{"id":626092,"date":"2026-08-10T05:12:16","date_gmt":"2026-08-10T05:12:16","guid":{"rendered":"https:\/\/www.europesays.com\/it\/626092\/"},"modified":"2026-08-10T05:12:16","modified_gmt":"2026-08-10T05:12:16","slug":"protesi-comandate-dai-muscoli-che-riconoscono-i-gesti-della-mano-dai-segnali-elettrici","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/it\/626092\/","title":{"rendered":"Protesi comandate dai muscoli che riconoscono i gesti della mano dai segnali elettrici"},"content":{"rendered":"

Muovere un dito sembra il gesto pi\u00f9 semplice del mondo. Dietro quel movimento, per\u00f2, c\u2019\u00e8 una complessa sequenza di impulsi nervosi e contrazioni muscolari che produce anche piccoli segnali elettrici misurabili sulla superficie della pelle. \u00c8 proprio l\u00ec che un gruppo di ricercatori della Zhejiang Sci-Tech University<\/strong> ha cercato una sorta di \u201cfirma\u201d dei movimenti della mano. In uno studio pubblicato il 9 agosto 2026 su Scientific Reports<\/strong>, gli scienziati hanno sviluppato un modello di intelligenza artificiale<\/strong> capace di analizzare i segnali raccolti attraverso l\u2019elettromiografia di superficie, o sEMG<\/strong>, e associarli a differenti gesti delle dita, della mano e del polso. L\u2019obiettivo \u00e8 trasformare l\u2019attivit\u00e0 elettrica dei muscoli in comandi che una macchina possa riconoscere<\/strong>, aprendo prospettive che vanno dalle protesi intelligenti alla robotica riabilitativa fino alle interfacce per realt\u00e0 virtuale e aumentata.<\/p>\n

<\/a><\/p>\n

Il principio \u00e8 relativamente semplice, anche se la tecnologia che lo rende possibile non lo \u00e8. Gli elettrodi posizionati sull\u2019avambraccio registrano variazioni dell\u2019attivit\u00e0 elettrica dei muscoli mentre una persona esegue un movimento. Il problema \u00e8 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<\/strong>, un meccanismo di \u201cchannel attention\u201d<\/strong> e una rete BiLSTM<\/strong>. In termini semplici, l\u2019algoritmo cerca contemporaneamente quali segnali muscolari sono pi\u00f9 importanti, come cambiano nel tempo e quali combinazioni distinguono un gesto dall\u2019altro<\/strong>. Il modello rimane inoltre relativamente compatto: secondo gli autori conta circa 200 mila parametri<\/strong>, molti meno rispetto ad alcune architetture pi\u00f9 pesanti utilizzate per lo stesso tipo di problema.<\/p>\n

<\/a><\/p>\n

Per metterlo alla prova gli studiosi hanno utilizzato due database pubblici, NinaPro DB5<\/strong> e BandMyo<\/strong>. NinaPro DB5<\/strong> contiene registrazioni ottenute da 10 persone<\/strong> senza amputazioni attraverso due fasce dotate complessivamente di 16 sensori sEMG<\/strong>; il protocollo originale comprende numerosi movimenti della mano e del polso. BandMyo<\/strong> raccoglie invece segnali provenienti da sei giovani adulti<\/strong> impegnati nell\u2019esecuzione di 15 gesti statici<\/strong>. Sul NinaPro DB5<\/strong> il nuovo modello ha raggiunto un\u2019accuratezza complessiva dell\u201981,96%, con un F1-score pesato di 0,82<\/strong>. Per alcuni movimenti il riconoscimento \u00e8 risultato molto pi\u00f9 preciso: il gesto identificato nello studio come \u201cGesture 9\u201d \u00e8 arrivato al 96,55% di accuratezza<\/strong>. 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 pi\u00f9 bassa.<\/p>\n

<\/a><\/p>\n

\u00c8 qui che si intravede l\u2019applicazione forse pi\u00f9 affascinante: una futura protesi<\/strong> potrebbe interpretare l\u2019attivit\u00e0 dei muscoli residui dell\u2019avambraccio e convertirla nel movimento desiderato della mano artificiale. Ma lo studio non dimostra ancora che questa tecnologia possa controllare una protesi nella vita quotidiana<\/strong>. I dati utilizzati provengono da piccoli gruppi di persone senza amputazioni e da esperimenti condotti in condizioni definite; nella realt\u00e0, 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 pi\u00f9 realistici sottolineano inoltre quanto sia importante includere direttamente persone con differenze degli arti, perch\u00e9 i loro segnali possono avere caratteristiche diverse da quelli dei soggetti senza amputazioni. Il lavoro pubblicato su Scientific Reports<\/strong> rappresenta quindi soprattutto un avanzamento nell\u2019interpretazione algoritmica dell\u2019attivit\u00e0 muscolare, non una protesi gi\u00e0 pronta per l\u2019uso. La promessa, per\u00f2, \u00e8 significativa: rendere sempre pi\u00f9 sottile il confine tra l\u2019intenzione di compiere un gesto e la capacit\u00e0 di una macchina di comprenderla.<\/strong><\/p>\n

\"\"<\/strong><\/p>\n

\u2e3b<\/p>\n

Cao T., Liu H., Wu J. et al., \u201cDeep learning model cascade in electromyography decoding for gesture classification\u201d, Scientific Reports, pubblicato il 9 agosto 2026. DOI: 10.1038\/s41598-026-65841-6.<\/p>\n

Link alla pubblicazione<\/strong><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"Muovere un dito sembra il gesto pi\u00f9 semplice del mondo. Dietro quel movimento, per\u00f2, c\u2019\u00e8 una complessa sequenza…\n","protected":false},"author":3,"featured_media":626093,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[173],"tags":[345515,668,1537,90,89,345514,345517,174000,22769,345518,195,198,199,327364,197,200,201,345516,194,196,345513],"class_list":["post-626092","post","type-post","status-publish","format-standard","has-post-thumbnail","category-scienza-e-tecnologia","tag-bandmyo","tag-intelligenza-artificiale","tag-it","tag-italia","tag-italy","tag-ninapro-db5","tag-protesi-intelligenti","tag-realta-aumentata","tag-realta-virtuale","tag-robotica-riabilitativa","tag-science","tag-science-and-technology","tag-scienceandtechnology","tag-scientific-reports","tag-scienza","tag-scienza-e-tecnologia","tag-scienzaetecnologia","tag-semg","tag-technology","tag-tecnologia","tag-zhejiang-sci-tech-university"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@it\/117069503488214820","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/626092","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/comments?post=626092"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/626092\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media\/626093"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media?parent=626092"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/categories?post=626092"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/tags?post=626092"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}