AI-vezérelt bionikus kar: EEG+EMG vezérlés olcsón

Egy felső végtagi protézis akkor használható igazán a mindennapokban, ha kiszámíthatóan, gyorsan és „gondolatra” működik – nem pedig külön gombokkal, kényelmetlen kapcsolókkal vagy hosszú betanulással. A gond csak az, hogy az intuitív vezérlésű megoldások jellemzően drágák, és sokszor épp azokhoz nem jutnak el, akiknek a legnagyobb szükségük lenne rájuk.

A BIONIX nevű projekt (2025.12.07-én benyújtott kutatás) józan, mérnöki választ ad erre: két biológiai jel kombinálásával (EEG + EMG) egyszerű, valós idejű, több szabadságfokú vezérlést hoz létre, miközben a prototípus teljes költsége kb. 240 USD. Ez nem marketing-szám: az anyaglista és a komponensek típusa alapján reálisan „összerakható” irányt mutat – és pont ezért érdekes az egészségügyi AI szempontjából.

A „Mesterséges intelligencia az egészségügyben” sorozatban sokat beszélünk diagnózistámogatásról és képalkotásról. Itt viszont az AI nem képet elemez, hanem mozdulatot tesz lehetővé: beágyazott gépi tanulással (ESP32-n) hoz döntést egy orvostechnikai eszközben, vezeték nélkül, valós időben.

Miért pont EEG + EMG? A két jel együtt praktikusabb

Röviden: az EEG jó „kapcsoló”, az EMG jó „motor”. Külön-külön mindkettőnek van gyenge pontja, együtt viszont sokkal stabilabb, használhatóbb vezérlés jön ki.

Az EEG (elektroenkefalográfia) fejbőrről mért agyi aktivitás. Hétköznapi, olcsó eszközökkel nem fogsz „finom ujjtartásokat” olvasni belőle, viszont bizonyos események – például erős pislogás – megbízhatóbban felismerhetők.

Az EMG (elektromiográfia) az izmok elektromos aktivitása. Protéziseknél klasszikus jel, és jó is: ha van maradék izommunka, akkor az EMG természetesebb mozgásvezérlést ad. Ugyanakkor zajos lehet, elcsúszhat az elektróda, izzadás is bezavar.

A BIONIX logikája ezért tetszik:

• EEG-vel egy egyszerű, egyértelmű állapotváltást old meg (kéz nyit/zár).
• EMG-vel pedig a nagyobb, izomlogikához illő folyamatosabb vezérlést (könyök mozgatás).

Ez a „szétválasztott feladatkiosztás” tipikusan az, amit a jó egészségügyi eszköztervezésnél látni akarunk: a jel ott dolgozzon, ahol erős.

Hogyan működik a BIONIX-prototípus a gyakorlatban?

Röviden: két külön vezeték nélküli lánc fut, két ESP32-vel, és mindkettő helyben dönt. Ettől a rendszer egyszerű, skálázható és – ami protézisnél kritikus – alacsony késleltetésű lehet.

EEG-ág: pislogásból megbízható „kéz nyit/zár”

A projekt egy kereskedelmi EEG headsetet használ (NeuroSky MindWave Mobile 2), amely Bluetooth csomagokban továbbítja az adatot. Ezt a jelet egy ESP32 mikrokontroller fogadja, majd egy könnyű (lightweight) osztályozó modellt futtat.

A kutatás szerint a tanítás:

• 1500 másodpercnyi rögzített EEG adaton történt,
• 6 képkockás csúszóablak (sliding window) módszerrel,
• aluláteresztő szűréssel,
• a rossz jelminőségű minták kizárásával,
• 70/20/10 arányú tanító/validáló/teszt felosztással.

A modell célja nem „gondolatolvasás”. Sokkal praktikusabb: az erős pislogás detektálása, ami egyértelmű esemény. Ezzel a rendszer váltogat a kéz nyitott és zárt állapota között.

A jó beágyazott AI egyik titka az, hogy nem mindent akar megoldani – csak azt, ami megbízhatóan megoldható.

EMG-ág: küszöbérték + stabilitási szabály a könyökhöz

Az EMG-t egy MyoWare 2.0 szenzor méri, és egy vezeték nélküli modulon keresztül jut el a második ESP32-re. Itt nem gépi tanulás fut, hanem küszöbérték-alapú osztályozás, ami sokszor kifejezetten jó választás valós idejű irányításnál.

Három „aktivációs sávot” definiálnak:

• nyugalom: 0–T1
• extenzió: T1–T2
• kontrakció: T2 felett

A kulcstrükk a stabilitás: a mozgás csak akkor indul, ha 8 egymást követő képkocka ugyanabba a mozgásosztályba esik. Ez olyan, mint egy beépített „remegésgátló” – csökkenti a véletlen rángásokat és a zaj miatti téves mozdulatokat.

Aktuátorok: külön szervók az ujjakra és a könyökre

A prototípusban:

• az EEG-vezérelt ESP32 mozgat 4 ujj-szervót,
• az EMG-vezérelt ESP32 mozgat 2 könyök-szervót.

A felosztás nemcsak technikai. Klinikai szemmel is fontos: a kéz nyit/zár funkciója gyakran az egyik legnagyobb „életminőség-nyereség” (fogás, tárgy megtartása), a könyök pedig a pozicionálást adja.

A „low-cost” itt nem jelző, hanem hozzáférés: miért számít a 240 USD?

Röviden: az ár nem csak pénzügyi kérdés, hanem ellátási kérdés. Ha egy rendszer túl drága, akkor nem skálázódik sem országon belül, sem globálisan.

A BIONIX esetében a teljes prototípus kb. 240 dollár. A szerző külön kiemeli, hogy a költségek jelentős része a kereskedelmi EEG headset.

