Muovere un dito sembra il gesto più semplice del mondo. Dietro quel movimento, però, c’è una complessa sequenza di impulsi nervosi e contrazioni muscolari che produce anche piccoli segnali elettrici misurabili sulla superficie della pelle. È proprio lì che un gruppo di ricercatori della Zhejiang Sci-Tech University ha cercato una sorta di “firma” dei movimenti della mano. In uno studio pubblicato il 9 agosto 2026 su Scientific Reports, gli scienziati hanno sviluppato un modello di intelligenza artificiale capace di analizzare i segnali raccolti attraverso l’elettromiografia di superficie, o sEMG, e associarli a differenti gesti delle dita, della mano e del polso. L’obiettivo è trasformare l’attività elettrica dei muscoli in comandi che una macchina possa riconoscere, aprendo prospettive che vanno dalle protesi intelligenti alla robotica riabilitativa fino alle interfacce per realtà virtuale e aumentata.
Il principio è relativamente semplice, anche se la tecnologia che lo rende possibile non lo è. Gli elettrodi posizionati sull’avambraccio registrano variazioni dell’attività elettrica dei muscoli mentre una persona esegue un movimento. Il problema è che questi segnali sono complessi, cambiano nel tempo e possono assomigliarsi anche quando i gesti sono differenti. I ricercatori hanno quindi costruito un sistema che combina tre architetture di deep learning: un Transformer, un meccanismo di “channel attention” e una rete BiLSTM. In termini semplici, l’algoritmo cerca contemporaneamente quali segnali muscolari sono più importanti, come cambiano nel tempo e quali combinazioni distinguono un gesto dall’altro. Il modello rimane inoltre relativamente compatto: secondo gli autori conta circa 200 mila parametri, molti meno rispetto ad alcune architetture più pesanti utilizzate per lo stesso tipo di problema.
Per metterlo alla prova gli studiosi hanno utilizzato due database pubblici, NinaPro DB5 e BandMyo. NinaPro DB5 contiene registrazioni ottenute da 10 persone senza amputazioni attraverso due fasce dotate complessivamente di 16 sensori sEMG; il protocollo originale comprende numerosi movimenti della mano e del polso. BandMyo raccoglie invece segnali provenienti da sei giovani adulti impegnati nell’esecuzione di 15 gesti statici. Sul NinaPro DB5 il nuovo modello ha raggiunto un’accuratezza complessiva dell’81,96%, con un F1-score pesato di 0,82. Per alcuni movimenti il riconoscimento è risultato molto più preciso: il gesto identificato nello studio come “Gesture 9” è arrivato al 96,55% di accuratezza. Non significa quindi che il sistema riconosca qualsiasi movimento della mano nel 96,55% dei casi: quel numero rappresenta il risultato migliore ottenuto su uno specifico gesto, mentre la percentuale complessiva rimane più bassa.
È qui che si intravede l’applicazione forse più affascinante: una futura protesi potrebbe interpretare l’attività dei muscoli residui dell’avambraccio e convertirla nel movimento desiderato della mano artificiale. Ma lo studio non dimostra ancora che questa tecnologia possa controllare una protesi nella vita quotidiana. I dati utilizzati provengono da piccoli gruppi di persone senza amputazioni e da esperimenti condotti in condizioni definite; nella realtà, i segnali sEMG possono variare con la posizione del braccio, lo spostamento degli elettrodi, il sudore, la fatica e altre condizioni. Studi dedicati alla raccolta di dati più realistici sottolineano inoltre quanto sia importante includere direttamente persone con differenze degli arti, perché i loro segnali possono avere caratteristiche diverse da quelli dei soggetti senza amputazioni. Il lavoro pubblicato su Scientific Reports rappresenta quindi soprattutto un avanzamento nell’interpretazione algoritmica dell’attività muscolare, non una protesi già pronta per l’uso. La promessa, però, è significativa: rendere sempre più sottile il confine tra l’intenzione di compiere un gesto e la capacità di una macchina di comprenderla.
⸻
Cao T., Liu H., Wu J. et al., “Deep learning model cascade in electromyography decoding for gesture classification”, Scientific Reports, pubblicato il 9 agosto 2026. DOI: 10.1038/s41598-026-65841-6.