EMGesture: Qi Kablosuz Şarj Cihazlarını Temassız Hareket Algılayıcılara Dönüştürmek

1. Giriş

Oyun, akıllı evler ve otomotiv arayüzlerindeki uygulamaların da etkisiyle, doğal ve akıllı İnsan-Bilgisayar Etkileşimi (HCI) talebi hızla büyümektedir. Ancak geleneksel yöntemler önemli kısıtlamalarla karşı karşıyadır: dokunmatik ekranlar ıslak/yağlı ortamlarda çalışmaz, kameralar gizlilik endişeleri yaratır ve yüksek güç tüketir, ses kontrolü ise karmaşık komutlar ve gizlilik konusunda zorlanır. Küresel HMI pazarının 2026 yılına kadar 7,24 milyar ABD Doları'na ulaşması beklenmektedir; bu da daha iyi çözümlere olan ihtiyacı vurgulamaktadır.

Bu makale, yeni bir temassız etkileşim tekniği olan EMGesture'ı tanıtmaktadır. Bu teknik, yaygın olarak kullanılan Qi standartlı kablosuz şarj cihazını, şarj sırasında yayılan elektromanyetik (EM) sinyalleri analiz ederek bir hareket sensörüne dönüştürür. Bu sinyaller, el hareketleri tarafından bozulur ve zengin hareketle ilgili bilgiler taşır. EMGesture, bu bozulmaları yakalamak, işlemek ve sınıflandırmak için uçtan uca bir çerçeve önererek, yaygın etkileşim için pratik, düşük maliyetli ve gizlilik odaklı bir alternatif sunar.

%97+

Tanıma Doğruluğu

30

Katılımcı

10+5

Test Edilen Cihaz & Şarj Cihazı

2. Metodoloji & Sistem Tasarımı

EMGesture, standart bir Qi kablosuz şarj pedini bir hareket algılama platformuna dönüştürür. Sistem donanım modifikasyonu gerektirmez, ancak şarj cihazının EM alanını izlemek için bir yazılım tanımlı radyo (SDR) veya entegre sensör kullanır.

2.1. EM Sinyal Eldesi & Ön İşleme

Temel sinyal, şarj cihazının güç iletim bobini tarafından üretilen elektromanyetik alandır ve Qi için yaklaşık 100-205 kHz frekanslarında çalışır. Kullanıcının eli şarj cihazı yakınında bir hareket yaptığında, iletken bir ortam gibi davranarak bu alanı bozar. Bu bozulmalar, zaman serisi voltaj verisi olarak yakalanır.

Ön işleme şunları içerir:

Gürültü Filtreleme: İlgili Qi frekans bandını çevresel gürültüden ayırmak için bant geçiren filtreler uygulamak.
Normalizasyon: Farklı cihaz/şarj cihazı eşleşmelerini ve temel güç seviyelerini hesaba katmak için sinyalleri ölçeklendirmek.
Bölütleme: Tek bir hareket örneğine karşılık gelen sinyal penceresini izole etmek.

2.2. Özellik Çıkarımı & Hareket Sınıflandırması

Ön işlenmiş sinyal, ayırt edici özellikler çıkarmak için analiz edilir. Hareketlerin sıralı doğası göz önüne alındığında, özellikler hem zaman hem de frekans alanlarından çıkarılır:

Zaman Alanı: Sinyal genliği, sıfır geçiş oranı, enerji.
Frekans Alanı: Spektral ağırlık merkezi, bant genişliği, EM sinyallerine uyarlanmış Mel-Frekans Kepstral Katsayıları (MFCC'ler).
Zaman-Frekans: Gelişen desenleri yakalamak için Kısa Süreli Fourier Dönüşümü (STFT) veya dalgacık dönüşümlerinden elde edilen özellikler.

Bu özellikler üzerinde, hareketleri (örneğin, sola/sağa kaydırma, dokunma, daire çizme) sınıflandırmak için sağlam bir makine öğrenimi modeli (örneğin, bir Destek Vektör Makinesi (SVM), Rastgele Orman veya 1B-CNN veya LSTM gibi hafif bir sinir ağı) eğitilir. Modelin sağlamlığı, kullanıcılar ve donanım arasındaki değişkenliği yönetmek için anahtardır.

3. Deneysel Sonuçlar & Değerlendirme

3.1. Tanıma Doğruluğu & Performans

Yazarlar, 30 katılımcı, 10 farklı mobil cihaz ve 5 Qi şarj cihazı ile kapsamlı deneyler gerçekleştirmiştir. Sistem, tanımlanmış bir hareket seti (örneğin, yönlü kaydırmalar, daireler, dokunuşlar) için dikkate değer bir %97'nin üzerinde tanıma doğruluğu göstermiştir. Bu yüksek doğruluk, farklı cihaz-şarj cihazı kombinasyonlarında da korunmuş ve yaklaşımın genellenebilirliğini kanıtlamıştır.

