Apple entrenó una inteligencia artificial para reconocer apretones de manos desconocidos basándose en señales EMG.

Apple creó el modelo EMBridge – reconocimiento de gestos a partir de señales EMG

Las nuevas investigaciones de Apple demostraron que su inteligencia artificial EMBridge puede determinar los movimientos de la mano solo a partir de las señales eléctricas de los músculos (EMG), incluso cuando dichos gestos no aparecían en el conjunto de entrenamiento.

¿Qué es EMG y dónde ya se utiliza?
La electromiografía mide la actividad eléctrica que surge durante la contracción muscular.

En medicina se emplea para diagnóstico y fisioterapia, además de en prótesis de extremidades.

Los dispositivos portátiles (por ejemplo, los gafas Meta Ray‑Ban Display con el controlador Neural Band) utilizan EMG para controlar la realidad virtual.

Cómo entrenaron a EMBridge
1. Datos – los investigadores usaron dos conjuntos abiertos:

* `emg2pose` – señales EMG y coordenadas de las manos.

* `NinaPro DB2` – conjunto similar.

2. Dos representaciones – el modelo se entrenó primero en dos flujos separados:

* solo señales EMG;

* solo datos de posición de la mano.

3. Sincronización – después del entrenamiento inicial, los investigadores “unieron” los flujos: el componente que trabajaba con EMG aprendió a “entender” la información de los datos de coordenadas. Así EMBridge pudo reconocer gestos solo con señales EMG.

Complejidad de la tarea
* Se recortó parte del segundo flujo (coordenadas) y se obligó al modelo a hacer inferencias únicamente basándose en EMG.

* Para evitar errores excesivos, la evaluación de las predicciones fue menos estricta: gestos similares se percibían como relacionados, no totalmente disímiles.

* Este enfoque ayudó a “estructurar” el espacio de características y mejoró la recuperación de posiciones de manos que no estaban en el entrenamiento.

Prueba y resultados
* Se probó el modelo con los mismos conjuntos `emg2pose` y `NinaPro`, usándolos como benchmarks.

* EMBridge mantiene alta precisión incluso usando solo el 40 % de los datos de entrenamiento.

Limitaciones
Los científicos subrayan que la barrera clave sigue siendo el acceso a conjuntos con pares “EMG + posición de la mano”. Tales datos todavía son limitados en volumen y no siempre están disponibles.