تتفاعل التكنولوجيا مع حياتنا اليومية بشكل متزايد، ويعتبر فهم نوايا الحركة البشرية خطوة رئيسية لتحقيق تفاعل إنساني-كمبيوتر أكثر سلاسة وفاعلية. تلعب كهربائية العضلات (EMG) دورًا محوريًا في هذا المجال، ولكن لا تزال القدرة على تعميم هذه التقنية عبر الأفراد والأجهزة والمهام تقل عن المستوى المطلوب.

لإغلاق هذا الفجوة، تم تقديم نموذج Any Electromyography (AEMG)، حيث يُمثل هذا الإطار التعليمي الجديد هو الأول من نوعه في تعلم تمثيل نشاط العضلات بشكل ذاتي واسع النطاق. يقوم AEMG بإعادة تصور الديناميات العصبية العضلية بشكل لغوي، باستخدام أداة مبتكرة تُسمى Tokenizer تقلص التقلصات العضلية إلى كلمات هيكلية وأنماط زمنية متماسكة.

أحد الابتكارات المثيرة في هذا الإطار هو تجميعه لأكبر مفردات إشارات EMG عبر الأجهزة حتى الآن، مما يتيح انتقال المعرفة بفعالية عبر تكوينات قنوات ومعدلات أخذ عينات مختلفة. وكشفت التجارب أن AEMG يحسن دقة التنبؤ حتى 9.25% في دقة نتائج ترك الموضوع واحداً (Zero-shot Leave-One-Subject-Out)، مقارنة بستة نماذج متقدمة أخرى.

تتجاوز نسبة التكيف القليل، حيث تحقق AEMG أداءً يزيد عن 90% باستخدام فقط 5% من بيانات المستخدم المستهدف. يُعد هذا العمل خطوة رائدة في توسيع فكرة إشارات EMG كلغة فسيولوجية عابرة للأجهزة، إذ يتعلم قواعدها من كميات ضخمة من البيانات، مما يمهد الطريق للحصول على نموذج EMG أساسي يمكن تطبيقه عامًة.