Grafik Açıklaması (Çıkarılan): Çok çubuklu bir grafik, muhtemelen Sola Kaydır, Sağa Kaydır, Daire, Dokun ve İtme gibi farklı hareket türleri (x-ekseni) için doğruluk yüzdelerini (y-ekseni) göstermektedir. Her çubuk, farklı test koşullarındaki (örneğin, Kullanıcı 1-10, Cihaz A-E) performansı göstermek için alt bölümlere ayrılmıştır. Bir çizgi kaplaması, genel ortalama doğruluğun tutarlı bir şekilde %97 işaretinin üzerinde kaldığını göstermektedir.

3.2. Kullanıcı Çalışması & Kullanılabilirlik Değerlendirmesi

Doğruluğun ötesinde, pratikliği değerlendirmek için kullanıcı çalışmaları yapılmıştır. Katılımcılar şunları bildirmiştir:

Yüksek Kolaylık: Mevcut, yaygın bir cihazın (şarj cihazı) kullanılması, ek sensör ihtiyacını ortadan kaldırmıştır.
Güçlü Gizlilik Algısı: Kameraların aksine, sistem görsel veya biyometrik veri yakalamaz, yalnızca soyut EM bozulmalarını kaydeder.
Kullanım Kolaylığı: Hareketlerin, masa veya komodin gibi bağlamlarda sezgisel ve kolayca yapılabildiği bulunmuştur.

Çalışma, EMGesture'ı sadece teknik olarak uygulanabilir değil, aynı zamanda kullanıcı tarafından kabul edilebilir olarak konumlandırmaktadır.

4. Teknik Analiz & Çerçeve

4.1. Matematiksel Temel & Sinyal İşleme

İletken bir nesne (el) tarafından EM alanın bozulması, karşılıklı endüktans ve indüklenen girdap akımlarındaki değişikliklerle modellenebilir. Alınan sinyal $s(t)$ şu şekilde düşünülebilir:

$s(t) = A(t) \cdot \sin(2\pi f_c t + \phi(t)) + n(t)$

Burada $A(t)$ zamanla değişen genlik, $f_c$ taşıyıcı frekans (~110-205 kHz), $\phi(t)$ faz ve $n(t)$ gürültüdür. Hareketler $A(t)$ ve $\phi(t)$'yi modüle eder. Özellik çıkarımı genellikle sinyalin zarfı $E(t)$'yi hesaplamayı içerir:

$E(t) = |s(t) + j \cdot \mathcal{H}\{s(t)\}|$

Burada $\mathcal{H}\{\cdot\}$, zarf tespiti için analitik sinyali elde etmek için kullanılan Hilbert dönüşümüdür.

4.2. Analiz Çerçevesi: Kod İçermeyen Bir Vaka Çalışması

Senaryo: Entegre kablosuz şarj pedi üzerinde hareketler kullanarak akıllı bir masa lambasını kontrol etme (açma/kapama, parlaklığı artırma/azaltma).

Sinyal Akışı: Kullanıcı bir "daire" hareketi yapar. El hareketi, şarj bobininin yerel EM alanını değiştirir.
Veri İşlem Hattı: Şarj cihazının kontrol kartındaki bir ADC, bobinin akım/gerilim geri beslemesini örnekler (şarj kontrolü için zaten izlenen veri).
Özellik Vektörü Oluşturma: Örneklenen 500ms'lik pencere işlenir. Bir 1B-CNN modeli uzamsal-zamansal özellikleri çıkarır: örneğin, düşük frekanslı spektral güçte bir ani yükselme ve ardından döngüsel bir genlik deseni.
Sınıflandırma & Eylem: Model, özellik vektörünü %98 güvenle "daire" sınıfıyla eşleştirir. Sistem bunu şu komuta çevirir: "Lamba renk sıcaklıklarında döngü yap."
Sağlamlık Kontrolü: Sistem, hareket modunu etkinleştirmeden önce sinyal deseninin bilinen bir şarj cihazı imzasıyla eşleşip eşleşmediğini kontrol ederek küçük bozulmaları (telefonun pede yerleştirilmesi gibi) görmezden gelir.

Bu çerçeve, algılamanın mevcut bir işleve sorunsuz entegrasyonunu vurgulamaktadır.

