Apple, geyilə bilən texnologiyada insan-kompüter qarşılıqlı təsirini inqilab edə biləcək yeni süni intellekt tədqiqatını dərc edib. Şirkətin maşın öyrənmə qrupu tərəfindən hazırlanan EMBridge adlı model, əzələ siqnallarını təhlil edərək əvvəllər təlim məlumat dəstinə daxil olmayan əl hərəkətlərini tanıya bilər. Apple-ın Maşın Öyrənmə Tədqiqatları bloqunda “EMBridge: Çarpaz Rejim Təqdimatı Öyrənməsindən EMG Siqnallarından Hərəkət Ümumiləşdirməsinin Təkmilləşdirilməsi” başlığı altında dərc edilən tədqiqatın aprel ayında ICLR 2026 Konfransında təqdim edilməsi planlaşdırılır.
Tədqiqatın mərkəzində olan EMBridge, əzələlərin yaratdığı elektrik fəaliyyətini ölçən elektromioqrafiya (EMG) məlumatlarından istifadə edərək əl hərəkətlərini şərh edən süni intellekt çərçivəsi kimi təsvir edilir. EMG texnologiyası uzun müddətdir tibbdə əzələ funksiyasını öyrənmək, fizioterapiya proseslərini izləmək və ya protez əzalarını idarə etmək üçün istifadə olunur. Son illərdə alternativ idarəetmə mexanizmləri inkişaf etdirmək üçün geyilə bilən elektronikaya, xüsusən də virtual və genişləndirilmiş reallıq sistemlərinə marağı yenidən qazandı. Apple-ın tədqiqatı bu biosiqnalları birbaşa istifadəçi qarşılıqlı əlaqəsinə çevirə bilən metodların hazırlanmasına yönəlib.
EMBridge-in əsas yanaşması, EMG əzələ siqnalları ilə faktiki əl mövqeyi məlumatları arasındakı fərqi azaldan çarpaz rejimli təmsilçilik öyrənmə sistemindən istifadə edir. Tədqiqatçılar, modeli iki fərqli məlumat növü üzrə ayrıca əvvəlcədən öyrətməklə və sonra bu təmsilçilik təbəqələrini uyğunlaşdırmaqla modelin EMG məlumatlarından əl mövqelərini öyrənməsinə imkan yaratdılar. Bu, modelin yalnız əvvəllər gördüyü hərəkətləri deyil, həm də oxşar struktur xüsusiyyətlərinə malik yeni hərəkətləri proqnozlaşdıra bilən ümumiləşdirmə qabiliyyəti qazanmasına imkan verir. Bu yanaşma, maşın öyrənməsində sıfır vuruş təsnifatı adlanan bir metoda əsaslanır ki, bu da modelin əvvəllər görmədiyi nümunələri dəqiq tanımaq qabiliyyətinə aiddir. Tədqiqatın məlumat tərəfi də olduqca genişmiqyaslıdır. İlkin məlumat dəstinə təxminən 370 saatlıq səth elektromioqrafiya məlumatları və 193 könüllüdən sinxronlaşdırılmış əl mövqeləri daxildir. Yumruq sıxmaq və barmaq saymaq kimi hərəkətlər də daxil olmaqla 29 fərqli davranış kateqoriyası mövcuddur, əl mövqeləri isə yüksək qətnaməli hərəkət tutma sistemi istifadə edilərək qeydə alınıb. Ümumilikdə 80 milyondan çox mövqe etiketini ehtiva edən məlumat dəsti, ölçüsünə görə müasir kompüter görmə məlumat dəstləri ilə müqayisə edilə bilər. İstifadəçilər fərqli EMG zolaq yerləşdirmələri ilə dörd qeyd sessiyasını tamamladılar və model giriş məlumatları kimi üst-üstə düşməyən iki saniyəlik siqnal pəncərələri üzərində təlim keçib.
Apple tədqiqatçıları həmçinin modeli təlim və qiymətləndirmək üçün NinaPro adlı EMG məlumat dəstlərindən istifadə etdilər. NinaPro DB2 məlumat dəstinə 40 iştirakçı tərəfindən yerinə yetirilən 49 fərqli əl hərəkəti daxildir və EMG siqnalları ön kola yerləşdirilmiş 12 elektrod vasitəsilə saniyədə 2000 nümunə götürmə sürətində qeydə alınır. Kinematik əl hərəkətləri məlumat əlcəyi istifadə edilərək ölçülür. Hərəkət təsnifatı testləri üçün istifadə edilən NinaPro DB7 məlumat dəstinə 20 iştirakçıdan EMG məlumatları daxildir. Bu məlumat dəstləri sayəsində model müxtəlif əzələ siqnallarını və əl hərəkətlərini müqayisə etməklə daha geniş davranış diapazonunda sınaqdan keçirilə bilər.
Tədqiqatın vacib texniki detallarından biri təlim zamanı istifadə edilən maskalı poza rekonstruksiyası metodudur. Bu mərhələdə sistem yalnız EMG siqnallarına əsaslanaraq itkin hissələri yenidən qiymətləndirməyə çalışır, əl mövqeyi məlumatlarının bəzi hissələri isə gizlədilir. Bu metod modelin əzələ siqnalları ilə faktiki əl hərəkətləri arasındakı əlaqəni daha güclü şəkildə öyrənməsinə kömək edir. Tədqiqatçılar həmçinin oxşar əl konfiqurasiyalarının tamamilə fərqli hərəkətlər kimi qəbul edilməsinin qarşısını almaq üçün modelə yumşaq hədəflər təqdim edən bir yanaşma tətbiq etdilər. Bu texnika oxşar hərəkətlərin təmsilçilik məkanında daha məntiqli şəkildə yerləşdirilməsinə imkan verərək ümumiləşdirmə performansını artırdı. Apple şirkətinə görə, EMBridge, geyilə bilən cihazlardan EMG siqnalları ilə sıfır vuruşlu jest təsnifatını həyata keçirən ilk çarpaz rejimli təmsilçilik öyrənmə çərçivəsi kimi təsvir olunur. Testlər göstərir ki, model mövcud metodlardan, xüsusən də əvvəllər görünməmiş əl hərəkətlərini tanımaqda daha yaxşı nəticə göstərir və buna təlim məlumatlarının yalnız 40%-dən istifadə etməklə nail olur.
