Zespół badawczy zaprezentował innowacyjny system rozpoznawania gestów dłoni w czasie rzeczywistym, wykorzystujący grafowe sieci neuronowe do analizy sygnałów elektromiograficznych ze skóry (sEMG). Kluczową nowością jest reprezentacja sygnałów w postaci grafów zawierających informacje o wzorach aktywacji mięśni przedramienia, co umożliwia bardziej precyzyjne modelowanie interakcji mięśniowych podczas wykonywania różnych gestów.
Systemem testowano przy użyciu urządzenia myoband wyposażonego w 8 elektrod rozmieszczonych wokół przedramienia. Eksperyment przeprowadzono na 8 zdrowymi osobami. Zaproponowana metoda osiągnęła imponującą średnią dokładność klasyfikacji 99%, wyraźnie przewyższając dotychczasowe podejścia. Istotny aspekt stanowi szybkość przetwarzania - zarówno konstruowanie grafu jak i predykcja zajmują średnio 48 milisekund na procesorze M1 Pro, co czyni algorytm praktycznym dla aplikacji wymagających przetwarzania w czasie rzeczywistym.
Tak precyzyjne i szybkie rozpoznawanie gestów ma potencjał transformacyjny dla kontroli zaawansowanych protez bionicznych, systemów rzeczywistości rozszerzonej (AR) oraz interfejsów człowiek-maszyna. Możliwość intuicyjnego sterowania urządzeniami poprzez naturalne gesty dłoni, bez względu na złożoność protez, może znacząco poprawić jakość życia osób niepełnosprawnych ruchowo. Uzyskane wyniki sugerują, że grafowe sieci neuronowe stanowią perspektywiczne podejście do biologicznych systemów kontroli.