Apple이 웨어러블 센서를 사용해 이전에 보지 못한 손 제스처를 인식하도록 AI를 훈련시켰다
Source: 9to5Mac
Source: 9to5Mac – “Apple teaches AI new hand gestures” (July 2025)
Apple AI 손 제스처 연구
Apple은 최근 원래 학습 데이터셋에 포함되지 않은 손 제스처를 인식하도록 AI 모델을 훈련시켰습니다. 연구의 핵심 내용은 다음과 같습니다:
- 목표: 모델이 새롭고 보지 못한 제스처를 이해하는 능력을 확장한다.
- 접근법: 보조 제스처 데이터 세트를 도입하고 전이 학습 기법을 사용해 기존 모델을 미세 조정했다.
- 결과: 업데이트된 모델은 원래 세트의 성능을 유지하면서 새로운 제스처에 대해 큰 정확도 향상을 달성했다.
- 시사점: Apple의 AI가 사용자 정의 입력에 적응할 수 있음을 보여주며, 기기 전반에 걸쳐 보다 유연하고 개인화된 상호작용을 가능하게 한다.
EMG란 무엇인가?
Apple은 머신러닝 연구 블로그에 새로운 연구를 발표했습니다. EMBridge: EMG 신호를 통한 제스처 일반화 향상을 위한 교차‑모달 표현 학습. 이 연구는 4월에 열리는 **ICLR 2026 컨퍼런스**에서 발표될 예정입니다.
간단한 소개: EMG
- **EMG(근전도)**는 근육이 수축할 때 발생하는 전기 활동을 측정합니다.
- 응용 분야는 의료 진단 및 물리 치료부터 의수·보조기 제어, 웨어러블, AR/VR 인터랙션까지 다양합니다.
예시: Meta의 Ray‑Ban Display 안경은 “Neural Band”(손목에 착용하는 장치)를 사용해 “근육 신호를 해석하여 Meta Ray‑Ban Display의 기능을 탐색합니다.”
연구에 사용된 데이터셋
| 데이터셋 | 설명 | 주요 통계 |
|---|---|---|
| emg2pose | 대규모 오픈소스 EMG 데이터셋으로 손 자세 데이터와 동기화됨. | • 370 시간의 sEMG • 193명의 동의한 사용자 • 29개의 행동 그룹(이산 및 연속 움직임) • 8천만 개 이상의 자세 라벨 • 제스처 카테고리당 4개의 녹음 세션(다른 EMG 밴드 배치) • 입력으로 2초 비중첩 윈도우 |
| NinaPro DB2 | 사전 학습을 위한 EMG‑자세 쌍 데이터. | • 40명 피험자 • 49가지 손 제스처(손가락 굴곡, 기능적 잡기, 복합 움직임) • 전완 12개 전극, 2 kHz 샘플링 • 데이터 장갑으로 손 운동학 캡처 |
| NinaPro DB7 (다운스트림 분류에 사용) | DB2와 동일한 장치 및 제스처 세트이지만, 20명의 비절단 피험자에게서 수집됨. | • 제스처 분류를 위한 평가 세트 |
Processing details (emg2pose): EMG는 인스턴스 정규화되고, 대역통과 필터링(2–250 Hz) 및 60 Hz 노치 필터링이 적용됩니다.
EMBridge가 중요한 이유
연구에 따르면 EMBridge는 손목 착용 장치(예: 향후 Apple Watch 모델 또는 스마트 안경)가 다음을 가능하게 할 수 있습니다:
- EMG 신호로부터 손 제스처를 지속적으로 추론합니다.
- VR/AR에서 가상 아바타를 구동합니다.
- 보철 또는 로봇 손을 제어합니다.
“우리 프레임워크의 잠재적인 실용적 적용 사례는 착용형 인간‑컴퓨터 인터페이스입니다. VR/AR 및 보철 제어와 같은 시나리오에서 손목 착용 장치는 EMG를 통해 손 제스처를 지속적으로 추론하여 가상 아바타나 로봇 손을 구동해야 합니다.” – Apple 연구팀
실제로 이는 새로운 상호작용 방식을 열어주고, 접근성을 향상시키며, Apple의 웨어러블 생태계(Apple Vision Pro, Mac, iPhone, 그리고 소문난 스마트 안경)를 확대할 수 있습니다.
논문 자체는 특정 향후 Apple 제품을 언급하고 있지는 않지만, 이 기술은 Apple 하드웨어 라인 전체에 걸쳐 보다 풍부한 EMG 기반 사용자 경험을 구현할 길을 명확히 열어줍니다.
EMBridge란?
EMBridge는 실제 EMG 근육 신호와 구조화된 손 자세 데이터 사이의 격차를 메워줍니다. 학습 파이프라인은 다음과 같이 구성됩니다:
- EMG와 손 자세 데이터를 각각 사전 학습합니다.
- 두 표현을 정렬하여 EMG 인코더가 자세 인코더로부터 학습할 수 있게 합니다.
- 마스크된 자세 복원 단계에서는 자세 데이터의 일부를 가리고, 모델이 EMG 정보만을 사용해 이를 복원하도록 합니다.
소프트‑타깃 학습
유사한 제스처가 부정 예제로 처리되어 발생하는 오류를 줄이기 위해, 저자들은 소프트 타깃을 도입했습니다. 소프트 타깃은:
- 표현 공간을 구조화하고
- 보지 못한 제스처에 대한 일반화를 향상시킵니다
평가
EMBridge는 두 가지 벤치마크, emg2pose와 NinaPro에서 평가되었으며, 특히 제로‑샷(한 번도 보지 않은) 제스처 인식에서 기존 방법들을 지속적으로 능가했습니다. 또한 학습 데이터의 40 %만 사용했습니다.
한계점
- 모델은 EMG 신호와 동기화된 손 자세 데이터가 모두 포함된 데이터셋에 의존하는데, 이러한 데이터는 수집이 어렵고 비용이 많이 듭니다.
- 그럼에도 불구하고, EMG 기반 장치 제어가 주목받는 시점에 이 연구는 의미가 큽니다.
전체 기술 세부 사항—Q‑Former, MPRL, CASCLe 구성 요소 포함—은 원본 논문을 읽어보세요.
Amazon에서 확인해 볼 만한 제품
- David Pogue의 Apple: The First 50 Years
- Logitech MX Master 4
- AirPods Pro 3
- AirTag (2세대) – 4개 팩
- Apple Watch Series 11
- 무선 CarPlay 어댑터
FTC: 우리는 수익을 창출하는 자동 제휴 링크를 사용합니다. 자세히 보기