Нейросеть на графах распознаёт жесты рук за 48 мс: точность 99% для протезов и AR

Исследователи представили в июле 2026 года на arXiv графовую нейросеть (GNN), которая распознаёт жесты рук по сигналам поверхностной электромиографии (sEMG) за 48 миллисекунд с точностью 99% — результат превышает все опубликованные на сегодня аналоги в этом классе задач.

Как работает алгоритм

Система считывает электрическую активность мышц предплечья через восемь электродов браслета Myo и превращает паттерны мышечной активации в граф. Граф кодирует не просто амплитуды сигналов, но и пространственные связи между мышцами — то, как одни мышечные группы включаются в связке с другими при каждом жесте. Этот граф затем прогоняется через графовую нейросеть для классификации. Именно топологическое представление отличает подход от предшественников, работавших с «плоскими» временными рядами sEMG.

Ключевые характеристики системы:

• Датчик — браслет Myo с 8 электродами вокруг предплечья
• Архитектура — графовая нейросеть (GNN)
• Задержка — 48 мс (построение графа + предсказание) на Apple M1 Pro
• Точность классификации — 99% (средняя по 8 испытуемым)
• Участники тестирования — 8 здоровых добровольцев

Почему 48 мс — это важная цифра

Для управления протезом руки или AR-интерфейсом задержка критична: человек начинает замечать «рассинхрон» уже при задержке свыше 50–100 мс, и это делает устройство неудобным или неуправляемым. Предыдущие ML-решения для sEMG нередко требовали 200–300 мс — достаточно, чтобы каждое движение ощущалось вялым и неестественным.

Ключевое в результате: 48 мс достигнуто на обычном потребительском CPU без специализированных нейронных ускорителей. Это означает, что алгоритм потенциально можно запустить непосредственно на чипе внутри протеза или AR-гарнитуры — без облачного подключения и связанных с ним сетевых задержек. Именно возможность офлайн-инференса делает разницу между исследовательским демо и реальным медицинским устройством.

Где ограничения метода

Выборка из 8 испытуемых типична для академических работ в области нейроинтерфейсов, но мала для уверенного обобщения. Все участники были здоровыми добровольцами: как алгоритм покажет себя у людей с изменённой мышечной активностью — например, у реальных пользователей протезов — пока не проверялось.

Кроме того, браслет Myo требует точного позиционирования при каждом надевании: небольшой сдвиг электродов может менять паттерны сигнала. Авторы не рассматривают вопрос устойчивости модели к такой вариабельности, что остаётся открытым для следующих работ.

Что это значит

Точность 99% при задержке 48 мс на обычном CPU — это заявка на выход из академической стадии. Если результаты воспроизведутся на более широкой и разнообразной выборке, GNN-подход к sEMG может приблизить управление протезами и AR-интерфейсами к скорости и плавности естественного движения руки — без дорогостоящих имплантируемых электродов.

Частые вопросы

Почему для sEMG используют графы, а не обычные нейросети?

Граф явно кодирует пространственные связи между мышцами: какие мышечные группы активируются вместе и в каком порядке. Обычные свёрточные или рекуррентные сети обрабатывают каждый электродный канал независимо, теряя эту топологическую информацию. GNN учитывает её напрямую, что даёт более богатое представление жеста и, по данным авторов, позволяет превзойти LSTM и CNN на тех же данных.

На каком оборудовании измерялась задержка в 48 мс?

Замеры проводились на процессоре Apple M1 Pro — мобильном чипе без выделенного нейронного ускорителя для этой задачи. Авторы приводят это как аргумент в пользу пригодности метода для встроенных систем со сравнимой вычислительной мощностью.