211service.com
Muskelbundet computergrænseflade
Det er et godt tidspunkt at kommunikere med computere. Vi er ikke længere begrænset af musen og tastaturet – berøringsskærme og gestus-baserede controllere bliver mere og mere almindelige. Et startup kaldet Emotiv Systems sælger endda en kasket, der aflæser hjerneaktivitet, hvilket gør det muligt for brugeren at styre et computerspil med sine tanker.
Luftguitar: Software fortolker signaler, der sendes fra elektromyografisensorer, der er knyttet til en underarm, hvilket gør det muligt for brugeren at styre computerspil såsom Guitar Hero og Rock Band.
Nu har forskere ved Microsoft, University of Washington i Seattle og University of Toronto i Canada fundet på en anden måde at interagere med computere på: en muskelstyret grænseflade, der giver mulighed for håndfri, gestusinteraktion.
Et bånd af elektroder fastgøres til en persons underarm og aflæser elektrisk aktivitet fra forskellige armmuskler. Disse signaler er derefter korreleret til specifikke håndbevægelser, såsom at røre en finger og tommelfinger sammen, eller at gribe en genstand strammere end normalt. Forskerne forestiller sig at bruge teknologien til at skifte sange i en MP3-afspiller, mens de løber, eller til at spille et spil som Guitar Hero uden den sædvanlige plastikcontroller.
Muskelbaseret computerinteraktion er ikke nyt. Faktisk bruges musklerne i nærheden af et amputeret eller manglende lem nogle gange til at kontrollere mekaniske proteser. Men mens forskere har udforsket muskel-computer-interaktion for ikke-handicappede brugere før, har tilgangen haft begrænset praktisk anvendelighed. Det er svært at udlede bevægelser pålideligt fra muskelbevægelser, så sådanne grænseflader har ofte været begrænset til at fornemme et begrænset udvalg af bevægelser eller bevægelser.
Multimedier
Se muskel-computer-grænsefladen koblet til Microsoft Surface.
Det nye muskelsansende projekt går efter sunde forbrugere, der ønsker rigere input-modaliteter, siger Desney tan , en forsker hos Microsoft. Som følge heraf måtte han og hans kolleger komme med et system, der var billigt og diskret, og som pålideligt fornemmede en række bevægelser.
Gruppens seneste grænseflade, præsenteret på Brugergrænsefladesoftware og teknologi konference tidligere på måneden i Victoria, British Columbia, bruger seks elektromyografisensorer (EMG) og to jordelektroder arrangeret i en ring omkring en persons øverste højre underarm til at registrere fingerbevægelser og to sensorer på den øverste venstre underarm til at genkende håndklemninger. Mens disse sensorer er forbundet og individuelt placeret, er deres orientering ikke nøjagtig - det vil sige, at specifikke muskler ikke er målrettet. Det betyder, at resultaterne bør være ens for et tyndt, EMG-armbånd, som en utrænet person kunne glide på uden assistance, siger Tan. Forskningen bygger på tidligere arbejde, der involverede et dyrere EMG-system til at fornemme fingerbevægelser, når en hånd lægges på en flad overflade.
Sensorerne kan ikke præcist fortolke muskelaktivitet med det samme. Software skal trænes til at forbinde de elektriske signaler med forskellige bevægelser. Forskerne brugte standard maskinlæringsalgoritmer, som forbedrer deres nøjagtighed over tid (tilgangen ligner den, Tan bruger til sine hjerne-computer-grænseflader).
Vi brugte meget tid på at finde ud af, hvordan vi skulle få brugeren til at kalibrere enheden på en passende måde, siger Tan. Softwaren lærer at genkende EMG-signaler, der produceres, når brugeren udfører bevægelser på en bestemt, kontrolleret måde.
Algoritmerne fokuserer på tre specifikke funktioner fra EMG-dataene: størrelsen af muskelaktivitet, hastigheden af muskelaktivitet og de bølgelignende aktivitetsmønstre, der opstår på tværs af flere sensorer på én gang. Disse tre funktioner, siger Tan, giver en ret præcis måde at identificere visse typer gestus på. Efter træning kunne softwaren nøjagtigt bestemme mange af deltagernes bevægelser mere end 85 procent af tiden, og nogle bevægelser mere end 90 procent.
Især i de tidlige stadier af træningen skal en deltagers gestus vejledes omhyggeligt for at sikre, at maskinlæringsalgoritmerne trænes korrekt. Men Tan siger, at selv med en lille mængde feedback ville testpersoner ret naturligt tilpasse sig og ændre stillinger og bevægelser for at få drastisk forbedret ydeevne. Han siger, at det blev en vigtig del af træningsprocessen at få brugere til at udløse den passende respons fra systemet.
De fleste af nutidens computergrænseflader kræver brugerens fulde opmærksomhed, siger Pattie Maes , professor i mediekunst og -videnskab ved MIT. Vi har desperat brug for nye grænseflader som den, der er udviklet af Microsoft-teamet for at muliggøre en mere problemfri integration af digital information og applikationer i vores travle hverdag.
Tan og kolleger arbejder nu på en prototype, der bruger et trådløst bånd, der nemt kan sættes på en persons arm, samt et meget hurtigt træningssystem. Forskerne tester også, hvor godt systemet fungerer, når folk går og løber, mens de har det på.
I sidste ende, siger Tan, vil fuldkropskontrol føre til fundamentalt nye måder at bruge computere på. Vi ved, at det har noget at gøre med, at bevægelser er mobile, altid tilgængelige og naturlige, men vi arbejder stadig på det præcise paradigme, siger han.