تعتبر تقنية التعرف على الإيماءات عبر السطح electromyography (sEMG) واحدة من أكثر التقنيات الواعدة في مجال التفاعل الطبيعي بين الإنسان والحاسوب. ورغم ذلك، تواجه هذه التقنية تحديات كبيرة تتعلق بالأداء، بسبب الفروقات في توزيع الميزات بين الأفراد وجلسات التسجيل المختلفة. فبينما تُستخدم تقنيات تكيف المجال (Domain Adaptation) عادة لتخفيف هذه الفروقات، فإن الطرق التقليدية غالبًا ما تناضل لتحديد ميزات sEMG، نظرًا لطبيعتها العشوائية وندرة البيانات المصنفة.

لحل هذه المشكلات، يقترح هذا المقال إطارًا مبتكرًا يُدعى Pressure-Guided Unsupervised Domain Adaptation (PGUDA). يعتمد هذا الإطار على مرونة واستقرار إشارات الضغط لتعزيز استراتيجيات نقل المعرفة بين الأنماط المختلفة، حيث يقوم بتوجيه شبكة تعلم الطلبة الخاصة بـ sEMG من خلال شبكة المعلم المدربة على إشارات الضغط.

تُظهر التجارب التي أجريت على مجموعة بيانات متعددة الأنماط تم جمعها ذاتيًا، تضم 11 شخصًا، فعالية إطار PGUDA المقترح، حيث حقق أداءً رائدًا في مهمات التصنيف بين الأفراد وجلسات التسجيل المختلفة. وبلغت معدلات الدقة المتوسطة 58.08%، متفوقة بشكل كبير على الطرق الحالية لتكيف المجال.

أهم ما يميز PGUDA هو كفاءته في استخدام البيانات، حيث استطاع تحقيق دقة تصنيف تعادل تلك التي تم الوصول إليها في المعيار المراقب بالكامل، مع الحاجة فقط إلى 5% من البيانات المصنفة لتدريب شبكة المعلم. يقدم هذا الإطار حلاً قويًا وفعالاً من حيث البيانات، يمكن أن يقلل كثيرًا من عبء المعايرة في أنظمة التعرف على الإيماءات المعتمدة على sEMG.