Apple’dan EMG tabanlı yapay zeka

Apple, giyilebilir teknolojilerde insan-bilgisayar etkileşimini değiştirebilecek yeni bir yapay zeka araştırması yayımladı.

Şirketin makine öğrenimi ekibi tarafından geliştirilen EMBridge adlı model, kas sinyallerini analiz ederek daha önce eğitim veri setinde yer almayan el hareketlerini tanıyabiliyor.

Apple’ın Makine Öğrenimi Araştırma blogunda paylaşılan çalışma, "EMBridge: Çapraz Modlu Temsil Öğrenimi Yoluyla EMG Sinyallerinden Hareket Genellemesini Geliştirme" başlığıyla yayımlandı ve Nisan ayında düzenlenecek ICLR 2026 Konferansı’nda sunulması planlanıyor.Çalışmanın merkezinde yer alan EMBridge, kasların ürettiği elektriksel aktiviteleri ölçen elektromiyografi yani EMG verilerini kullanarak el hareketlerini yorumlayan bir yapay zeka çerçevesi olarak tanımlanıyor.

EMG teknolojisi tıp alanında uzun süredir kas fonksiyonlarını incelemek, fizik tedavi süreçlerini izlemek veya protez uzuvların kontrolünü sağlamak için kullanılıyor.

Son yıllarda ise giyilebilir elektroniklerde, özellikle sanal ve artırılmış gerçeklik sistemlerinde alternatif kontrol mekanizmaları geliştirmek amacıyla yeniden ilgi görmeye başladı.

Apple’ın araştırması, bu biyosinyalleri doğrudan kullanıcı etkileşimine dönüştürebilecek yöntemlerin geliştirilmesine odaklanıyor.EMBridge’in temel yaklaşımı, EMG kas sinyalleri ile gerçek el pozisyonu verileri arasındaki farkı azaltan çapraz modlu bir temsil öğrenme sistemi kullanmak.

Araştırmacılar, modeli iki farklı veri türü üzerinde ayrı ayrı ön eğitimden geçirdikten sonra bu temsil katmanlarını hizalayarak EMG verilerinin el pozisyonlarını öğrenmesini sağladı.

Böylece model yalnızca daha önce gördüğü hareketleri değil, benzer yapısal özelliklere sahip yeni hareketleri de tahmin edebilecek bir genelleme yeteneği kazanıyor.

Bu yaklaşım, makine öğreniminde sıfır atışlı sınıflandırma olarak adlandırılan ve modelin daha önce görmediği örnekleri doğru biçimde tanıyabilmesini ifade eden bir yönteme dayanıyor.Araştırmanın veri tarafı da oldukça büyük ölçekli bir yapıya sahip.

İlk veri seti, 193 gönüllüden elde edilen yaklaşık 370 saatlik yüzey elektromiyografi verisini ve senkronize el pozisyonlarını içeriyor.

Yumruk sıkma, parmak sayma gibi hareketlerin yer aldığı 29 farklı davranış kategorisi bulunurken, el pozisyonları yüksek çözünürlüklü bir hareket yakalama sistemiyle kaydedildi.

Toplamda 80 milyondan fazla pozisyon etiketi içeren veri seti, boyut açısından modern bilgisayarlı görü veri setleriyle karşılaştırılabilecek ölçekte.

Kullanıcılar farklı EMG bant yerleşimleriyle dört kayıt oturumu tamamladı ve model, giriş verisi olarak örtüşmeyen iki saniyelik sinyal pencereleri üzerinde eğitildi.Apple araştırmacıları ayrıca NinaPro adlı EMG veri setlerini de modelin eğitimi ve değerlendirmesi için kullandı.

NinaPro DB2 veri seti, 40 katılımcının gerçekleştirdiği 49 farklı el hareketini içeriyor ve EMG sinyalleri ön kola yerleştirilen 12 elektrot üzerinden saniyede 2 bin örnekleme hızında kaydediliyor.

Elin kinematik hareketleri ise veri eldiveniyle ölçülüyor.

Hareket sınıflandırma testleri için kullanılan NinaPro DB7 veri seti ise 20 katılımcıdan elde edilen EMG verilerini kapsıyor.

Bu veri setleri sayesinde model, farklı kas sinyallerini ve el hareketlerini karşılaştırarak daha geniş bir davranış yelpazesinde test edilebildi.Araştırmanın önemli teknik ayrıntılarından biri de eğitim sırasında kullanılan maskelenmiş poz yeniden yapılandırma yöntemi.

Bu aşamada sistem, el pozisyonu verilerinin bazı kısımları gizlenmiş haldeyken yalnızca EMG sinyallerine dayanarak eksik bölümleri yeniden tahmin etmeye çalışıyor.

Bu yöntem, modelin kas sinyalleri ile gerçek el hareketleri arasındaki ilişkiyi daha güçlü biçimde öğrenmesine yardımcı oluyor.

Ayrıca araştırmacılar, birbirine benzeyen el konfigürasyonlarının tamamen farklı hareketler gibi değerlendirilmesinin önüne geçmek için modele yumuşak hedefler sağlayan bir yaklaşım da uyguladı.

Bu teknik, benzer hareketlerin temsil uzayında daha mantıklı şekilde konumlandırılmasını sağlayarak genelleme performansını artırdı.Apple’a göre EMBridge, giyilebilir cihazlardan gelen EMG sinyalleriyle sıfır atışlı jest sınıflandırması gerçekleştiren ilk çapraz modlu temsil öğrenme çerçevesi olarak tanımlanıyor.

Yapılan testlerde modelin özellikle daha önce görülmemiş el hareketlerini tanıma konusunda mevcut yöntemlerden daha iyi performans gösterdiği ve bunu eğitim verisinin yalnızca yüzde 40’ını kullanarak başarabildiği belirtiliyor.