EMGBench

EMGBench数据集由卡内基梅隆大学创建，旨在评估肌电图分类算法在分布外性能的基准。该数据集包含九个EMG数据集，涵盖了多种实验条件和数据收集协议。其中，新引入的FlexWear-HD数据集使用了一种易于穿戴的高密度EMG传感器，用于收集肌肉活动数据。数据集的创建过程包括对原始时间序列数据进行预处理，转换为2D活动图，并使用多种机器学习模型进行分类。EMGBench数据集主要应用于评估和改进EMG接口的鲁棒性和适应性，特别是在控制辅助技术如假肢和机器人方面。

The EMGBench dataset, developed by Carnegie Mellon University, is designed as a benchmark to evaluate the out-of-distribution performance of electromyography (EMG) classification algorithms. This dataset comprises nine EMG datasets, covering a wide range of experimental conditions and data collection protocols. Specifically, the newly introduced FlexWear-HD dataset uses a wearable high-density EMG sensor to gather muscle activity data. The development workflow of this dataset includes preprocessing raw time-series data, converting it into 2D activity maps, and performing classification tasks with multiple machine learning models. The EMGBench dataset is primarily utilized to assess and improve the robustness and adaptability of EMG interfaces, especially for controlling assistive technologies such as prosthetics and robotic devices.

原始信息汇总

EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography

基本信息

• 标题: EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography
• 会议: NeurIPS 2024
• 作者:
  • Jehan Yang
  • Maxwell Soh
  • Vivianna Lieu
  • Douglas J. Weber
  • Zackory Erickson
• 机构: Carnegie Mellon University
• 贡献声明: Jehan Yang 和 Maxwell Soh 为同等贡献

摘要

本文介绍了首个用于评估肌电图（EMG）分类算法在分布外（Out-of-Distribution, OOD）性能的机器学习基准。该基准包括两个主要任务：1) 跨受试者分类，2) 使用时间序列的训练-测试分割进行适应。该基准涵盖九个数据集，是迄今为止最大的EMG数据集集合。此外，本文还引入了一个新的数据集，该数据集使用了一种新颖的、易于穿戴的高密度EMG可穿戴设备进行数据收集。

数据集

• FlexWear-HD Dataset: 一个新引入的数据集，使用高密度EMG可穿戴设备收集数据。

链接

• arXiv: https://arxiv.org/abs/2410.23625
• 代码: https://github.com/jehanyang/emgbench
• FlexWear-HD Dataset: https://huggingface.co/datasets/jehanyang/FlexWear-HD

BibTeX

perl @misc{yang2024emgbenchbenchmarkingoutofdistributiongeneralization, title={EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography}, author={Jehan Yang and Maxwell Soh and Vivianna Lieu and Douglas J Weber and Zackory Erickson}, year={2024}, eprint={2410.23625}, archivePrefix={arXiv}, primaryClass={cs.LG}, url={https://arxiv.org/abs/2410.23625}, }

AI搜集汇总

数据集介绍

构建方式

EMGBench数据集的构建方式体现了对肌电图（EMG）分类算法在分布外（out-of-distribution）性能评估的开创性尝试。该数据集通过预测用户的意图手势，利用EMG信号创建了一个可穿戴解决方案，以控制辅助技术，如计算机、假肢和移动机械手。数据集的核心任务包括跨受试者分类和使用时间序列的训练-测试分割进行适应。EMGBench涵盖了九个数据集，是迄今为止在基准测试中收集的最大EMG数据集集合。此外，该数据集引入了一个新的数据集，采用了一种易于佩戴的高密度EMG可穿戴设备进行数据收集。

特点

EMGBench数据集的显著特点在于其对分布外泛化和适应任务的全面评估，这对于实际部署中的控制接口至关重要。数据集不仅包括现有的EMG数据集，还引入了新的高密度EMG可穿戴设备数据集，增强了数据多样性和实用性。此外，EMGBench的开放源代码和数据为EMG研究社区提供了一个宝贵的资源，有助于分析和比较不同EMG数据集的分布外性能。

