Riemannian Regressor): Es la contribución central. El modelo utiliza:
  • Características Riemannianas (CMTS): En lugar de usar señales crudas o características temporales simples, extraen matrices de covarianza de la señal EMG en múltiples bandas de frecuencia y las proyectan desde el manifold de Riemann al espacio tangente euclidiano. Esto captura mejor la conectividad y los patrones de activación muscular.
  • Arquitectura Recurrente: Utiliza una red neuronal ligera basada en unidades GRU (Gated Recurrent Unit) para procesar secuencias de estas características, permitiendo que el modelo entienda el contexto temporal del movimiento.
• Evaluación: Se comparó el modelo TRR contra estados del arte como vemg2pose (basado en CNN-LSTM) y modelos basados en características de dominio del tiempo (TDF) mediante validación intra-sujeto y entre sujetos (cross-subject).

3. Contribuciones Clave

1. Framework de adquisición reproducible: Un método para obtener datos sincronizados de alta calidad con hardware de consumo.
2. Dataset EMG-FK: Un nuevo conjunto de datos de movimientos de dedos no restringidos y de alta dimensionalidad.
3. Modelo TRR: Un regresor ligero que combina geometría de Riemann con redes recurrentes, optimizado para precisión y velocidad.
4. Demostración de despliegue embebido: Validación del modelo en una Raspberry Pi 5, demostrando su viabilidad para aplicaciones reales.

4. Resultados Principales

• Precisión superior: En el dataset EMG-FK, el modelo TRR alcanzó un error absoluto promedio de 9.79° ± 1.48 en pruebas intra-sujeto, superando significativamente a los modelos de clasificación y a otros regresores de aprendizaje profundo.
• Robustez: Aunque la precisión disminuye en pruebas entre sujetos (cross-subject), el TRR sigue siendo el mejor de los modelos evaluados, logrando un error de 16.71° ± 3.97.
• Eficiencia computacional: El TRR es aproximadamente un orden de magnitud más rápido que los enfoques de aprendizaje profundo actuales. En una Raspberry Pi 5, la versión simplificada del TRR puede realizar casi 10 predicciones por segundo, manteniendo temperaturas de CPU estables, a diferencia de modelos más pesados que provocan el estrangulamiento térmico (thermal throttling) del dispositivo.

5. Significado e Impacto

Este trabajo reduce la barrera de entrada para la investigación en interfaces cerebro-computadora y control mioeléctrico. Al demostrar que es posible lograr una regresión de alta precisión con hardware económico y modelos computacionalmente eficientes, el estudio abre el camino hacia prótesis inteligentes y control de interfaces AR/XR que sean más naturales, intuitivas y capaces de ejecutarse localmente en dispositivos portátiles sin depender de computadoras potentes o sensores médicos costosos.