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

Stel je een wereld voor waarin een persoon die een arm heeft verloren, een robotische hand kan aansturen door simpelweg na te denken over het bewegen ervan. Dit is geen sciencefiction; het is de belofte van myo-elektrische prothesen, apparaten die de elektrische signalen lezen die je spieren uitzenden wanneer je probeert te bewegen. Deze signalen, bekend als oppervlakte-elektromyografie, of sEMG, worden opgevangen door sensoren die op de huid zijn geplaatst. De uitdaging is altijd geweest om deze rommelige, fluctuerende elektrische patronen te vertalen naar duidelijke, betrouwbare commando's voor een machine. Decennialang vertrouwden ingenieurs op complexe wiskundige trucjes om deze signalen te interpreteren, maar een nieuwe generatie kunstmatige intelligentie heeft laten zien dat deze direct patronen kan leren, vaak met een grotere nauwkeurigheid. Er is echter een addertje onder het gras: de krachtigste modellen voor kunstmatige intelligentie zijn als zware, energieverslindende computers. Ze vereisen enorme processors en constante elektriciteit, wat ze onmogelijk maakt om in een kleine, op batterijen werkende prothetische arm te passen die een persoon de hele dag kan dragen.

Dit is het probleem dat een team onderzoekers uit Mexico probeerde op te lossen. Ze stelden een fundamentele vraag: hoe kunnen we een slim systeem bouwen dat zowel ongelooflijk accuraat is in het herkennen van handgebaren als licht genoeg is om op een kleine, energiezuinige computerchip te draaien? Hun werk, gepubliceerd in een recente studie, beschrijft een methode voor het ontwerpen van deze "lichtgewicht" kunstmatige breinen. In plaats van te gokken welk ontwerp het beste werkt, behandelden ze het proces als een wetenschappelijk experiment, waarbij ze systematisch verschillende structurele keuzes testten om de perfecte balans tussen prestaties en efficiëntie te vinden. Het resultaat is een nieuw type model dat achttien verschillende hand- en polsbewegingen met opmerkelijke precisie kan onderscheiden, met slechts een fractie van de rekenkracht die voorheen vereiste systemen nodig hebben.

De onderzoekers begonnen door te kijken naar gegevens uit twee grote publieke databases met opnames van mensen die hun handen bewogen. Eén database bevatte opnames van veertig gezonde individuen, terwijl de andere elf mensen bevat die een deel van hun arm onder de elleboog hadden verloren. Deze tweede groep was cruciaal omdat zij de echte gebruikers vertegenwoordigden waar deze apparaten bedoeld zijn om te helpen. Het team richtte zich op een specif kind type kunstmatige intelligentie dat een convolutioneel neuraal netwerk wordt genoemd. In eenvoudige woorden is dit een systeem dat gegevens scant om patronen te vinden, vergelijkbaar met hoe het menselijk oog een scène scant om een gezicht te herkennen. De specifieke uitdaging was om dit systeem "depthwise separable" te maken, een ontwerptechniek die complexe berekeningen afbreekt in kleinere, eenvoudigere stappen. Deze aanpak vermindert het aantal wiskundige operaties dat de computer moet uitvoeren drastisch, waardoor het systeem sneller wordt en minder veel geheugen vereist.

Om het best mogelijke ontwerp te vinden, vertrouwde het team niet op trial-and-error of gokwerk. Ze gebruikten een statistische methode genaamd D-optimaal ontwerp om een enorme ruimte aan mogelijkheden te verkennen. Stel je voor dat je het beste recept voor een cake probeert te vinden door elke combinatie van bloem, suiker, eieren en baktijd te testen; dat zou eeuwig duren. In plaats daarvan stelde deze methode de onderzoekers in staat om een slimme, representatieve set experimenten te selecteren die onthulde hoe elk specifiek onderdeel van het ontwerp de uiteindelijke resultaten beïnvloedde. Ze testten factoren zoals het aantal lagen waaruit het netwerk moest bestaan, hoe breed de filters zouden zijn en hoeveel parallelle paden de gegevens zouden afleggen. Door de resultaten van deze vijftig zorgvuldig gekozen configuraties te analyseren, ontdekten ze dat het aantal sequentiële lagen in het netwerk de grootste impact had op de nauwkeurigheid, gevolgd door de grootte van de filters die in de depthwise-stappen werden gebruikt.

Met dit begrip construeerde het team een "Pareto-front", een manier om de afweging te visualiseren tussen hoe slim het model is en hoe "zwaar" het is. Ze zochten naar het "sweet spot": een model dat zo accuraat mogelijk is zonder te groot of te traag te worden. Ze identificeerden een specifieke architectuur die eruit sprong. Dit model gebruikte slechts ongeveer 68.000 aanpasbare getallen, ook wel parameters genoemd, om zijn werk te doen. Om dit in perspectief te plaatsen: veel andere modellen die voor soortgelijke taken worden gebruikt, vereisen miljoenen parameters. Ondanks de kleine omvang bereikte dit lichtgewicht model een gemiddelde nauwkeurigheid van 93,89% op de gegevens van amputatiepatiënten en 98,41% op de gegevens van gezonde personen. Het identificeerde succesvol achttien verschillende gebaren, inclusief diverse handvormen en polsbewegingen, met een betrouwbaarheid die suggereert dat het in een echte klinische setting kan worden gebruikt.

De echte test lag echter niet alleen in de simulatie, maar in de hardware. De onderzoekers namen hun gekozen model en implementeerden het op een kleine, embedded computerchip, specifiek een ARM Cortex-A9 processor, wat het soort technologie is dat in veel draagbare apparaten wordt gevonden. Om het model snel genoeg te laten draaien voor real-time controle, pasten ze vijf verschillende optimalisatietechnieken toe. Ze vereenvoudigden de wiskunde door de getallen die het model gebruikte om te zetten van complexe decimalen naar kleinere gehele getallen, een proces genaamd kwantisatie. Ze rangschikten ook de gegevens zodat de processor meerdere berekeningen tegelijk kon afhandelen en maakten gebruik van de ingebouwde geheugencaches van de processor om trage gegevensoverdrachten te voorkomen. Het resultaat was een systeem dat een beslissing kon nemen in ongeveer 57,6 milliseconden. Deze snelheid is snel genoeg om als instantaan te worden ervaren door een menselijke gebruiker, wat de vloeiende, intuïtieve controle mogelijk maakt die nodig is om een robotische hand te bedienen.

De studie concludeert dat deze systematische aanpak een levensvatbaar pad is voor de volgende generatie prothesen. Door te bewijzen dat een zeer accuraat model kan draaien op een kleine, energiezuinige chip, hebben de onderzoekers een belangrijke barrière weggenomen om geavanceerde robotische ledematen toegankelijk en praktisch te maken voor dagelijs gebruik. Het werk benadrukt ook het belang van het testen van deze systemen op mensen met daadwerkelijk ledemaatverlies, in plaats van alleen op gezonde vrijwilligers, om te garanderen dat ze werken in de complexe realiteit van klinische toepassing. Hoewel het huidige model werd getest onder specifieke omstandigheden waarbij de gebruiker het apparaat kalibreert op de eigen signalen, suggereert het succes van dit lichtgewicht ontwerp dat toekomstige versies kunnen worden aangepast om met minimale instelling bij verschillende gebruikers te werken, waarmee we dichter bij een toekomst komen waarin verloren ledematen kunnen worden vervangen door intelligente, responsieve hulpmiddelen die aanvoelen als een natuurlijk onderdeel van het lichaam.