Wetenschappers hebben een innovatieve methode ontwikkeld waarmee getypte tekst kan worden afgeleid uit de elektrische activiteit van spieren in de polsen. Door gebruik te maken van oppervlakte-elektromyografie (sEMG) kan het systeem bepalen welke tekens een gebruiker probeert in te voeren, zelfs wanneer er geen fysiek toetsenbord aanwezig is.
In een recent onderzoek, getiteld "Typing Matters: Muscle, Language and Typing Behaviour in Live Keystroke Decoding from sEMG", leggen auteurs zoals Abhilash Durgam en Nyle Siddiqui uit hoe zij de beperkingen van eerdere systemen hebben overwonnen. Volgens de publicatie op arxiv.org kampten oudere technieken vaak met twee grote problemen: het verwerken van signalen in vaste tijdvensters, waardoor context verloren ging, en een gebrek aan linguïstisch inzicht. Hierdoor werden toetsaanslagen puur op basis van fysieke signalen geïnterpreteerd, zonder rekening te houden met de waarschijnlijkheid van bepaalde lettercombinaties of woorden.
Om deze problemen op te lossen, hebben de onderzoekers een volledig causaal decoder-model gebouwd op basis van een state space model (SSM). In plaats van te werken met onderbroken vensters, decodeert dit model een volledige sessie in één vloeiende beweging. Het systeem is geconditioneerd op de reeds getypte tekst, waardoor het een continu begrip van de context behoudt. De innovatie schuilt in de combinatie van een traditionele typing-decoder met een efficiënt autoregressief taalmodel, waardoor fysieke sEMG-data en taalbegrip in één architectuur worden samengevoegd.
Een grote hindernis bij de ontwikkeling was het tekort aan uitgebreide datasets die spiersignalen koppelen aan specifieke toetsaanslagen. De onderzoekers losten dit op via een nieuwe "retokenization"-methode. Hierbij werd proza uit de WikiText-dataset omgezet in een corpus dat menselijk typegedrag nabootst, inclusief veelvoorkomende fouten en correcties.
De resultaten van dit proces zijn opmerkelijk. Hoewel het model tijdens het leerproces nooit direct is getraind op sEMG-naar-karakter transcripties, behaalde het een character error rate (CER) van 25,13% op de cross-user benchmark van emg2qwerty. Zoals vermeld in de documentatie op , vormt dit een relatieve verbetering van 5,4% ten opzichte van eerdere records, terwijl het model aanzienlijk efficiënter is door het gebruik van 6,7 keer minder parameters.
Deze technologische doorbraak richt zich op de digitale vertaling van spiergeheugen. Waar sommige gebruikers hun typevaardigheid en spiergeheugen handmatig trainen via platforms zoals keybr.cocn, automatiseert dit onderzoek de interpretatie van die fysieke impulsen. De focus op een "zero-lookahead" benadering zorgt ervoor dat het systeem volledig in real-time functioneert zonder informatie uit de toekomst te gebruiken, wat cruciaal is voor praktische mens-machine interactie.
Het onderzoek, dat op 13 november 2026 is ingediend bij , suggereert dat de integratie van taalmodellen de precisie van spiersignaal-decodering aanzienlijk kan verhogen. Dit opent de deur naar interfaces waarbij fysieke hardware zoals toetsenborden overbodig worden, omdat de intentie van de gebruiker direct uit de spieractiviteit kan worden afgeleid via .