애플은 EMG 신호를 기반으로 익숙하지 않은 악수를 인식하도록 인공지능을 훈련시켰다

애플은 EMBridge 모델을 개발했습니다 – EMG 신호를 통해 제스처 인식

애플의 최신 연구 결과에 따르면, 그들의 인공지능인 EMBridge는 학습 데이터셋에 없던 유사한 제스처라도 전기 근육 신호(EMG)만으로 손 움직임을 판단할 수 있다고 합니다.

EMG란 무엇이며 이미 사용되는 곳* 근전도는 근육이 수축할 때 발생하는 전기 활동을 측정합니다.

* 의료 분야에서는 진단과 물리치료, 그리고 사지 보철에 활용됩니다.

* 착용형 기기(예: Meta Ray‑Ban Display 안경과 Neural Band 컨트롤러)는 가상현실 제어를 위해 EMG를 사용합니다.

EMBridge 학습 방법
1. 데이터 – 연구자들은 두 개의 공개 데이터셋을 사용했습니다:

* `emg2pose` – EMG 신호와 손 좌표
* `NinaPro DB2` – 유사한 데이터셋

2. 두 가지 표현 – 모델은 처음에 두 개의 별도 스트림에서 학습되었습니다:

* EMG 신호만 사용
* 손 위치 데이터만 사용

3. 동기화 – 초기 학습 후 연구자들은 “스트림을 연결”했습니다: EMG를 다루는 컴포넌트가 좌표 데이터를 이해하도록 학습했습니다. 그 결과 EMBridge는 EMG 신호만으로 제스처를 인식할 수 있게 되었습니다.

문제의 복잡성 증가
* 두 번째 스트림(좌표)의 일부를 잘라내고 모델이 오직 EMG만을 기반으로 추론하도록 했습니다.
* 과도한 오류를 방지하기 위해 예측 평가 기준을 완화했습니다: 유사한 제스처는 서로 연관된 것으로 간주하고, 완전히 다른 것처럼 보지 않았습니다.
* 이러한 접근은 특징 공간을 “구조화”하는 데 도움이 되었고, 학습에 없던 손 위치를 복원하는 성능이 향상되었습니다.

검증 및 결과
* 모델은 동일한 `emg2pose`와 `NinaPro` 데이터셋에서 테스트되었으며, 이를 벤치마크로 사용했습니다.
* EMBridge는 오직 40 %의 학습 데이터만 사용해도 높은 정확도를 유지합니다.

제약 사항
연구자들은 “EMG + 손 위치” 쌍이 포함된 데이터셋에 대한 접근이 여전히 핵심 장애물이라고 강조합니다. 이러한 데이터는 아직 양이 제한적이며 항상 이용 가능한 것은 아닙니다