（High-five or thumbs-up? New device detects which hand gesture you want to make）
2020/12/21 ｱﾒﾘｶ合衆国・カリフォルニア大学バークレー校(UCB)
・ UCB が、電気信号を検出してハンドジェスチャーを認識する、ウェアラブルバイオセンサーと AI ソフトウェアを組み合わせた新デバイスを開発。
・ キーボードを使用しないコンピューターへのタイピング入力や、ハンドル操作が不要な自動車の運転等でのアプリケーションが同デバイスの最終的な目標の一つ。人工義肢の制御や、あらゆる種類の電子デバイスとのインタラクションの可能性が期待できる。
・ ハンドジェスチャーによる認識システムは、人間とコンピューター間の相互作用を向上させる一技術。カメラやコンピュータービジョンによる方法もあるが、ハンドジェスチャー技術は個人のプライバシーの保護にも役立つ。
・ フレキシブルなフィルムアームバンドが前腕の 64 カ所で電気信号を読み取り、信号パターンと特定のハンドジェスチャーを関連付ける AI アルゴリズムのプログラムを搭載した電子チップにそれらの信号を送信する。
・ 同ハンドジェスチャーシステムでは、自動的に新しい情報を更新する高次元計算アルゴリズム(hyperdimensional coomputing algorithm)と呼ばれる高度な AI を採用。発汗や腕の位置の変更等で特定のハンドジェスチャーに関連した電気信号が変わると、これらの新情報をそのモデルに取り込める。
・ 同 AI アルゴリズムに 21 パターンのハンドジェスチャー認識を学習させ、同デバイスによるサムズアップ（親指を立てるサイン）、握りこぶし、広げた手、個別に立てた指や数のカウント等、21 種類のハンドサインの識別の実証に成功した。
・ 腕の筋肉の収縮は、脳からの電気信号が首と肩の神経を通じて腕と手の筋肉繊維へと届くことで起こる。アームバンドの電極は、実質的には電場を検出しており、伸縮する筋肉繊維を正確に特定できないが、高密度の電極が特定のパターンの認識の学習を可能にする。
・ また、コンピューティングが全てチップ上でローカルに実行されるため、個人的なデータが付近のコンピューターやデバイスへと送信されない。このことは、演算速度を向上させるだけでなく、個人の生体データを保護する。
・ Amazon や Apple がアルゴリズムを作成する場合、クラウド上で多数のソフトウェアを起動させてモデルを構築してからデバイスにダウンロードするが、モデルが特定のものに限られてしまう。UCB のアプローチでは、デバイス上での学習を極めて迅速に実行する。一度学習を開始すれば、後は自動で作動し、人間のように継続して学習することができる。
・ 同デバイスの商業化はまだ先となるが、既存の同様な技術に対し、同デバイスはバイオセンシング、信号処理・解釈および AI を小型でフレキシブルで省エネの一つのシステムにまとめたユニークなもの。
・ 本研究は、米国国防高等研究計画局(DARPA)が資金を提供する Semiconductor Research Coropration(SRC)プログラムである JUMP(Joint University Microelecronics Program)の 6 カ所のセンターの一つである CONIX Research Center が一部支援した。また、米国空軍研究所(AFRL)が資金を提供し、NextFlex(Flexible Hybrid Elecgtronics Manufacturing Innovation Institute)を通じて実施された研究を一部ベースとしている。
・ さらに、Berkeley Wireless Research Center、米国立科学財団(NSF)による Graduate Research
Fellowship、チューリッヒ工科大学の Postdoctoral Fellowship program および Marie Sklodowska-Curie
Actions(MSCA)(Horizon 2020 のファンディングプログラム） for People COFUND program より、追加的
資金を受けた。
URL: https://news.berkeley.edu/2020/12/21/high-five-or-thumbs-up-new-device-detectswhich-hand-gesture-you-want-to-make/
＜NEDO海外技術情報より＞
（関連情報)
Nature Electronics 掲載論文(アブストラクトのみ：全文は有料）
A wearable biosensing system with in-sensor adaptive machine learning for hand gesture recognition
URL: https://www.nature.com/articles/s41928-020-00510-8
Abstract
Wearable devices that monitor muscle activity based on surface electromyography could be of use in the development of hand gesture recognition applications. Such devices typically use machine-learning models, either locally or externally, for gesture classification. However, most devices with local processing cannot offer training and updating of the machine-learning model during use, resulting in suboptimal performance under practical conditions. Here we report a wearable surface electromyography biosensing system that is based on a screen-printed, conformal electrode array and has in-sensor adaptive learning capabilities. Our system implements a neuro-inspired hyperdimensional computing algorithm locally for real-time gesture classification, as well as model training and updating under variable conditions such as different arm positions and sensor replacement. The system can classify 13 hand gestures with 97.12% accuracy for two participants when training with a single trial per gesture. A high accuracy (92.87%) is preserved on expanding to 21 gestures, and accuracy is recovered by 9.5% by implementing model updates in response to varying conditions, without additional computation on an external device.
