Suatu hari nanti, daripada mengetik pesan teks Anda di iPhone keyboard yang sempit, saraf Michael Linderman mengatakan sekarang Anda dapat menuliskan pemikiran Anda di udara.
Linderman dan koleganya telah menemukan cara untuk menerjemahkan impuls listrik dari otot-otot di lengan bawah dan tangan ke dalam bahasa tulisan. Dengan menggunakan algoritma pengenalan pola dan teknik yang disebut Elektromiografi, para peneliti dapat mengenali dan memperbanyak pola tulisan tangan unik seseorang dari gerakan tangan mereka. Akhirnya, mereka berharap untuk menciptakan sebuah sarung tangan tanpa jari dilengkapi dengan elektrode sensor yang secara otomatis dapat menerjemahkan gerakan tangan digital atau tulisan tangan ke dalam teks.
"Anda dapat menulis di udara, dapat menulis di permukaan apapun, dapat menulis dengan menggunakan pena atau pensil atau bahkan tanpa," kata Linderman, "dan ini akan dikonversi ke teks pada layar ponsel atau komputer."
Untuk tahap pertama proyek penelitian mereka, yang diterbitkan Rabu di PLoS ONE, para ilmuwan meminta enam sukarelawan untuk mengenakan sarung tangan prototipe yang tercatat aktivitas listrik dari delapan otot di tangan dan lengan bawah. Setiap mata pelajaran menulis angka nol sampai sembilan 50 kali, dan direkam komputer baik input dari pena digital mereka dan aktivitas listrik otot tangan mereka ketika mereka selesai latihan.
emg21Then, menggunakan perangkat lunak pengenalan pola, para peneliti diajarkan komputer untuk mengubah impuls listrik menjiplak ke dalam bahasa tulisan. "Kami ingin sistem untuk dapat mengenali semburan listrik orang sebagai pola tertentu yang terkait dengan jenis kegiatan mekanis," kata Linderman.
Hasil percobaan dapat dilihat pada gambar di atas: tulisan nyata diperlihatkan dengan warna biru, sementara tulisan tangan mereka direkonstruksi dari rekaman listrik dalam merah. Reproduksi tidak sempurna, tetapi sejak menyerahkan kertas, Linderman mengatakan tim secara signifikan telah disempurnakan prosesnya.
"Itu menggunakan algoritma yang sangat sederhana, karena kami memiliki waktu yang sangat singkat untuk mengerjakan proyek ini," katanya. "Kami tidak punya foto-foto, tapi kami telah jelas meningkatkan algoritma."
Begitu mereka dapat secara akurat mereproduksi tulisan tangan dari menjiplak listrik, tim menguji seberapa baik program komputer mereka bisa mengenali karakter yang didasarkan pada gerakan otot menggunakan teknik yang disebut analisis diskriminasi. Setelah lima pengulangan masing-masing karakter, komputer bisa mengenali 63 persen dari angka-angka; dengan 35 pengulangan pelatihan, komputer akurasi mencapai 97 persen.
"Saya pikir ini sangat padat karya," kata Andrew Fuglevand elektrofisiologinya pakar dari University of Arizona, yang tidak terlibat dalam penelitian, tetapi telah berkonsultasi dengan Linderman untuk sebelumnya. "Ini adalah sesuatu yang seharusnya dapat mereka gunakan untuk masa depan dan digunakan untuk sebagai cara mengekstrak elektronik tulisan tangan seseorang yang didasarkan pada pola merekam aktivitas otot mereka." Namun, Fuglevand mengatakan ia memiliki waktu sulit membayangkan seperti apa fungsi praktis teknologi mungkin melayani.
