Загрузка
Загружаем соревнования
Представьте, что компьютер может понять, как вы двигаете пальцами, даже не видя вашу руку.
Когда человек сгибает или разгибает пальцы, мышцы предплечья создают электрические сигналы. Их можно зарегистрировать с помощью электромиографии (ЭМГ) — метода измерения электрической активности мышц.
Но можно ли по этим сигналам восстановить само движение? Узнать не просто, какой палец человек пытается согнуть, а определить положение каждого пальца в каждый момент времени?
Именно эту задачу вам предстоит решить в нашем хакатоне.
Вы разработаете модель машинного обучения, которая будет преобразовывать сигналы мышц в движения виртуальной кисти.
Подобные технологии могут применяться в управлении протезами, виртуальной и дополненной реальности, робототехнике и новых интерфейсах взаимодействия человека с компьютером.
Вам предстоит научить модель восстанавливать движения кисти по сигналам ЭМГ.
На вход модель получает электрическую активность мышц предплечья, записанную с помощью шести каналов ЭМГ.
На выходе она должна предсказывать 20 углов, описывающих положение пальцев: по четыре угловых значения для каждого из пяти пальцев.
Это задача регрессии, а не классификации жестов.
Например, недостаточно определить, что человек сгибает указательный палец. Необходимо предсказать, насколько именно он согнут, как меняется его положение во времени и что при этом происходит с остальными пальцами.
Сигналы ЭМГ не так просты, как могут показаться.
Они зависят не только от выполняемого движения, но и от множества других факторов: расположения электродов, положения руки, особенностей мышечной активности и условий записи.
Поэтому модель, которая отлично предсказывает движения на знакомых данных, может заметно ошибаться на новых записях.
Главная цель — не просто запомнить обучающие примеры, а научиться извлекать из сигналов закономерности, которые работают и на новых данных.
Для решения можно использовать разные подходы: от классических методов обработки сигналов и машинного обучения до нейронных сетей. Выбор алгоритма и экспериментов остаётся за вами.
В соревновании используются записи ЭМГ и движений кисти одного здорового участника, собранные в разные дни и в нескольких сеансах.
Записи включают движения отдельных пальцев и всей кисти.
Каждая запись представляет собой временной ряд:
Вы получите три основных компонента.
1. Обучающая выборка (train)
Реальные записи ЭМГ и соответствующие им углы пальцев.
Кроме самих сигналов и ответов, вам доступны метаданные: анонимные идентификаторы дней и сеансов записи, а также названия выполняемых движений.
Эту информацию можно использовать при обучении, анализе данных и проверке качества моделей.
2. Тестовая выборка (test)
Записи ЭМГ, для которых правильные углы не предоставляются.
Ваша задача — предсказать их с помощью обученной модели.
Реальная тестовая выборка станет доступна на финальном этапе соревнования. Информация о движениях, днях и сеансах тестовых записей участникам не раскрывается.
3. Образец отправки (sample_submission)
CSV-файл, показывающий, в каком формате платформа ожидает ваши предсказания.
Используйте образец соответствующего этапа соревнования, чтобы сформировать свой файл решения.
Для знакомства с задачей можно воспользоваться открытым бейзлайном на PyTorch.
В репозитории представлены простая каузальная CNN и модель, предсказывающая средние значения углов, а также код обучения, кросс-валидации по дням и подготовки CSV-файлов для отправки.
Использовать бейзлайн необязательно — вы можете разработать собственное решение с нуля.
На первом этапе вы получаете реальные обучающие данные и небольшой синтетический тестовый набор.
Это время для экспериментов:
Синтетический тест содержит искусственно сгенерированные сигналы и углы. Он позволяет проверить, что ваша программа правильно обрабатывает входные файлы и формирует предсказания в нужном формате.
Важно: результат на синтетическом тесте не показывает реальное качество модели. Для сравнения алгоритмов используйте собственную валидацию, отложенную из обучающих данных.
На втором этапе открывается тестовая выборка из реальных записей, не входящих в обучающий набор.
Теперь ваша модель должна предсказать движения кисти по новым сигналам ЭМГ.
Именно результаты этого этапа определяют итоговое качество решений.
Здесь особенно важно, насколько хорошо выбранный подход справляется с данными, которые модель не видела во время обучения.
Основная метрика соревнования — Weighted Mean Absolute Error (Weighted MAE), взвешенная средняя абсолютная ошибка предсказания углов.
Проще говоря, мы сравниваем предсказанное положение пальцев с настоящим и измеряем величину ошибки.
Правила оценки:
В начале каждой тестовой записи предусмотрены 1000 отсчётов (около 2 секунд), которые не участвуют в оценке.
Вы можете использовать их как начальный контекст, чтобы ваша модель получила информацию о сигнале перед началом оцениваемого участка.
Предсказания нужно предоставить для всех отсчётов начиная с sample_index = 1000 и до конца каждой записи.
Результат работы вашей модели — один CSV-файл с предсказаниями 20 углов пальцев для всех оцениваемых отсчётов тестовой выборки.
Как пример вы можете использовать phase1_sample_submission.csv или phase2_sample_submission.csv в зависимости от этапа.
При подготовке файла:
row_id значения recording_id и sample_index должны совпадать с образцом, а предсказанные углы — соответствовать указанному отсчёту.angle_00–angle_19 предсказанными углами.NaN или бесконечных значений.Готовый CSV-файл загрузите через кнопку «Отправить решение».
Перед вами задача на стыке машинного обучения, обработки сигналов и биомеханики.
Здесь можно экспериментировать с признаками, архитектурами нейронных сетей, способами обучения и валидации. Возможно, именно ваша идея позволит лучше всего восстановить движение кисти по активности мышц.
Удачи! Пусть ваша модель научится видеть движения, которые скрыты внутри электрических сигналов.