DualMyo: Multi-Channel Dual-Stream Transformer Architecture for EMG-to-Digit Classification

Gli esseri umani cercano da tempo modi per colmare il divario tra pensiero e azione, in particolare per coloro i cui muscoli non rispondono più ai comandi. Uno degli strumenti più promettenti per questo collegamento è l'elettromiografia di superficie, un metodo che ascolta i sussurri elettrici dei muscoli situati appena sotto la pelle. Quando una persona intende muoversi, il suo cervello invia segnali che causano l'attivazione delle fibre muscolari, creando minuscole correnti elettriche. Sensori posizionati sulla pelle possono rilevare queste correnti senza alcun bisogno di chirurgia o impianti. Sebbene questa tecnologia si sia già rivelata utile per controllare semplici braccia robotiche o selezionare gesti di base come aprire una mano o ruotare il polso, ha incontrato difficoltà con compiti che richiedono una delicata precisione. Scrivere a mano, con la sua intricata sequenza di piccoli movimenti delle dita, rimane una frontiera difficile. I segnali sono complessi e i modelli cambiano da un momento all'altro, rendendo difficile per i computer distinguere una lettera dall'altra o mantenere l'accuratezza nel tempo.

Un team di ricercatori si è ora rivolto a un nuovo approccio per risolvere questo problema, allontanandosi dai metodi tradizionali che si affidano alla scomposizione manuale del segnale in parti più piccole. Invezione, hanno sviluppato un sistema chiamato DualMyo, che tratta l'attività elettrica proveniente da più sensori come un'unica storia fluida di tempo e spazio. Immaginate i dati non come una serie di istantanee isolate, ma come un flusso continuo in cui la tempistica di un segnale in un sensore conta tanto quanto il segnale stesso. I ricercatori hanno costruito un modello informatico specializzato in grado di leggere questo flusso, prestando attenzione a come i segnali di diversi sensori si relazionano tra loro e a come evolvono nel corso di millisecondi. Questo modello utilizza una tecnica che gli permette di comprendere la posizione di ogni frammento di informazione all'interno della sequenza, aiutandolo a riconoscere il ritmo unico di un movimento specifico delle dita, come la formazione della curva di una lettera.

I risultati di questo lavoro mostrano che il sistema può imparare a identificare cifre scritte a mano con un'accuratezza impressionante quando testato all'interno della stessa sessione. Tuttavia, i ricercatori sapevano che l'uso nel mondo reale avrebbe affrontato un ostacolo significativo: i segnali cambiano quando una persona si muove, sposta il braccio o anche quando i sensori si spostano leggermente sulla pelle. Per testare se il sistema potesse gestire ciò, hanno simulato uno scenario in cui i dati provenivano da un momento diverso o da una configurazione leggermente differente. Hanno scoperto che il modello poteva adattarsi in modo sorprendente. Mostrando al sistema solo due esempi di ciascuna cifra dalla nuova sessione, e lasciandolo apprendere per un periodo molto breve, esso si è adattato alle nuove condizioni. In questi test, il sistema ha raggiunto un'accuratezza di circa il 91 percento, dimostrando di poter superare la naturale deriva e la variabilità che solitamente affliggono tali interfacce.

Nonostante questo successo, gli autori sono cauti nel sottolineare che questo è un passo avanti piuttosto che una destinazione finale. Il lavoro è stato condotto in ambienti controllati e i ricercatori riconoscono che sono necessari ulteriori test per vedere se il sistema funzioni in tempo reale per diverse persone o nell'ambiente complesso della vita quotidiana. Evidenziano inoltre che comprendere l'intera portata di come il corpo umano controlli questi movimenti fini è ancora un viaggio scientifico in corso. I risultati suggeriscono che, con l'architettura corretta, le macchine possono imparare a leggere il sottile linguaggio elettrico della mano, offrendo un potenziale percorso verso strumenti di comunicazione che sembrino naturali come scrivere con una penna.