شبكة عصبية بيانية تحقق دقة 99% في قراءة إشارات العضلات للأطراف الصناعية في الوقت الفعلي

ثمانية أقطاب كهربائية ملتفة حول الساعد، وشبكة عصبية بيانية (Graph Neural Network) خفيفة الحجم، وزمن استجابة (Latency) لا يتجاوز 48 ميلي ثانية. هذا هو المزيج الذي يقف خلف نظام جديد للتعرف على إيماءات اليد، موجّه للأطراف الصناعية والتحكم بالواقع المعزز، وفق ورقة بحثية قُدّمت في 8 يوليو 2026.

يعالج البحث عقبة قديمة في مجال التحكم العصبي العضلي (Myoelectric Control): كيفية تحويل إشارات كهربية العضل السطحية الخام (Surface EMG أو sEMG) إلى تنبؤات بالإيماءات بسرعة ودقة تكفيان لأن يثق شخص ما بيد صناعية في مهامه اليومية. بنى الفريق نظامه حول مصفوفة حساسات "مايوباند" (Myoband) مزودة بثمانية أقطاب كهربائية موضوعة حول الساعد، وجمع بيانات النشاط العضلي من ثمانية مشاركين أصحّاء. وبدلاً من تغذية بيانات الإشارة الخام مباشرة إلى مصنّف (Classifier) تقليدي، اختار الباحثون نمذجة العلاقات بين قنوات الأقطاب الكهربائية على شكل بنية بيانية (Graph)، بما يسمح للشبكة العصبية البيانية بتعلّم الروابط المكانية بين مجموعات العضلات أثناء أداء الإيماءات.

لماذا تهم هذه الأرقام؟

النتيجة الأبرز هي دقة تصنيف بلغت 99% في المتوسط عبر الإيماءات المختبَرة، رقم يضع هذا النهج في مصاف بعض أنظمة التعلم العميق (Deep Learning) الأكثر تكلفة حسابياً في أبحاث sEMG السابقة. لكن ما يميز هذا العمل هو السرعة التي تحققت بها هذه الدقة: فبناء التمثيل البياني من بيانات الإشارة الواردة، إضافة إلى تنفيذ التنبؤ، استغرقا معاً 48 ميلي ثانية فقط في المتوسط، وذلك على معالج (CPU) من طراز Apple M1 Pro.

هذا الرقم مهم لأنه قيس على عتاد استهلاكي عادي، لا على مجموعة معالجات رسومية (GPU) متخصصة. فليصبح التعرف على الإيماءات صالحاً للاستخدام في يد صناعية أو نظارة واقع معزز، يجب أن يعمل النظام بكامله محلياً وفي الوقت الفعلي، من دون استنزاف البطارية أو الحاجة إلى محطة عمل موصولة بأسلاك. زمن استجابة بمقدار 48 ميلي ثانية يشير إلى إمكانية تشغيل النموذج على معالجات مدمجة (Embedded Processors) موجودة في الأجهزة القابلة للارتداء، مع ملاحظة أن قياس الأداء في الورقة البحثية ارتبط تحديداً بمعالج M1 Pro، لا بوحدة تحكم دقيقة (Microcontroller) منخفضة الطاقة.

ما بعد المعمل

تمتد التطبيقات المستهدفة إلى ما هو أبعد من الأطراف الصناعية، لتشمل الواقع المعزز، حيث يتزايد استخدام الإدخال القائم على الإيماءات للتفاعل بلا استخدام اليدين مع النظارات الذكية وسماعات الرأس. فنظام قادر على تمييز إيماءات اليد اعتماداً على النشاط العضلي وحده، من دون الاستعانة بكاميرات أو أجهزة تحكم يدوية، قد يوفر وسيلة إدخال أكثر خفاءً وأقل تدخلاً جسدياً في كلا المجالين.

مع ذلك، لا يزال نطاق الدراسة محدوداً؛ فثمانية مشاركين وتهيئة حساسات واحدة يمثلان عينة صغيرة قياساً بتنوع تركيب العضلات، وحالات الجلد، وتفاوت مواضع الأقطاب الكهربائية التي يتطلب النشر الفعلي أخذها بالحسبان. كذلك تميل أرقام دقة التصنيف المستخرجة من بيئات مخبرية مضبوطة وباستخدام مشاركين أصحّاء إلى أن تكون متفائلة بالمقارنة مع الأداء الفعلي لدى مبتوري الأطراف، الذين قد يختلف نشاط عضلات الطرف المتبقي لديهم بشكل كبير عن نشاط عضلات الأشخاص القادرين جسدياً؛ وهذا تحفظ مهم لتقنية تُقدَّم أساساً بوصفها موجهة للتحكم بالأطراف الصناعية.

اكتسبت البُنى القائمة على الرسوم البيانية (Graph-based Architectures) زخماً في أبحاث sEMG الحديثة، تحديداً لأنها تسمح بترميز التوزيع الفيزيائي للأقطاب الكهربائية كمعلومة بنائية، بدلاً من معاملة كل قناة كمدخل منفصل وغير مرتب. وتأتي مساهمة هذه الورقة البحثية في إطار هذا التوجه الأوسع، لتقدّم مؤشراً على المدى الذي يمكن أن يبلغه هذا الخيار المعماري في رفع الدقة وسرعة الاستدلال (Inference) في آنٍ واحد.