Linderman, di sisi lain, tidak memiliki kesulitan membayangkan menggunakan untuk berbagai perangkat. Dia mengatakan teknologi tangan digital tidak hanya untuk remaja yang ingin mengirim pesan teks yang lebih cepat: Karena banyak gangguan neuromuskuler, termasuk Parkinson dan Alzheimer, seringkali diawali dengan ringan tangan gemetar, dia pikir sarung tangan dapat digunakan sebagai alat skrining untuk menangkap penyakit sebelumnya. Mungkin juga berguna untuk membuat perangkat menulis palsu, katanya, atau membantu pasien dengan tangan gemetar untuk belajar menulis lagi.
pendiri perusahaan Linderman Inc Norconnect memasarkan perangkat ini, terakhir Februari, para peneliti menerima upah NSF lebih dari $450.000 untuk tahap kedua riset mereka.
Tapi indikasi medis samping,setidaknya ada satu kekurangan utama untuk teknologi ini: Jika orang-orang yang tampak bodoh sekarang sambil berbicara pada sebuah bluetooth, hanya berpikir betapa konyolnya mereka akan tampak melambaikan tangan mereka di udara untuk mengirim pesan teks.
1. Data akuisisi.
A: Sebuah foto dari sesi rekaman. B: Electrode penempatan di atas tangan (atas) dan otot-otot lengan bawah
Quote:
2. Rekonstruksi jejak tulisan tangan menggunakan Wiener filter.
A: Schematics dari Wiener filter. Sinyal EMG (diperbaiki EMGs) dari beberapa model yang dimasukkan ke dalam dua filter Wiener independen yang direkonstruksi X dan Y koordinat pena, masing-masing. Setiap penyaring diwakili koordinat direkonstruksi sebagai tertimbang jumlah EMGs. B: Contoh direkonstruksi bekas dari satu sesi rekaman. Jejak aktual diperlihatkan dengan warna biru; direkonstruksi jejak yang ditampilkan dalam warna merah. Dua kolom pertama menunjukkan X (t) dan Y (t), masing-masing. Kolom ketiga menunjukkan X-Y plot.
3.Transformasi EMG catatan ke karakter font.
A: Schematics dari algoritma. Compound EMG (jumlah semua diperbaiki EMGs) pertama kali digunakan untuk mendeteksi periode selama tulisan tangan terjadi. Senyawa EMG tersegmentasi pertama kali ke zaman sesuai dengan karakter individu menggunakan ambang batas yang terdeteksi EMG ledakan. Kemudian, sebuah senyawa generik template EMG dihitung dengan rata-rata zaman ini. Template yang cocok digunakan untuk menyempurnakan EMG segmen, yang kemudian diklasifikasikan dengan menggunakan analisis diskriminan linier. B: Contoh diskriminasi untuk perwakilan sesi rekaman. Dari atas ke bawah: Delapan EMGs digunakan untuk pengenalan karakter. 3.5-s segmen yang sesuai dengan karakter individu yang disorot sebagai bar biru yang selaras pada puncak koefisien korelasi, R, untuk template yang cocok. Posterior probabilitas untuk pengenalan karakter yang dihitung dengan analisis diskriminan akan ditampilkan sebagai warna plot. Diakui karakter font yang sesuai dengan probabilitas tertinggi akan ditampilkan di dekat setiap plot. Tulisan tangan asli ditampilkan di bagian bawah.
Table 1.Rekonstruksi dan akurasi untuk setiap individual subject, kombinasi otot yang tercatat dan di-subjek rata-rata.
Table 2.Rekonstruksi dan pengakuan akurasi untuk otot yang berbeda
Gambar 4. Kinerja dari rekonstruksi dan pengakuan algoritma sebagai fungsi dari jumlah tercatat EMGs dan jumlah data pelatihan
Analisis dilakukan semua otot dan tangan dan otot-otot lengan bawah saja (lihat tombol di atas). J: Rekonstruksi akurasi koordinat X-pena sebagai fungsi jumlah otot dicatat. Otot yang diambil dalam kombinasi yang berbeda, dan R2 adalah rata-rata dari kombinasi ini dan di seluruh subject. B: keakuratan Y-koordinat. C:akurasi sebagai fungsi dari jumlah otot tercatat. D: Peningkatan dalam akurasi sebagai fungsi dari set ukuran pelatihan.
sumber : http://kotakgame.com/forums/showthread.php?t=5220
