Systematic Design of Lightweight CNNs for sEMG Hand Gesture Classification on Embedded Systems

腕を失った人が、ただ動かそうと考えるだけでロボットハンドを制御できる世界を想像してみてください。これはサイエンス・フィクションではありません。筋電義手の約束です。これらは、筋肉を動かそうとする際に送られる電気信号を読み取るデバイスです。これらの信号は表面筋電図（sEMG）として知られ、皮膚に配置されたセンサーによって捉えられます。課題は常に、これら乱雑で変動しやすい電気的パターンを、いかにして機械への明確で信頼できるコマンドへと変換するかという点にありました。数十年にわたり、エンジニアはこれらの信号を解釈するために複雑な数学的トリックに頼ってきましたが、新しい世代の人工知能は、パターンを直接学習できることを示しており、多くの場合、より高い精度を実現しています。しかし、一つ問題があります。最も強力な人工知能モデルは、重くてエネルギーを大量に消費するコンピュータのようなものです。それらは巨大なプロセッサと絶え間ない電力を必要とするため、人が一日中装着するような小型でバッテリー駆動の義手に組み込むことは不可能です。

これが、メキシコの研究チームが解決しようとした問題です。彼らは根本的な問いを立てました。「手のジェスチャーを極めて正確に認識しながら、かつ、非常に小さな低電力コンピュータチップ上で動作するほど軽量なスマートシステムを、どのように構築できるか？」という問いです。最近発表された研究の中で詳述されている彼らの研究は、これら「軽量な」人工の脳を設計する方法を提示しています。どの設計が最適かを推測するのではなく、彼らはプロセスを科学的な実験として扱い、パフォーマンスと効率の完璧なバランスを見つけるために、構造的な選択肢を体系的にテストしました。その結果、以前のシステムが必要としたわずかな計算量で、18種類の異なる手や手首の動きを驚くableな精度で識別できる、新しいタイプのモデルが誕生しました。

研究者たちは、まず、人々が手を動かしている際の記録を含む2つの大規模な公開データベースのデータ調査から着手しました。一つのデータベースには40人の健康な個人の記録が含まれており、もう一方には肘の下で腕の一部を失った11人の記録が含まれていました。この第2のグループは、これらのデバイスが助けるべき対象である、現実世界のユーザーを象徴しているため、非常に重要でした。チームは、畳み込みニューラルネットワークと呼ばれる特定の種類の人工知能に焦点を当てました。簡単に言えば、これは人間の目が顔を認識するために景色をスキャンするのと同様に、データをスキャンしてパターンを見つけるシステムです。具体的な課題は、このシステムを「デプスワイズ・セパラブル（深度別分離型）」にすること、つまり、複雑な計算をより小さく単純なステップに分解する設計手法を用いることでした。このアプローチにより、コンピュータが行う必要がある数学的演算の数が劇的に減少し、システムはより高速になり、メモリへの要求も軽減されました。

最適な設計を見つけるために、チームは試行錯誤や勘に頼ることはしませんでした。彼らは、設計の各要素が最終的な結果にどのように影響するかを明らかにするために、D最適設計と呼ばれる統計的手法を用いて、膨大な可能性の空間を探索しました。ケーキの最高のレシピを見つけるために、小麦粉、砂糖、卵、そして焼き時間のあらゆる組み合わせをテストすることを想像してみてください。それには永遠に時間がかかるでしょう。代わりに、この手法を用いることで、研究者たちは、設計の各部分が最終的な結果にどのように影響するかを明らかにする、賢く代表的な一連の実験を選択することができました。彼らは、ネットワークに何層のレイヤーを持たせるべきか、フィルターの幅をどの程度にするか、そしてデータがいくつの並列パスを通るかといった要因をテストしました。これら50の厳選された構成の結果を分析することで、彼らは、ネットワーク内の逐次レイヤーの数が精度に最も大きな影響を与え、次にデプスワイズのステップで使用されるフィルターのサイズが続くことを発見しました。

この理解に基づき、チームは「パレート・フロント」を構築しました。これは、モデルがいかに「賢いか」と、いかに「重いか」のトレードオフを可視化する方法です。彼らは、「スイートスポット」、つまり、大きすぎたり遅すぎたりすることなく、可能な限り正確なモデルを探していました。彼らは、際立った特定のアーキテクチャを特定しました。このモデルは、その働きをするために、パラメータと呼ばれる調整可能な数値（重み）をわずか約68,000個しか使用していません。比較のために言えば、同様のタスクに使用される他の多くのモデルは、数百万のパラメータを必要とします。その小ささにもかかわらず、この軽量モデルは、切断患者のデータに対して93.89%、健康な被験者のデータに対して98.41%の平均精度を達成しました。このモデルは、様々な手の形状や手首の動きを含む18種類の異なるジェスチャーを特定することに成功し、その信頼性は、実際の臨床現場で使用できる可能性を示唆しています。

しかし、真のテストはシミュレーションの中だけではありませんでした。研究者たちは、選んだモデルを取り上げ、携帯デバイスによく見られる技術であるARM Cortex-A9プロセッサ、具体的には組み込みコンピュータチップに実装しました。モデルをリアルタイム制御に十分な速度で動作させるために、彼らは5つの異なる最適化技術を適用しました。まず、モデルが使用する数値を、複雑な小数からより小さな整数に変換する「量子化」と呼ばれるプロセスによって、数学を簡略化しました。また、プロセッサが一度に複数の計算を処理できるようにデータを配置し、低速なデータ転送を避けるためにプロセッサの内蔵メモリキャッシュを活用しました。その結果、システムは約57.6ミリ秒で決定を下すことができました。この速度は、人間にとって瞬時に感じられるほど速く、ロボットハンドを操作するために必要な流動的で直感的な制御を可能にします。

本研究は、このような体系的な設計アプローチが、次世代の義手への実行可能な道であることを結論付けています。高度なモデルが小型の低電力チップ上で動作できることを証明することで、研究者たちは、高度なロボット肢を日常的な使用において実用的かつ身近なものにするための大きな障壁を取り除きました。この研究はまた、デバイスが複雑な現実の臨床応用において機能することを確実にするために、単なる健康なボランティアではなく、実際に肢を失った人々に対してシステムをテストすることの重要性を強調しています。現在のモデルは、ユーザーが自身の信号に合わせてデバイスを校正するという特定の条件下でテストされていますが、この軽量設計の成功は、将来のバージョンが最小限の設定で異なるユーザーに適応できることを示唆しており、失われた肢が、身体の自然な一部であるかのように感じられる、知的で応答性の高いツールに置き換わる未来へと私たちを近づけています。