애플, EMG 기반 제스처 인식 AI 공개…웨어러블 혁신 예고

[디지털투데이 AI리포터] 애플이 기존 학습 데이터에 포함되지 않은 새로운 손 제스처까지 인식할 수 있는 인공지능(AI) 모델 연구를 공개했다.

11일(현지시간) IT 매체 나인투파이브맥에 따르면, 애플은 머신러닝 연구 블로그를 통해 'EMBridge: EMG 신호 기반 제스처 일반화 향상을 위한 교차모달 표현 학습 프레임워크’ 연구를 발표했다. 해당 연구는 오는 4월 열리는 ICLR 2026에서 공개될 예정이다.

연구진은 기존 데이터에 존재하지 않는 손 동작도 인식할 수 있도록 설계된 ‘EMBridge’ 프레임워크를 개발했다. EMBridge는 근전도 신호(EMG)와 손 자세 데이터 사이의 차이를 연결하는 교차모달 표현 학습 기술이다.

EMG는 근육이 수축할 때 발생하는 전기 신호를 측정하는 기술로, 의료 진단이나 재활 치료 등 다양한 분야에서 활용된다. 최근에는 웨어러블 기기와 증강·가상현실(AR/VR) 인터페이스에서도 활용이 확대되고 있다.

예를 들어 메타는 손목 착용형 장치 뉴럴 밴드(Neural Band)를 통해 사용자의 근육 신호를 해석해 레이밴 메타 스마트 글래스 기능을 제어하는 기술을 개발하고 있다.

애플 연구에서는 손목 착용형 장치에서 직접 EMG 신호를 수집하지 않았다. 대신 EMG 신호 데이터셋과 손 자세 데이터셋을 각각 활용해 모델을 학습시켰다. 연구진은 두 데이터 표현을 사전 학습한 뒤 표현 정렬(alignment) 과정을 통해 EMG 인코더가 손 자세 인코더의 정보를 학습하도록 설계했다. 이후 마스크된 손 자세 재구성 방식을 적용해 EMG 신호만으로도 손 자세를 복원하도록 모델을 훈련했다.

또한 EMBridge는 유사한 손 제스처를 서로 다른 동작으로 오인하는 문제를 줄이기 위해 유사한 손 자세를 동일한 ‘소프트 타깃’으로 학습하도록 설계했다. 이를 통해 모델의 표현 공간을 구조화하고 새로운 제스처에 대한 일반화 능력을 높였다.

연구진은 EMBridge를 'emg2pose'와 'NinaPro dataset' 벤치마크에서 평가했다. 그 결과 훈련 데이터에 없는 ‘제로샷 제스처’ 인식에서 기존 방법보다 높은 성능을 보였다. 특히 전체 훈련 데이터의 40%만 사용한 환경에서도 높은 정확도를 유지하는 결과를 얻었다.

다만 EMBridge는 EMG 신호와 손 자세 데이터가 동시에 존재하는 데이터셋에 의존하기 때문에, 이러한 데이터를 확보하는 과정이 쉽지 않다는 한계가 있다. 그럼에도 업계에서는 EMG 기반 인터페이스가 확대되는 상황에서 의미 있는 연구 성과라는 평가가 나온다.