表面筋電図（sEMG）を用いたジェスチャー認識は、義手制御やヒューマンマシンインターフェースにおいて重要だが、信号の非定常性や個人差が大きな課題となっている。既存の深層学習モデルの中でもTransformerは計算コストが高く、従来の周波数変換を用いた画像化手法では、電極間の空間的なトポロジー（配置関係）が失われてしまう問題があった。これに対し、スペインのマドリード工科大学などの研究チームは、空間トポロジーを保持するヒートマップ表現と、計算効率の高い状態空間モデル（SSM）をベースにした「Mamba」を融合し、新たな認識フレームワーク「EMamba」を発表した。同研究はBiomedical Signal Processing and Controlに掲載されている。
本研究では、sEMG信号から時間領域の主要な特徴（二乗平均平方根、平均絶対値、標準偏差）を抽出し、電極の空間的配置を維持したまま2次元ヒートマップへと変換する手法を開発した。この画像を、局所的な空間的特徴を抽出するResNetと、線形の計算量で長期的な時間依存性を捉えるMambaベースのモジュール（SS2D）を組み合わせたハイブリッドモデルに入力して処理した。大規模データセット（Ninapro等）を用いた検証の結果、EMambaは最大87.66％の高い分類精度を達成し、従来のCNNやCNN+RNNモデルを有意に上回った。さらに、手や腕に欠損のある被験者に対するデータや、学習に含まれない未知の被験者を対象とした交差検証においても、高い汎用性と堅牢性を示している。
重要な点として、本手法は推論にかかる遅延が約1.70msと小さく、リアルタイム制御が求められる環境にも適している。今後は、実環境における長期的な安定性の検証や、義手制御およびリハビリテーションシステムへの実装に向けた、モデルの軽量化と最適化が進められる予定である。
参照論文：
関連記事：
1．義手の操作精度は「ゲーム」で向上するか？ – 強化学習とプレイデータの活用
2．握力低下に苦しむ人々を手助けするAIグローブ
3．脳磁図からハンドジェスチャーを識別
