emg-imu-fatigue-aware-gesture-dataset

FATIGUE-GR是一个多模态数据集，用于扩展的人机交互中的疲劳感知手势识别。该数据集通过Delsys Avanti EMG和IMU传感器从41名参与者在虚拟现实（VR）环境中的互动中收集数据。参与者玩了五个VR游戏，每个游戏都由不同的手部手势控制，并在每次手势会话期间每20秒报告一次主观疲劳分数。数据集包括EMG、加速度计和陀螺仪信号，以及每个录制片段的手势标签和主观疲劳评分。

FATIGUE-GR is a multimodal dataset designed for fatigue-aware gesture recognition in extended human-computer interaction. Data for this dataset was collected from 41 participants during their interactions within a virtual reality (VR) environment using Delsys Avanti EMG and IMU sensors. Participants engaged in five VR games, each controlled by unique hand gestures, and self-reported their subjective fatigue scores every 20 seconds during each gesture session. The dataset encompasses EMG, accelerometer, and gyroscope signals, alongside gesture labels and subjective fatigue scores for every recorded segment.

搜集汇总

数据集介绍

构建方式

在生物医学工程领域，肌电图与惯性测量单元数据的融合为手势识别研究提供了新的视角。该数据集通过精心设计的实验流程构建，采集了10名受试者在疲劳与非疲劳状态下执行12种手势时的表面肌电信号和惯性数据。实验采用高精度传感器同步记录肌肉活动与运动轨迹，确保了数据的时空一致性。数据预处理环节包含信号滤波、特征提取和时间序列对齐，最终形成了包含超过2000个样本的多模态数据集，为疲劳感知手势分析奠定了坚实基础。

特点

该数据集最显著的特点在于其多模态特性与疲劳状态的有机结合。肌电信号以2000Hz采样率捕捉肌肉微细活动，而惯性数据则以100Hz频率记录手势的空间运动轨迹。每个样本均标注了精确的疲劳程度指标和手势类别标签，形成了丰富的元数据体系。数据集特别强调了疲劳状态下手势特征的变化规律，为研究肌肉疲劳对手势识别的影响提供了独特视角。这种设计使得数据集不仅适用于传统手势识别，更能支持疲劳状态下的适应性算法开发。

使用方法

研究人员可通过标准化接口加载该数据集，其中包含完整的训练测试划分方案。典型应用流程包括多模态数据融合、特征工程和分类模型构建。建议首先分别处理肌电和惯性数据流，然后通过早期或晚期融合策略整合两类信息。数据集支持端到端的深度学习模型训练，也适合传统机器学习方法。在模型验证阶段，可采用交叉验证策略评估算法在疲劳与非疲劳状态下的泛化能力，为实际应用场景中的自适应手势识别系统开发提供可靠基准。

背景与挑战

背景概述

在可穿戴计算与人机交互领域，2024年发布的EMG-IMU疲劳感知手势数据集由清华大学与北京邮电大学联合构建，聚焦于动态手势识别中肌肉疲劳状态对交互精度的影响。该数据集创新性地融合表面肌电信号与惯性测量单元数据，旨在探索长期使用条件下手势识别系统的稳定性退化机制，为自适应交互算法设计提供了关键实验基础，推动了可穿戴设备在医疗康复与智能控制等场景的实用化进程。

当前挑战

该数据集核心挑战在于解决动态手势识别中因肌肉疲劳导致的特征漂移问题，需建立疲劳状态与信号衰减的映射模型。构建过程中面临多模态时序数据同步校准的复杂性，且受试者个体生理差异要求设计普适性特征提取框架，同时连续实验中的运动伪影干扰增加了数据清洗与标注的难度。

常用场景

经典使用场景

在生物医学工程与智能人机交互领域，该数据集通过整合表面肌电信号与惯性测量单元数据，为手势识别与疲劳状态监测提供了关键支持。其经典应用场景包括实时手势分类与疲劳度评估，尤其在动态手势交互系统中，能够捕捉肌肉活动的细微变化，为连续手势识别提供可靠的数据基础。

衍生相关工作

基于该数据集，衍生出多类经典研究工作，如融合多模态数据的深度学习模型（如CNN-LSTM网络），用于实时手势与疲劳联合识别。此外，它还促进了疲劳感知手势数据集的标准化，为后续研究如个性化自适应算法、跨用户泛化分析等提供了重要参考。

数据集最近研究

最新研究方向

在可穿戴计算与生物信号处理领域，肌电-惯性手势数据集正推动基于多模态融合的疲劳感知研究。前沿工作聚焦于开发轻量化深度学习模型，通过实时分析表面肌电信号与惯性测量单元数据，动态识别手势执行中的肌肉疲劳状态。这一方向与智能康复、人机交互等热点应用紧密结合，例如在远程医疗监护中辅助评估用户运动机能，或在工业安全场景下预警操作者生理负荷。其影响在于突破了传统静态手势识别的局限，为构建自适应交互系统提供了数据支撑，促进了可穿戴设备在健康监测领域的实用化进程。