5. Tartışma & Gelecek Yönelimler

Temel İçgörü: EMGesture sadece başka bir hareket teknolojisi değil—altyapıyı yeniden kullanma konusunda bir ustalık sınıfıdır. Yazarlar, yaygın, sessiz bir veri kaynağını (Qi EM alanı) belirlemiş ve bir güç iletim bileşenini bağlamsal bir sensöre dönüştürmüştür. Bu, sensör eklemekten öteye, zaten orada olanı kullanma ilkesine geçiştir; Mark Weiser'ın orijinal vizyonunda savunduğu gibi, sürdürülebilir ve ölçeklenebilir yaygın hesaplama için çok önemli bir ilkedir.

Mantıksal Akış & Karşılaştırma: Argüman ikna edicidir: kameralar müdahaleci ve güç tüketimi yüksektir, dokunma dağınık ortamlarda başarısız olur, ses gürültülüdür. EM sinyalleri her zaman açık, düşük güçlü ve soyuttur. Wi-Fi veya radar (örneğin, Google'ın Soli'si) gibi diğer RF tabanlı yöntemlerle karşılaştırıldığında, EMGesture'ın gücü, sınırlı, öngörülebilir ortamıdır (bobinin yakın alanı); bu da sinyal işlemeyi basitleştirir ve %97+ sonucuyla kanıtlandığı gibi doğruluğu artırır—genellikle ACM MobiCom gibi yayınlarda bildirilen erken Wi-Fi algılama çalışmalarından daha yüksektir.

Güçlü Yönler & Zayıflıklar: En önemli uygulaması, tasarım gereği gizlilik ve Qi şarjı olan cihazlar için sıfır marjinal donanım maliyetidir. Ancak eleştirel olalım: Menzil ciddi şekilde sınırlıdır (birkaç cm), bu da onu bir "masa üstü" veya "komodin" etkileşimi yapar, oda ölçeğinde değil. Hareket dağarcığı muhtemelen küçük ve basittir. Ayrıca şarj cihazının aktif olmasına bağlıdır, ki bu her zaman geçerli olmayabilir. Optimal şarj hizalaması ile hareket ergonomisi arasında potansiyel bir çatışma vardır.

Uygulanabilir İçgörüler & Gelecek Yönelimler: 1. Standardizasyon İtme Gücü: Asıl kazanç, Qi 2.0 veya gelecekteki standartların güç transferinin yanında özel, düşük bant genişlikli bir algılama kanalı içermesini sağlamaktır. NXP ve IDT gibi çip üreticileri bunu dikkate almalıdır. 2. Bağlam Farkında Füzyon: Gelecek sistemler yalnızca EM'ye güvenmemelidir. Onun niyet sinyallerini bir cihazın ivmeölçeri ("kaldırma" tespiti için) veya mikrofonu (sesli onay için) ile birleştirmek, sağlam, çok modlu komutlar oluşturabilir. 3. Genişletilmiş Dağarcık: Araştırmalar, çok bobinli şarj cihazı dizileri kullanarak daha karmaşık, 3B hareketleri keşfetmeli, potansiyel olarak bir şarj pedi üzerinde işaret dili alfabelerini etkinleştirmelidir. 4. Biyometrik Yan Kanal: Kullanıcının elinin benzersiz kapasitif bağlantısı, telefon şarj olurken pasif, sürekli bir kimlik doğrulama sinyali sağlayabilir mi? Bu, etkileşimi güvenlikle birleştirir.

Sonuç olarak, EMGesture, son derece pragmatik bir ileri yol sağlar. Kameraların veya dokunmatik ekranların yerini almayacaktır, ancak kişisel cihaz alanında çevresel, gündelik ve özel etkileşim için hayati bir niş oluşturur ve sıradan bir eylem olan—şarj etmeyi—bir bağlantı fırsatına dönüştürür.

6. Kaynaklar

Wang, W., Yang, L., Gan, L., & Xue, G. (2025). The Wireless Charger as a Gesture Sensor: A Novel Approach to Ubiquitous Interaction. In Proceedings of CHI Conference on Human Factors in Computing Systems (CHI '26).
National Highway Traffic Safety Administration (NHTSA). (2023). Distracted Driving Fatality Data.
Zhang, C., et al. (2020). A Survey on Vision-Based Human Activity Recognition. Image and Vision Computing, 103.
Grand View Research. (2023). Human Machine Interface Market Size Report, 2023-2030.
Malkin, N., et al. (2019). Privacy and Security in Voice-Based AI. IEEE Security & Privacy.
Zhu, H., et al. (2021). Touchscreens in Wet Conditions: A Review. International Journal of Human-Computer Studies.
Weiser, M. (1991). The Computer for the 21st Century. Scientific American.
Pu, Q., et al. (2013). Whole-Home Gesture Recognition Using Wireless Signals. In Proceedings of ACM MobiCom.
Wireless Power Consortium. (2023). Qi Wireless Power Transfer System Specification.