上肢の運動機能障害を持つ人々の日常生活における自立性を高めるため、支援ロボットアームの研究が進められています。本研究は、筋電図（sEMG）センサーと機械学習を組み合わせ、直感的で応答性の高いロボット制御システムの実現を目指しています。従来の機械的なインターフェースと異なり、表面筋電図は筋肉の活動を非侵襲的に検出できるため、ユーザーの運動意図を正確に捉えることができます。 提案されたシステムは、4チャネルのsEMG信号を取得し、前処理・分割処理を経て、1次元畳み込みニューラルネットワーク（CNN）により分類するという一連のパイプラインで構成されています。研究チームは複数のリアルタイム戦略を検討し、閾値ベースの開始検出、休止状態と運動状態を区別した後にジェスチャーを認識する2段階分類法、そして休止と5種類のジェスチャーを一度に処理する単一分類器を評価しました。 実装されたシステムは、シミュレーション環境と実際のロボットプラットフォームの双方で検証されました。CNN基盤のアプローチは高い性能を発揮し、テスト精度は90%を超え、実験で取得した信号に対しても強い汎化性能を示しています。平均遅延が約0.32秒と安定したリアルタイム動作を実現し、ロボットは離散的なジェスチャーにより確実に制御され、シミュレーション環境と実環境の両方で一貫性のある滑らかな動作を生成しています。今後は、sEMGと他のセンシング技術を組み合わせたハイブリッド制御アプローチにより、さらなるロバスト性と使いやすさの向上が期待されています。