putEMG

putEMG数据集是由波兹南理工大学的控制、机器人与信息工程研究所创建，专注于表面肌电图手势识别。该数据集包含44名健康受试者的数据，涵盖8种手势（包括3种全手势、4种捏合动作和空闲状态）。数据集通过24通道表面肌电图记录，结合RGB视频流和深度相机图像进行手部运动跟踪。此外，数据集还提供了示例处理脚本，便于快速采用。该数据集适用于开发和测试用户不变的分类方法，以及评估电极定位概念和分类方法的鲁棒性。The putEMG dataset was developed by the Institute of Control, Robotics and Information Engineering at Poznań University of Technology, with a focus on surface electromyography (sEMG)-based gesture recognition. It comprises data collected from 44 healthy subjects, covering 8 gesture categories including 3 full-hand gestures, 4 pinch movements, and a resting state. The dataset is recorded via a 24-channel surface EMG system, and is supplemented with RGB video streams and depth camera images to enable hand motion tracking. Additionally, sample processing scripts are provided to facilitate rapid adoption by researchers. This dataset is suitable for developing and testing user-invariant classification methods, as well as evaluating the robustness of electrode positioning concepts and classification algorithms.

搜集汇总

数据集介绍

构建方式

putEMG数据集的构建方式独具匠心，旨在为基于表面肌电图(sEMG)信号的手势识别方法提供一个评估平台。数据集采集了44名健康受试者的sEMG信号，涵盖了8种手势（包括3种全手手势、4种捏合手势和空闲状态）。数据采集过程中，受试者的前臂被安装了24个sEMG通道，并同步记录了RGB视频流和深度相机图像，用于手部运动跟踪。此外，数据集还包含了示例处理脚本，以供研究人员参考。数据集遵循Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)许可协议，可在https://www.biolab.put.poznan.pl/putemg-dataset/免费获取。

特点

putEMG数据集的特点在于其多样性和实用性。首先，它包含了一个相对较大的受试者群体，以及远高于其他公开数据集的手势重复次数，这为开发鲁棒的识别算法提供了宝贵资源。其次，数据集采用了稀疏的24矩阵式电极配置，使得开发独立于电极放置的方法成为可能。此外，putEMG数据集还引入了一种新颖的手势执行真实值标注方法，利用深度传感器和高清相机跟踪手部运动，并通过视频流进行手势重新标注和检测可能的错误，这种方法不会限制手部运动自由，也不会对受试手部施加额外的机械负荷。

使用方法

putEMG数据集的使用方法灵活多样。研究人员可以利用该数据集来开发和应用各种分类方法，评估电极定位概念，或者开发不受用户特定特征或电极位移影响的分类方法。数据集提供了Python使用脚本，方便研究人员快速上手。此外，数据集还以HDF5和CSV格式提供，并附带了1080p和576p的视频流和深度相机图像，供研究人员进行深入分析。为了方便下载和使用，数据集还提供了自动化的Python或Bash脚本。

背景与挑战

背景概述

表面肌电图(sEMG)作为一种非侵入性的肌肉活动分析方法，在诊断和人机界面(HMI)设计方面具有广泛的应用前景。随着科技的进步，sEMG技术在智能设备、康复医学和机器学习等领域得到了广泛关注。然而，sEMG信号的个体差异、非平稳性和易受外部因素干扰的特点，使得基于sEMG的手势识别方法的研究和应用面临着诸多挑战。为了解决这些问题，研究人员需要大量的数据集来开发和测试各种分类方法，并验证电极定位概念。putEMG数据集正是在这样的背景下产生的，它包含了44名健康受试者的sEMG信号，以及用于手部运动跟踪的RGB视频流和深度相机图像。该数据集的特点是包含大量的重复手势，并且采用了稀疏的24矩阵式电极配置，这有助于开发独立于电极放置的方法。此外，putEMG数据集还提出了一种新颖的手势执行真实值标注方法，使用深度传感器和高清摄像头来跟踪手部运动，然后利用视频流进行手势重新标注和检测可能的受试者错误。

当前挑战

尽管putEMG数据集在sEMG手势识别领域具有重要的意义，但仍然面临着一些挑战。首先，sEMG信号的个体差异和长期变化是构建鲁棒的识别算法的难题。其次，电极的定位和重新调整可能会导致信号特征的改变，从而影响分类器的性能。此外，现有的sEMG数据集大多缺乏手势重复次数，这限制了开发鲁棒的识别算法。最后，虽然深度学习等现代机器学习技术在sEMG信号分析中具有巨大的潜力，但需要大量的数据集和有效的处理方法。因此，putEMG数据集的发布为研究人员提供了一个重要的基准，有助于推动sEMG手势识别技术的发展。

常用场景

经典使用场景

putEMG数据集是针对基于表面肌电图(sEMG)信号的手势识别方法进行评估而设计的。该数据集包括44名健康受试者的数据，包含8种手势（3种全手手势、4种捏握手势和空闲状态）。数据集由24个sEMG通道的不间断记录、RGB视频流和用于手部运动跟踪的深度相机图像组成。此外，还发布了示例处理脚本。putEMG数据集在sEMG幅度和手势识别性能方面得到了验证。使用最先进的分类器和特征集进行分类，SVM分类器使用RMS特征和LDA分类器使用Hudgin的Du的特征集均达到了90%的准确率。该数据集可以作为各种分类方法的基准，用于评估电极定位概念或开发对用户特定特征或电极位移具有不变性的分类方法。

解决学术问题

putEMG数据集解决了在手部运动识别中普遍存在的电极定位、电极位移和信号个体差异等问题。数据集包含大量的重复手势，有助于开发鲁棒的识别算法。此外，数据集采用稀疏的24矩阵状电极配置，可以开发出不受电极放置影响的方法。通过使用深度传感器和高清摄像头跟踪手部运动，提出了一种新的手势执行真值标注方法。这些特点使得putEMG数据集成为手部运动识别研究的重要资源，有助于推动相关技术的发展。

衍生相关工作

putEMG数据集的发布促进了基于sEMG信号的手部运动识别研究。数据集被广泛用于开发新的分类方法和特征提取技术，以及评估电极定位概念。此外，数据集还被用于开发对用户特定特征或电极位移具有不变性的分类方法，从而提高系统的通用性和可靠性。这些相关工作推动了手部运动识别技术的发展，为开发更智能、更人性化的HMI提供了支持。