myo-emg-dataset

该数据集使用Myo Armband的8个肌电图传感器数据来构建手势识别数据集。支持的手势包括中性姿势、拳头、屈曲和伸展，用户可以通过编辑gestures.py文件添加自己的手势。数据集可以通过手动或使用sklearn的K-means算法进行标记。

This dataset utilizes data from the 8 electromyography (EMG) sensors of the Myo Armband to construct a gesture recognition dataset. The supported gestures include neutral posture, fist, flexion, and extension. Users can add their own gestures by editing the gestures.py file. The dataset can be labeled either manually or by using the K-means algorithm from sklearn.

原始信息汇总

数据集概述

数据集名称

myo-emg-dataset

数据集目的

用于快速有效地创建基于numpy的数据集，以支持使用Myo Armband的8个肌电图传感器进行手势识别的任务。

数据集内容

• 支持的手势：目前支持4种手势，包括中性姿势、拳头、屈曲和伸展。
• 数据标注方法：
  • 手动标注，参考build_ds.py。
  • 使用sklearn的K-means算法进行自动标注，已实现微观F1分数超过0.97。

数据集构建

• 数据格式：支持.csv和.npz格式。
• 数据存储位置：.csv文件存储于./data/csv，.npz文件存储于./data/npz。
• 数据构建命令：使用python build_ds.py --csv-path data/csv --npz-path data/npz命令构建数据集。

数据集结构

• 数据集文件：生成的.npz文件名为myo_ds_XXXl_YYYol.npz，其中XXX和YYY分别代表滑动窗口的长度和两个连续窗口之间的重叠长度。
• 数据集内容：包含X（[N, XXX, 8] ndarray）和y（[N] ndarray），分别代表N个窗口的样本和对应的标签。

数据采集协议

• 文件命名规则：gestureName_someIdentifier.csv。
• 采集时长：每次录制120秒，每5秒切换一次手势。
• 传感器频率：约50Hz。

数据标注优化

推荐使用聚类算法（如clustering.py所示）进行数据标注，以提高分类器（如SVM）的性能。

搜集汇总

数据集介绍

构建方式

myo-emg-dataset的构建方式主要依赖于对Myo Armband采集的肌电信号（EMG）数据进行处理和标注。数据可以通过手动标注或使用K-means聚类算法进行自动标注。数据集的构建过程包括将采集到的CSV格式数据或压缩的NPZ格式数据存储在指定目录中，并通过运行build_ds.py脚本将这些数据转换为适合机器学习任务的numpy格式数据集。数据集的构建还涉及滑动窗口技术的应用，以提取固定长度和重叠度的信号片段，并生成相应的标签。

特点

myo-emg-dataset的主要特点在于其针对手势识别任务的优化设计。数据集包含四种基本手势：中性姿势、拳头、屈曲和伸展，用户可以轻松扩展以包含更多手势。数据集采用numpy格式存储，便于直接用于机器学习模型的训练和评估。此外，数据集支持通过聚类算法进行自动标注，显著提高了标注效率和准确性，特别适用于需要大量标注数据的场景。

使用方法

使用myo-emg-dataset时，用户首先需要将采集到的CSV或NPZ格式数据放置在指定目录中，然后运行build_ds.py脚本生成numpy格式的数据集。生成的数据集可以通过np.load函数加载，并使用utils.py中的get_dataset函数直接获取特征和标签。数据集支持自定义滑动窗口长度和重叠度，以适应不同的分析需求。此外，用户可以通过编辑gestures.py文件添加新的手势类别，并通过clustering.py脚本利用聚类算法进行数据标注，以提高模型的性能。

背景与挑战

背景概述

myo-emg-dataset是由Thalmic Labs（现已停止运营）开发的Myo Armband设备的肌电图（EMG）传感器数据集，旨在为手势识别任务提供高效的数据集构建方法。该数据集的核心研究问题是通过8个EMG传感器捕捉的手势数据，进行手势分类和识别。数据集支持四种基本手势：中性姿势、拳头、屈曲和伸展，并允许用户通过编辑gestures.py文件添加自定义手势。该数据集的创建旨在推动基于EMG信号的手势识别研究，尤其是在设备停止生产后，为相关领域的研究者提供宝贵的资源。

当前挑战

myo-emg-dataset在构建和应用过程中面临多项挑战。首先，数据标注的准确性是一个关键问题，手动标注虽然直观，但可能引入人为误差，而使用K-means聚类算法虽能提高标注精度，但需要将聚类结果与实际手势关联，增加了复杂性。其次，数据采集过程中需要严格遵循录制协议，确保数据的可靠性和一致性，这对于手势识别的准确性至关重要。此外，数据集的多样性和规模有限，仅支持四种基本手势，可能限制其在复杂手势识别任务中的应用。最后，数据集的构建和处理依赖于特定的硬件和软件环境，这可能对研究者的实验设置提出额外要求。

常用场景

经典使用场景

myo-emg-dataset 数据集主要用于基于Myo Armband的肌电图传感器进行手势识别任务。该数据集通过8个肌电图传感器采集的数据，支持四种基本手势的识别，包括中性姿势、握拳、屈曲和伸展。通过预处理和特征提取，研究者可以利用该数据集训练机器学习模型，如支持向量机（SVM），以实现高精度的手势分类。

衍生相关工作

基于myo-emg-dataset，研究者已经开发了多种相关的经典工作，包括改进的信号处理算法、更高效的特征提取方法以及优化的分类模型。例如，利用K-means聚类算法对手势数据进行自动标注，显著提高了分类性能。此外，还有研究探讨了如何将该数据集应用于实时手势识别系统，进一步推动了该领域的技术进步。

数据集最近研究

最新研究方向

在肌电信号（EMG）识别领域，myo-emg-dataset数据集的最新研究方向主要集中在通过机器学习算法提升手势识别的准确性和效率。该数据集利用Myo Armband的8个肌电传感器，支持四种基本手势的识别，并通过K-means聚类算法实现了高达0.97的微观F1分数。这一进展不仅推动了手势识别技术的边界，也为假肢控制和人机交互等前沿应用提供了新的可能性。此外，数据集的自定义功能允许研究者添加新的手势，进一步扩展了其在个性化医疗和智能设备控制等领域的应用潜力。