EMAHA-DB1

EMAHA-DB1是由印度信息技术学院开发的针对印度人群的上肢表面肌电图（sEMG）数据集，旨在评估日常生活中的活动。该数据集包含25名健康受试者在执行22种根据功能臂活动行为观察系统（FAABOS）分类的活动时采集的sEMG信号。数据通过五个Noraxon Ultium无线sEMG传感器收集，用于手部活动识别分类性能分析。EMAHA-DB1填补了印度人群日常活动数据集的空白，可作为多种分类方法的基准，以及用于假肢和其他可穿戴机器人的开发。

EMAHA-DB1 is an upper-extremity surface electromyography (sEMG) dataset developed for the Indian population by the Indian Institute of Information Technology, aiming to evaluate activities of daily living. This dataset contains sEMG signals collected from 25 healthy subjects while they performed 22 activities categorized by the Functional Arm Activity Behavior Observation System (FAABOS). The data was collected using five Noraxon Ultium wireless sEMG sensors, and is utilized for analyzing classification performance in hand activity recognition. EMAHA-DB1 addresses the critical gap in daily activity datasets targeting the Indian population, and can serve as a benchmark for multiple classification methods, as well as support the development of prosthetics and other wearable robots.

搜集汇总

数据集介绍

构建方式

在表面肌电信号分析领域，针对印度人群的日常生活活动数据尚属空白。EMAHA-DB1数据集的构建旨在填补这一空白，其采集过程严谨而系统。研究团队招募了25名健康受试者，使用五通道Noraxon Ultium无线表面肌电传感器，在右手五个代表性肌肉位点放置Ag/AgCl电极。受试者需完成依据功能性手臂活动行为观察系统分类的22项日常生活活动，每项活动重复10次，每次持续最多10秒，并在动作间设置了标准化的休息间隔。数据采集协议经过伦理委员会批准，确保了过程的合规性与非侵入性。

特点

该数据集具有若干显著特征，使其在相关研究领域中独具价值。其首要特点在于专注于印度人群的日常生活活动，弥补了现有数据多基于西方人口的局限。数据集涵盖了从徒手手势到抓握办公物品等多样化的活动类别，并依据功能性分类体系进行组织，便于进行行为意义层面的分析。与同类数据集相比，EMAHA-DB1设计了包含动作、释放和休息三个阶段的实验流程，更贴近真实肌肉活动模式。此外，其仅使用五个传感器通道，在保证数据质量的同时降低了对计算资源的需求，为算法部署提供了便利。

使用方法

EMAHA-DB1数据集为表面肌电信号分析与模式识别研究提供了坚实的基准平台。研究者可利用该数据集开发和评估各类机器学习与深度学习分类算法，用于手势识别或活动分类任务。具体而言，数据已进行预处理，包括工频噪声滤除、低通滤波及小波去噪，并提供了基于改进信号分割算法的活动标注。用户可按需提取多种时域与频域特征组合，并利用提供的训练-测试划分策略进行模型验证。该数据集尤其适用于上肢康复治疗研究、生理学分析以及假肢与可穿戴机器人控制系统的开发，其功能性分类框架也支持从行为组别到具体动作的多层次分析。

背景与挑战

背景概述

在表面肌电信号分析领域，针对日常生活活动的手部动作识别是康复工程与人机交互的核心研究课题。EMAHA-DB1数据集由印度信息技术学院等机构的研究团队于2023年构建，旨在填补针对印度人群的日常生活活动表面肌电数据空白。该数据集采集自25名健康受试者执行22类基于功能手臂活动行为观察系统分类的手部活动，通过五通道无线表面肌电传感器记录肌肉电信号。其创新性在于首次系统性地整合了符合印度人群生物力学特征的日常生活活动数据，为假肢控制、外骨骼机器人开发和康复评估提供了重要的基准数据资源，推动了跨文化背景下的肌电信号分析研究进展。

当前挑战

该数据集致力于解决基于表面肌电信号的手部日常生活活动精细分类的挑战，其核心难点在于不同活动间肌电信号模式的高度相似性及个体生理差异导致的信号变异性。在22类动作的多分类任务中，现有最优分类准确率仅为75.39%，表明动作间特征可分性仍需提升。在构建过程中，研究团队面临三大挑战：一是需要设计涵盖功能性动作分类体系的实验协议，确保数据生态效度；二是需开发精确的信号分割与标注方法以区分动作、释放与休息阶段；三是需在有限传感器配置下提取具有判别力的时域与频域特征组合，以平衡计算复杂度与分类性能。

常用场景

经典使用场景

在表面肌电信号分析领域，EMAHA-DB1数据集为日常活动的手部动作识别提供了关键基准。该数据集通过采集25名健康受试者在执行22种基于功能手臂活动行为系统分类的日常活动时的多通道sEMG信号，为机器学习模型训练与验证奠定了数据基础。其经典应用场景集中于利用时间域与频率域特征组合，结合支持向量机等分类器，实现对手部动作的高精度模式识别与分类，为手势识别系统的开发提供了标准化评估框架。

解决学术问题

EMAHA-DB1数据集有效解决了表面肌电信号研究中缺乏针对特定人群日常活动标准化数据的问题。通过提供涵盖印度人群的sEMG数据，该数据集弥补了现有数据在人口多样性上的不足，并支持对功能手臂活动行为系统分类的深入分析。其意义在于促进了基于sEMG的手部活动识别算法的比较与优化，为康复工程、生理学研究及临床评估提供了可靠的数据支撑，推动了上肢功能障碍辅助技术的基础研究进展。

衍生相关工作

基于EMAHA-DB1数据集，研究者们衍生出了一系列经典工作，主要集中在特征提取与分类算法的优化上。例如，利用能量特征与自回归特征集合结合支持向量机的方法，在功能类别分类中达到了83.21%的准确率。此外，该数据集还激发了对手部肌肉活动映射的深入分析，通过t-SNE可视化技术揭示了不同活动组间的特征可分性，为后续的深度学习模型如EMGHandNet的开发提供了基础，进一步推动了sEMG信号在活动识别中的前沿应用。