I muscoli producono minuscoli segnali elettrici ogni volta che muoviamo una mano o un dito. Un nuovo sistema basato sull’intelligenza artificiale punta a trasformare questa attività in un linguaggio comprensibile alle macchine, aprendo nuove prospettive per protesi intelligenti, robot per la riabilitazione e interfacce uomo-computer più naturali.
Dai segnali muscolari ai comandi digitali
Muovere un dito può sembrare uno dei gesti più semplici della vita quotidiana. Dietro questo movimento, però, si trova una complessa sequenza di impulsi nervosi e contrazioni muscolari che genera piccoli segnali elettrici rilevabili sulla superficie della pelle.
Un gruppo di ricercatori della Zhejiang Sci-Tech University ha cercato proprio in questi segnali una sorta di “firma” capace di identificare differenti movimenti della mano.
Gli scienziati hanno sviluppato un modello di intelligenza artificiale in grado di analizzare i dati raccolti attraverso l’elettromiografia di superficie, nota come sEMG, e di associarli a diversi gesti delle dita, della mano e del polso.
L’obiettivo è convertire l’attività elettrica dei muscoli in comandi riconoscibili da una macchina. Una tecnologia di questo tipo potrebbe trovare applicazione nelle protesi avanzate, nella robotica riabilitativa e nelle interfacce per realtà virtuale e aumentata.
Come funziona il riconoscimento dei gesti muscolari
Il principio alla base del sistema è relativamente semplice, anche se la tecnologia necessaria per applicarlo è complessa.
Alcuni elettrodi posizionati sull’avambraccio registrano le variazioni dell’attività elettrica dei muscoli mentre una persona esegue determinati movimenti. La difficoltà consiste nell’interpretazione dei dati: i segnali cambiano nel tempo e movimenti differenti possono produrre schemi elettrici molto simili.
Tre architetture lavorano insieme
Per affrontare il problema, i ricercatori hanno realizzato un sistema che combina tre componenti di apprendimento profondo: un Transformer, un meccanismo di attenzione ai canali e una rete BiLSTM.
In termini pratici, l’algoritmo cerca contemporaneamente di individuare quali segnali muscolari siano più importanti, come cambino nel tempo e quali combinazioni permettano di distinguere un gesto da un altro.
Un altro elemento rilevante riguarda le dimensioni del modello. Secondo gli autori, il sistema utilizza circa 200.000 parametri, un numero relativamente contenuto rispetto ad alcune architetture più complesse impiegate per problemi analoghi.
I test sui database NinaPro DB5 e BandMyo
Per valutare le prestazioni del sistema, gli studiosi hanno utilizzato due database pubblici: NinaPro DB5 e BandMyo.
NinaPro DB5 comprende registrazioni ottenute da 10 persone senza amputazioni, utilizzando due fasce dotate complessivamente di 16 sensori sEMG. Il protocollo comprende numerosi movimenti della mano e del polso.
BandMyo raccoglie invece segnali provenienti da sei giovani adulti impegnati nell’esecuzione di 15 gesti statici.
Accuratezza complessiva dell’81,96%
Sul database NinaPro DB5, il nuovo modello ha raggiunto un’accuratezza complessiva dell’81,96%, accompagnata da un punteggio F1 ponderato pari a 0,82.
Per alcuni movimenti le prestazioni sono risultate sensibilmente superiori. Il gesto indicato nello studio come “Gesture 9”, per esempio, è stato riconosciuto con un’accuratezza del 96,55%.
Questo dato non significa tuttavia che il sistema possa riconoscere qualsiasi movimento della mano con una precisione del 96,55%. Si tratta del miglior risultato ottenuto per uno specifico gesto, mentre l’accuratezza generale resta inferiore.
Le possibili applicazioni nelle protesi intelligenti
Una delle prospettive più interessanti riguarda lo sviluppo di protesi controllate attraverso l’attività muscolare.
In futuro, una mano artificiale potrebbe interpretare i segnali prodotti dai muscoli residui dell’avambraccio e trasformarli direttamente nel movimento desiderato dall’utilizzatore. Il controllo della protesi potrebbe così diventare più intuitivo e avvicinarsi maggiormente alla naturalezza dei movimenti biologici.
La stessa tecnologia potrebbe essere impiegata nella riabilitazione motoria, consentendo ai dispositivi robotici di interpretare con maggiore precisione l’intenzione di movimento di un paziente.
I limiti da superare
I risultati ottenuti non dimostrano ancora che il sistema possa controllare in modo affidabile una protesi nelle normali attività quotidiane.
I dati utilizzati provengono da gruppi relativamente piccoli e da persone senza amputazioni. Inoltre, gli esperimenti sono stati effettuati in condizioni definite e controllate.
Nella vita reale, i segnali sEMG possono variare a causa della posizione del braccio, dello spostamento degli elettrodi, della sudorazione, dell’affaticamento muscolare e di altri fattori.
Sarà quindi importante raccogliere dati più realistici e coinvolgere direttamente persone con differenti condizioni degli arti, poiché i loro segnali muscolari possono avere caratteristiche diverse rispetto a quelli dei soggetti senza amputazioni.
Verso interfacce uomo-macchina più naturali
La ricerca rappresenta soprattutto un progresso nell’interpretazione algoritmica dell’attività muscolare, piuttosto che una protesi già pronta per l’impiego quotidiano.
La prospettiva resta comunque significativa: migliorando la capacità delle macchine di interpretare i segnali elettrici prodotti dai muscoli, sistemi di questo tipo potrebbero ridurre sempre di più la distanza tra l’intenzione di compiere un gesto e la capacità di un dispositivo di comprenderlo e trasformarlo in movimento.
Matteo Bianchi è autore per Barsport.net e si occupa di seguire notizie e temi di attualità in diversi settori, tra cui politica, economia, tecnologia, sport, intrattenimento e lifestyle. Il suo approccio si basa su una comunicazione chiara, accurata e orientata ai lettori, con l’obiettivo di offrire informazioni utili e facilmente comprensibili. Attraverso articoli aggiornati e contenuti affidabili, racconta fatti, sviluppi e storie che hanno un impatto concreto sulla vita quotidiana e sugli interessi del pubblico.