Ez két irányba nyit ajtót:

1. Fejlesztési út: ha az EEG komponens olcsóbbá válik (vagy alternatív mérés jön), a teljes rendszer ára drasztikusan csökkenhet.
2. Egészségügyi bevezetés: a low-cost nem azt jelenti, hogy „olcsó és gyenge”, hanem hogy reálisan beszerezhető alacsony erőforrású környezetben is.

A magyar valóságban is ismerős a probléma: a rehabilitációhoz kapcsolódó eszközök sokszor várólisták, finanszírozási limit és ellátási egyenlőtlenségek között mozognak. Én azt látom, hogy a következő 3–5 évben azok a megoldások fognak terjedni, amelyek nem csak technológiailag működnek, hanem logisztikailag is vállalhatók.

Hol jön be az AI az egészségügybe – és mi köze a telemedicinához?

Röviden: a döntés helyben születik, de a követés távolról is megoldható. Ez a kombináció (edge AI + vezeték nélküli eszköz) tipikusan az a híd, ami a modern telemedicinához kell.

A BIONIX rendszerben az AI (EEG-osztályozó) az ESP32-n fut. Ez több szempontból „egészségügyi kompatibilis” gondolkodás:

• Adatminimalizálás: nem kell minden nyers bioszenzor adatot felküldeni a felhőbe.
• Alacsony késleltetés: a mozdulat nem „szerverválaszra vár”.
• Robusztusság: gyengébb internet esetén is működik.

Ugyanakkor a vezeték nélküli működés teret ad annak, amit a telemedicinában nagyon szeretnénk:

• távoli beállítás (küszöbértékek, érzékenység),
• otthoni tréning támogatása,
• használati minták elemzése (mikor fárad az izom, mennyi ideig használható komfortosan).

És itt kapcsolódik vissza a sorozat fő témájához: az AI nemcsak diagnosztizál, hanem személyre szabott rehabilitációt is támogat – akár otthon.

Mit érdemes továbbfejleszteni, hogy ebből klinikailag is erős termék legyen?

Röviden: mechanika, késleltetés, erő, és egy korrekt validációs terv. A kutatás maga is több fejlesztési irányt megnevez, és ezek mind „valódi” problémák.

1) Mechanikai váz: 3D nyomtatás és méretezhetőség

A jövőbeli terv a 3D nyomtatott váz. Ez nem esztétika: a 3D nyomtatás

• egyénre szabható (csonk méret, karhossz),
• gyorsan iterálható,
• helyben gyártható.

2) EMG késleltetés: jobb jelmodell, kevesebb várakozás

A szerző említi az auto-regresszív modellek integrálását az EMG késleltetés csökkentésére. Ez tipikusan azt jelenti, hogy a rendszer nem csak „most mit látok”, hanem „merre tart a jel” alapon dönt.

A 8 képkockás stabilitási szabály jó a biztonsághoz, de ára van: lassíthatja a reakciót. Klinikai használatnál a cél sokszor az, hogy:

• legyen stabil,
• de ne legyen „lustán reagáló”.

3) Szervónyomaték és fogáserő: a hétköznap itt dől el

A prototípusnál felmerül a szervónyomaték növelése. Ez kritikus, mert ha a kéz csak könnyű tárgyat tud megfogni, a felhasználó hamar félreteszi.

4) Validáció: nem elég működni, mérni kell

Ha ebből termék vagy klinikai pilot lesz, kell egy mérési keret:

• reakcióidő (ms),
• téves aktiválások aránya,
• feladatteljesítés (pl. tárgy megfogás és áthelyezés ideje),
• felhasználói komfort és fáradás.

Én erősen állítom: az AI-orvostechnikában nem az nyer, aki a legbonyolultabb modellt futtatja, hanem aki a legjobban mér és ebből következetesen fejleszt.

Gyakori kérdések, amiket ilyenkor mindenki feltesz

„Miért pislogással vezérlik a kezet?”

Mert olcsó EEG-vel a pislogás megbízható esemény, és kéz nyit/zárhoz pont elég egy stabil kapcsolójel.

„Miért nem csak EMG?”

Sok felhasználónál az EMG önmagában elég lehet, de a dual-signal megközelítés:

• redundanciát ad,
• csökkentheti a téves aktiválásokat,
• több funkciót tesz elérhetővé.

„Hol van ebben a mesterséges intelligencia?”

Az EEG oldalon egy beágyazott osztályozó modell dönt valós időben. Ez tipikus „edge AI” egészségügyi eszközben.

Következő lépés: ha AI-t építesz egészségügyi eszközbe, innen érdemes indulni

A BIONIX üzenete számomra egyszerű: a hozzáférhető AI az, ami beépül a mindennapokba. Dual-signal vezérlés, vezeték nélküli kommunikáció, helyben futó döntés – ez mind olyan minta, amit ma már nem csak kutatásban, hanem gyakorlati fejlesztésben is érdemes követni.

Ha a te csapatod egészségügyi AI-megoldáson dolgozik (protézis, rehabilitációs eszköz, távmonitoring), akkor három kérdést tennék fel már a tervezés első hetében:

1. Mi az a jel, ami tényleg stabil a valós életben?
2. Mi futtatható helyben, késleltetés nélkül?
3. Mi az a minimális funkcionalitás, ami már érezhető életminőség-javulást ad?

A következő posztokban visszatérünk arra, hogyan lehet az edge AI-t (beágyazott gépi tanulást) biztonságosan skálázni egészségügyi környezetben. Addig is: te melyik területen látod a legnagyobb értelmét a dual-signal megközelítésnek – rehabilitációban, távfelügyeletben, vagy akár kórházi eszközök vezérlésében?