使用方法

EMGBench数据集的使用方法主要包括两个方面：一是通过跨受试者分类任务评估模型在新受试者上的泛化能力；二是通过时间序列的训练-测试分割进行适应任务，评估模型在新用户数据上的微调能力。研究者可以使用提供的代码库对机器学习模型进行标准化评估，并通过不同的预处理技术和模型架构来优化EMG信号的分类性能。数据集的详细信息和使用指南可在emgbench.github.io上找到。

背景与挑战

背景概述

EMGBench 数据集由卡内基梅隆大学的 Jehan Yang、Maxwell Soh、Vivianna Lieu、Douglas J Weber 和 Zackory Erickson 于2024年创建，旨在通过机器学习评估肌电图（EMG）分类算法在分布外（out-of-distribution）性能上的泛化和适应能力。该数据集的核心研究问题是如何使EMG分类器能够处理与训练分布不同的输入，这对于实际部署为控制接口至关重要。通过预测用户的意图手势，可以创建可穿戴解决方案来控制辅助技术，如计算机、假肢和移动机械手机器人。EMGBench 包括两个主要任务：跨受试者分类和使用时间序列的训练-测试分割进行适应。该基准涵盖九个数据集，是基准中最大的EMG数据集集合。缺乏开源基准使得EMG研究社区在不同论文之间比较准确性结果变得困难，EMGBench 为研究人员提供了一个宝贵的资源，用于分析EMG数据集的分布外性能的实际措施。

当前挑战

EMGBench 数据集面临的挑战主要集中在解决领域问题和构建过程中遇到的困难。首先，所解决的领域问题是图像分类，特别是手势识别，这需要高精度的分类算法来处理复杂的肌肉活动模式。其次，构建过程中遇到的挑战包括数据集的多样性和异质性，不同数据集在硬件使用和传感器放置上存在差异，这增加了评估分类精度和机器学习技术硬件无关性的难度。此外，缺乏标准化的基准评估机器学习算法在EMG上的分类，显著影响了基于学习分类的EMG数据集结果的标准化，使得来自不同机器学习论文的结果难以比较。最后，当前研究领域中缺乏用于评估实际泛化和适应任务的基准，特别是涉及跨受试者性能评估的任务，这代表了当前研究景观中的一个显著差距。

常用场景

经典使用场景

EMGBench数据集的经典使用场景在于评估肌电图（EMG）分类算法在分布外（out-of-distribution）情况下的泛化能力和适应性。具体任务包括跨受试者分类和使用时间序列的训练-测试分割进行适应。这些任务对于构建鲁棒且适应性强的控制接口至关重要，尤其是在实际部署中，模型需要处理与训练分布不同的输入数据。

衍生相关工作

EMGBench数据集的发布催生了一系列相关工作，特别是在EMG信号处理和分类领域。例如，研究人员利用该数据集开发了新的预处理技术，如热图、频谱图和连续小波变换，以提高分类精度。此外，基于该数据集的基准测试结果，一些研究团队提出了改进的机器学习架构，如EfficientNet和EfficientViT，这些架构在EMG手势分类任务中表现出色。这些衍生工作不仅验证了EMGBench数据集的有效性，还推动了EMG技术在实际应用中的进一步发展。

数据集最近研究

最新研究方向

在肌电图（EMG）分类领域，EMGBench数据集的最新研究方向聚焦于评估和提升机器学习算法在分布外（Out-of-Distribution, OOD）性能上的泛化能力和适应性。该研究通过引入首个针对EMG分类算法的OOD性能基准，强调了在实际应用中，EMG分类器处理训练分布与测试分布不一致情况的重要性。研究重点包括跨受试者分类和基于时间序列的训练-测试分割适应任务，旨在构建鲁棒且适应性强的控制接口，如计算机、假肢和移动机械手机器人。此外，该研究还引入了一个新的高密度EMG可穿戴设备数据集，填补了开源基准的空白，为EMG研究社区提供了宝贵的资源。

相关研究论文

• EMGBench: Benchmarking Out-of-Distribution Generalization and Adaptation for Electromyography

  卡内基梅隆大学 · 2024年