表面筋電図信号に基づくリアルタイムジェスチャ認識のためのグラフニューラルネットワークモデル
研究チームは、表面筋電図信号を用いたグラフネットワーク表現に基づくリアルタイム手話認識手法を提案。8名の被験者による評価で99%の精度、処理時間48ミリ秒を達成し、最先端技術を上回った。
表面筋電図信号に基づくリアルタイムジェスチャ認識のためのグラフニューラルネットワークモデル
2026年7月8日、arXivに掲載された最新の研究では、表面筋電図（sEMG）信号を用いたリアルタイム手話認識のための新しいアプローチが提案された。この手法は、前腕の筋活動パターンをグラフネットワークで表現し、グラフニューラルネットワーク（GNN）を用いて高精度なジェスチャ認識を実現する。
研究チーム（Pragatheeswaran Vipulanandan氏ら）は、Myobandデバイスを使用して8名の健康な被験者の前腕に8つの電極を配置し、sEMG信号を収集。これらの信号をグラフ構造に変換し、各電極をノード、筋の協調活性をエッジとして表現することで、筋肉間の空間的関係と協調活性化パターンを捉えた。提案アルゴリズムはGNNによってジェスチャを分類し、平均分類精度99%を達成。これは最先端技術を上回る性能である。さらに、グラフ構築と予測の平均時間はM1 Pro CPUで48ミリ秒であり、リアルタイム応用に適している。
この手法の高い効率性と精度は、義手制御や拡張現実など即時応答が求められる分野での応用が期待される。従来の特徴量ベースの手法と比較して、グラフネットワークは空間情報を自然に統合できるため、認識の頑健性が向上する。今後はデータセットの拡大とモデルの最適化により、さらなる頑健性と汎化性能の向上を目指す。また、組込みデバイスへの展開も検討されている。