Un grupo de investigadores han desarrollado un sistema que emplea el machine learning y la inteligencia artificial para conseguir un mayor rendimiento al detectar gestos.
Investigadores de ingeniería han desarrollado un enfoque híbrido de aprendizaje automático para el reconocimiento de gestos musculares en manos protésicas que combina una técnica de IA normalmente utilizada para el reconocimiento de imágenes con otro enfoque especializado en el reconocimiento de la escritura y el habla. La técnica está logrando un rendimiento muy superior al de los esfuerzos tradicionales de aprendizaje automático.
Las motoneuronas son las partes del sistema nervioso central que controlan directamente nuestros músculos. Transmiten señales eléctricas que hacen que los músculos se contraigan. La electromiografía (EMG) es un método de medición de la respuesta muscular que registra esta actividad eléctrica mediante la inserción de agujas de electrodos a través de la piel y dentro del músculo. La EMG de superficie (sEMG) realiza este mismo proceso de registro de forma no invasiva con los electrodos colocados en la piel por encima del músculo, y se utiliza para procedimientos no médicos como la investigación deportiva y la fisioterapia.
En la última década, los investigadores han empezado a estudiar el posible uso de las señales de EMG de superficie para controlar las prótesis de los amputados, especialmente en lo que respecta a la complejidad de los movimientos y gestos que requieren las manos protésicas, con el fin de ofrecer una actividad de los dispositivos más suave, sensible e intuitiva de lo que es posible en la actualidad.
Reconocer las señales
Por desgracia, las interferencias ambientales inesperadas, como el desplazamiento de los electrodos, introducen una gran cantidad de «ruido» en el proceso de cualquier dispositivo que intente reconocer las señales de EMG de superficie. Dichos desplazamientos se producen con regularidad en el uso diario de estos sistemas. Para intentar superar este problema, los usuarios deben realizar un largo y agotador periodo de entrenamiento de la señal sEMG antes de utilizar sus prótesis. Los usuarios deben recoger y clasificar laboriosamente sus propias señales EMG de superficie para poder controlar la mano protésica.
Con el fin de reducir o eliminar los retos de dicho entrenamiento, los investigadores han explorado varios enfoques de aprendizaje automático -en particular, el reconocimiento de patrones de aprendizaje profundo- para poder distinguir entre diferentes y complejos gestos y movimientos de la mano a pesar de la presencia de interferencias de la señal ambiental.
Una reducción del entrenamiento se obtiene a su vez optimizando el modelo de estructura de red de ese aprendizaje profundo. Una posible mejora que se ha ensayado es el uso de una red neuronal convolucional (CNN), que es análoga a la estructura de conexiones de la corteza visual humana. Este tipo de red neuronal ofrece un mejor rendimiento con las imágenes y el habla y, como tal, está en el corazón de la visión por ordenador.
Hasta ahora, los investigadores han logrado cierto éxito con las CNN, mejorando significativamente el reconocimiento («extracción») de las dimensiones espaciales de las señales sEMG relacionadas con los gestos de la mano. Sin embargo, si bien es cierto que tratan bien el espacio, tienen dificultades con el tiempo. Los gestos no son fenómenos estáticos, sino que tienen lugar en el tiempo, y la CNN ignora la información temporal en la contracción continua de los músculos.
