Apple EMBridge Modeliyle Kas Sinyallerinden El Hareketlerini Öğrenebilen Yeni Yapay Zekâ Araştırmasını Paylaştı

Apple, adale sinyallerini çözümleme ederek el hareketlerini yorumlayabilen EMBridge adlı yepyeni yapay zekâ modeline dair araştırmasını yayımladı. Şirketin alet öğrenimi ekibi tarafından geliştirilen çalışma, EMG verilerini kullanarak daha önce eğitim verisinde bulunmayan el hareketlerinin öngörü edilebildiğini gösteriyor. Apple araştırmacıları bu yaklaşımın özellikle giyilebilir teknolojilerde insanoğlu malumatsayar tesirleşimi için farklı tek denetim yöntemi ortaya koyabileceğini değerlendiriyor.

EMBridge Sistemi Kas Aktivitesini El Pozisyonlarıyla İlişkilendirerek Çalışıyor

Apple araştırma ekibi tarafından geliştirilen EMBridge sistemi, kasların ürettiği elektriksel aktiviteleri ölçen elektromiyografi verilerini çözümleme eden tek alet öğrenimi altyapısı üzerine kuruldu. Araştırmacılar modelin EMG biyosinyal analizi ile gerçek el başlıkmlarını ilişkilendiren yepyeni tek temsilcilik öğrenme yöntemi kullandığını açıkladı.

Elektromiyografi teknolojisi tıp dünyasında uzunluğu yıllardır adale fonksiyonlarını ttesirk etmek, rehabilitasyon süreçlerini izleyen ya da protez uzuvların kontrolünü sağlamak amacıyla kullanılıyor. Teknoloji şirketleri oğullar yıllarda aynı biyosinyalleri giyilebilir alet denetim sistemi geliştirmek için araştırmaya başladı. Apple tarafından yayımlanan çalışma da adale sinyallerinin doğrudan kullanıcı tesirleşimine dönüştürülebileceği yöntemleri inceleyen araştırmalar arasında mekan alıyor.

Apple mühendisleri EMBridge modelinde adale sinyalleri ile el pozisyonu verileri arasındaki farkı azaltan çapraz modlu temsilcilik öğrenme yaklaşımı kullandı. Araştırmacılar modeli ikisi farklı bilgi türü üzerinde ön eğitimden geçirdikten sonraları temsilcilik katmanlarını hizalayarak sistemin adale sinyallerinden el hareketlerini öğrenmesini sağladı.

Bu yöntem sayesinde modeller yalnızca eğitim sırasında gördüğü hareketleri tanımakla sınırlı kalmıyor. Sistem benzer yapısal özelliklere malik yepyeni hareketleri da öngörü edebiliyor çünkü algoritma hareketlerin ilköğretim özelliklerini öğreniyor. Apple araştırma ekibi bu yaklaşımı alet öğrenimi literatüründe sıfır atışlı hareket tanıma yöntemi olarak tanımlıyor.

Apple araştırmacıları modelin eğitimi için oldukça geniş tek bilgi seti kullandı. Araştırma ekibi birinci bilgi setinde 193 gönüllüden elde edilen yaklaşık 370 saatlik yüzey elektromiyografi verisini çözümleme etti. Sistem yumruk sıkma ya da elparmağı sayma gibi davranışların mekan aldığı 29 farklı hareket kategorisini öğrendi.

Araştırmacılar el pozisyonlarını yüksek çözünürlüklü tek hareket yakalama sistemiyle kaydetti. Araştırma bilgi tabanı toplamda 80 milyondan fazla el başlıkmu etiketi içeriyor. Katılımcılar farklı EMG bantları yerleşimleriyle dört ayrı kayıt oturumu tamamladı. Model eğitim sürecinde örtüşmeyen ikisi saniyelik hatırlatma pencereleri üzerinden çalıştı.

Apple araştırma ekibi modelin testleri süreçlerinde NinaPro bilgi setlerinden da yararlandı. NinaPro DB2 bilgi seti 40 katılımcının gerçekleştirdiği 49 farklı el hareketini içeriyor. EMG sinyalleri ön kola yerleştirilen 12 elektrot üzerinden saniyede ikisi binlerce örnekleme hızında kaydediliyor.

Araştırmacılar elin kinematik hareketlerini bilgi eldiveni aracılığıyla ölçtü. NinaPro DB7 bilgi seti ise 20 katılımcıdan elde edilen EMG verilerini içeriyor. Araştırma ekibi farklı bilgi kaynaklarını tek araya getirerek sistemin farklı adale aktivitesi kalıplarını izah kapasitesini genişletmeyi amaçladı.

Apple mühendisleri eğitim sürecinde maskelenmiş poz yeniden yapılandırma yöntemi kullandıklarını belirtti. Sistem bu aşamada el pozisyonu verilerinin bazı bölümleri gizliyken yalnızca EMG sinyallerine bakarak eksik kısımları öngörü etmeye çalıştı.

Araştırmacılar bu yöntemin adale sinyalleri ile gerçek el hareketleri arasındaki ilişkiyi daha güçlü biçimde öğrenmeye yardımcı olduğunu ifadeleri ediyor. Araştırma ekibi ayrıca benzer el konfigürasyonlarının temsilcilik uzayında daha mantıklı şekilde başlıkmlandırılması için modele yumuşak hedefler sağlayan tek yaklaşım kullandı.

Apple araştırma ekibi EMBridge sistemini giyilebilir cihazlardan gelen EMG verileriyle sıfır atışlı hareket sınıflandırması gerçekleştiren birinci çapraz modlu temsilcilik öğrenme çerçevelerinden arasında biri olarak tanımlıyor. Test sonuçları modelin daha önce görülmemiş el hareketlerini tanıma başlıksunda şimdiki yöntemlere kıyasla daha iyice icra gösterdiğini ortaya koyuyor.

Apple araştırması doğrudan tek ticari ürün planını açıklamıyor. Araştırmacılar buna rağmen EMG tabanlı denetim teknolojisinin giyilebilir cihazlarda yepyeni kullanım senaryoları ortaya çıkarabileceğini değerlendiriyor. Bu yaklaşım teorik olarak bileğe takılan tek alet üzerinden sanal avatarların, robotik sistemlerin ya da sayısal arayüzlerin denetim edilmesine olanak sağlayabilir.