Smartwatches reconocen gestos de la mano sin cámara mediante impedancia eléctrica

Los relojes inteligentes han trascendido su función básica de contar pasos o mostrar notificaciones. Los modelos actuales monitorizan la frecuencia cardíaca, los niveles de oxígeno en sangre, la calidad del sueño e incluso realizan electrocardiogramas. Ahora, una nueva investigación explora otra capacidad que podría hacerlos mucho más intuitivos: el reconocimiento de gestos de la mano sin necesidad de cámaras ni accesorios voluminosos.

Un equipo de la Universidad Northwestern ha presentado EITWatch, un sistema de reconocimiento de gestos integrado en un smartwatch que emplea la tomografía de impedancia eléctrica (EIT) para detectar el movimiento de músculos y tendones bajo la piel. En lugar de depender de sensores ópticos o unidades de medición inercial, el prototipo envía pequeñas corrientes eléctricas a través de la muñeca y mide cómo cambian esas señales a medida que los músculos se contraen. Dado que cada gesto altera sutilmente las propiedades eléctricas del tejido, el reloj puede identificar diferentes movimientos de la mano basándose en sus firmas eléctricas únicas.

Aunque no es el primer estudio de reconocimiento de gestos basado en EIT, los intentos anteriores solían requerir electrodos que envolvían completamente la muñeca, junto con electrónica externa. EITWatch se diferencia por estar diseñado para integrarse en un reloj inteligente estándar. El prototipo alberga ocho electrodos chapados en oro en un anillo de 31 mm debajo de la caja de un reloj de 40 mm, confinando así toda el área de detección a la superficie de contacto del propio reloj. Un microcontrolador ESP32-S3 a bordo captura las mediciones de impedancia a 48 Hz, secuenciando los electrodos a través de múltiples rutas de medición.

Para compensar que una matriz de electrodos plana no puede rodear la muñeca como los sistemas anteriores, los investigadores desarrollaron una técnica de escaneo multiprofundidad. En lugar de enviar siempre corriente entre electrodos vecinos, el sistema varía la distancia entre los electrodos de origen y retorno. Las rutas de corriente más largas penetran más profundamente en la muñeca, permitiendo al reloj muestrear información de múltiples profundidades de tejido y grupos musculares durante cada escaneo. En las pruebas, este enfoque superó las mediciones convencionales de electrodos adyacentes en 15,1 puntos porcentuales para gestos más amplios y en 10,4 puntos porcentuales para los más sutiles.

Los investigadores evaluaron EITWatch con 12 participantes que realizaron dos vocabularios de gestos: uno compuesto por seis posturas de mano estáticas y más grandes, y otro que incluía cinco micro-gestos sutiles junto con una posición de reposo relajada. Dentro de una misma sesión, el sistema alcanzó precisiones de reconocimiento del 92,5% para los gestos grandes y del 91,5% para los micro-gestos, demostrando que un área de detección del tamaño de un smartwatch puede capturar suficiente información para una clasificación fiable.

Sin embargo, el sistema presenta limitaciones significativas en su estabilidad a lo largo del tiempo. Cuando los usuarios se ponían el reloj después de dos días sin usarlo, la precisión del reconocimiento caía al 73,2%. El rendimiento disminuía aún más al intentar reconocer gestos de usuarios completamente nuevos sin datos de entrenamiento personalizados. Para que el dispositivo sea práctico, deberá mejorar su capacidad para manejar pequeños cambios en la posición del reloj y las diferencias entre individuos.

El equipo planea abordar estas limitaciones utilizando técnicas de aprendizaje por representación (representation learning) y aprendizaje contrastivo (contrastive learning), diseñadas para producir "embeddings" de gestos que se mantengan estables entre diferentes usuarios y usos repetidos. Si tienen éxito, los futuros smartwatches podrían adquirir un potente método de entrada sin añadir cámaras, accesorios externos o cambiar su factor de forma familiar.