“`html

Apple’ın EMBridge Araştırması: Giyilebilir Teknolojilerde Yeni Bir Dönem

Apple, giyilebilir teknolojilere yönelik insan-bilgisayar etkileşimini devrim niteliğinde değiştirebilecek yeni bir yapay zeka araştırma projesi duyurdu. Şirketin makine öğrenimi ekibi tarafından geliştirilen EMBridge modeli, kas sinyallerini analiz ederek daha önce eğitim setinde yer almayan el hareketlerini tanımlama yeteneğine sahip. Bu çalışma, Apple’ın Makine Öğrenimi Araştırma blogunda “EMBridge: EMG Sinyallerinden Hareket Genellemesini Geliştirme” başlığıyla yayımlandı ve Nisan 2026’da düzenlenecek ICLR Konferansı’nda sunulacak.

EMBridge, kasların ürettiği elektriksel sinyalleri analiz eden elektromiyografi (EMG) verilerini kullanarak el hareketlerini yorumlayan bir yapay zeka çerçevesi olarak tanımlanıyor. EMG teknolojisi, tıbbi alanda kas fonksiyonlarını incelemek, fizik tedavi süreçlerini takip etmek ve protez uzuvların kontrolünü sağlamak amacıyla uzun süredir kullanılmakta. Son yıllarda ise, özellikle sanal ve artırılmış gerçeklik alanlarında yeni kontrol mekanizmaları geliştirmek için dikkat çekiyor.

Apple’ın bu araştırması, biyosinyalleri kullanıcı etkileşimi ile birleştiren yenilikçi yöntemlerin geliştirilmesine odaklanmaktadır. EMBridge modeli, EMG kas sinyalleri ile gerçek el pozisyonları verileri arasındaki farkı azaltan çapraz modlu öğrenme sisteminden faydalanır. Araştırmacılar, modeli ayrı veri setleri üzerinde ön eğitime tabi tutarak EMG sinyallerinin el pozisyonlarını öğrenmesini sağlamak için temsil katmanlarını hizalamaktadır.

Bu sayede, model sadece daha önce gördüğü hareketleri değil, benzer yapısal özellikler taşıyan yeni hareketleri de tahmin etme yetisi kazanıyor. Araştırma, okunmamış örnekleri tanımada yüksek bir başarı gösteren sıfır atışlı sınıflandırma yöntemi kullanmaktadır. Ayrıca, araştırmanın veri seti oldukça geniş kapsamlıdır; yaklaşık 370 saatlik EMG verisi ile birlikte yüksek çözünürlüklü el pozisyonları kayıtlıdır.

Kullanıcılar, farklı EMG bant yerleşimi ile toplamda dört kayıt oturumu gerçekleştirdi ve model, iki saniyelik örtüşmeyen sinyal pencereleri üzerinde eğitildi. Apple araştırmacıları, NinaPro veri setlerini de modelin eğitimi için kullanarak, farklı kas sinyalleri ve el hareketlerinin karşılaştırılmasını sağladı. Bu veri setleri, modelin geniş bir hareket yelpazesi üzerinde test edilmesine olanak tanıdı.

Özellikle dikkat çeken bir teknik ise maskelenmiş poz yeniden yapılandırma yöntemidir. Bu yaklaşım, el pozisyonu verilerinin bir kısmı gizlendiğinde, yalnızca EMG sinyallerine dayanarak eksik bölümlerin yeniden tahmin edilmesine odaklanmaktadır. Bu teknik, modelin kas sinyalleri ile gerçek el hareketleri arasındaki bağlantıyı güçlendirmektedir.

Apple’a göre, EMBridge modeli, giyilebilir cihazlardan gelen EMG sinyalleri ile sıfır atışlı jest sınıflandırması yapabilen ilk örnek olarak dikkat çekiyor. Testlerde, modelin daha önce görülmemiş el hareketlerini tanıma yeteneği, mevcut yöntemlerden daha etkili bir performans sergilemiştir ve bu başarı sadece eğitim verisinin %40’ı kullanılarak elde edilmiştir.

“`