MyoUP

MyoUP数据库是一个大型的sEMG数据集，专门用于手势分类。该数据集包含来自8个完整受试者的记录，包括3名女性和5名男性，年龄为22.38±1.06岁。数据采集分为三个部分：5种基本手指运动、12种等张和等长手部配置以及5种抓握手势。

The MyoUP database is a large-scale sEMG (surface electromyography) dataset specifically designed for gesture classification. This dataset comprises recordings from eight complete subjects, including three females and five males, with an average age of 22.38±1.06 years. The data collection is divided into three segments: five basic finger movements, twelve isometric and isotonic hand configurations, and five grasping gestures.

原始信息汇总

MyoUP Dataset 概述

数据集描述

• 名称：MyoUP Dataset
• 目的：为获取无需专业校准的sEMG数据做出贡献。
• 灵感来源：Ninapro数据库。
• 设备：使用Myo Armband（Thalmic labs）进行数据采集，该设备具有200Hz的采样频率和8个干式sEMG通道。

数据集内容

• 参与者：8名完整受试者（3名女性，5名男性；1名左撇子，7名右撇子；平均年龄22.38 ± 1.06岁）。
• 数据采集：
  • 动作类型：5种基本手指运动，12种等张和等长手部配置，5种抓握手势。
  • 执行方式：每个手势重复5次，每次持续5秒，间隔5秒以避免肌肉疲劳。
  • 辅助：由监督员协助受试者佩戴Myo Armband至其优势手上。

数据集应用

• 手势识别模型：基于MyoUP数据集开发了实时手势识别模型，使用CNN进行训练。
• 研究成果：该研究成果显示了良好的前景。

引用信息

• 作者：N. Tsagkas, P. Tsinganos, A. Skodras
• 出版物：2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA)
• 论文标题："On the Use of Deeper CNNs in Hand Gesture Recognition Based on sEMG Signals"
• DOI：10.1109/IISA.2019.8900709
• URL：http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8900709&isnumber=8900660

搜集汇总

数据集介绍

构建方式

在构建MyoUP数据集的过程中，研究团队采用了Myo Armband设备，这是一种价格相对低廉且易于佩戴的设备，具有200Hz的采样频率和8个干电极通道。数据集包含了来自8名健康受试者的记录，其中包括3名女性和5名男性，年龄分布在22.38 ± 1.06岁。数据采集分为三个部分：5种基本手指运动、12种等长和等张手部配置以及5种抓握手势。每位受试者在执行每组练习前都经过适应性训练，并被要求重复每个手势5次，每次持续5秒，间隔5秒以避免肌肉疲劳。

特点

MyoUP数据集的显著特点在于其广泛的适用性和高质量的数据记录。首先，该数据集涵盖了多种手部动作，包括基本手指运动、手部配置和抓握手势，为手势识别研究提供了丰富的数据资源。其次，数据集的构建过程中严格控制了受试者的适应性和重复次数，确保了数据的准确性和一致性。此外，Myo Armband设备的使用不仅降低了数据采集的门槛，还提高了数据的可重复性和可比较性。

使用方法

MyoUP数据集的使用方法多样，适用于多种手势识别和肌电信号分析的研究。研究者可以通过下载数据集并使用提供的代码进行数据预处理和模型训练。数据集的结构清晰，便于提取和分析特定类型的手势数据。此外，数据集还附带了详细的文档和示例代码，帮助用户快速上手。对于希望进行实时手势识别的研究者，数据集还提供了基于CNN的模型实现和训练方法，进一步简化了研究流程。

背景与挑战

背景概述

在表面肌电图（sEMG）数据采集领域，特别是针对无需专业校准的设备，MyoUP数据集应运而生。该数据集由N. Tsagkas、P. Tsinganos和A. Skodras等研究人员于2019年开发，灵感源自Ninapro数据库，旨在提供一个大规模的sEMG数据资源。MyoUP数据集包含了8名健康受试者的肌电信号记录，涵盖了5种基本手指运动、12种等长和等张手部配置以及5种抓握手势。这些数据通过Myo Armband设备采集，该设备因其低成本和易用性而在科研中广泛应用。MyoUP数据集的创建不仅丰富了sEMG数据资源，还为手势识别等研究提供了宝贵的数据支持。

当前挑战

MyoUP数据集在构建过程中面临了多重挑战。首先，确保肌电信号的准确采集是一个关键问题，尤其是在使用非专业校准设备时。其次，受试者在执行手势时需避免肌肉疲劳，这要求在数据采集过程中设计合理的休息间隔。此外，数据集的多样性和代表性也是一个挑战，确保涵盖不同性别、手部习惯和年龄段的受试者，以提高数据集的普适性。最后，如何在实际应用中实现高效的手势识别，尤其是在实时环境中，是该数据集面临的另一大挑战。这些挑战不仅推动了数据集的完善，也为相关领域的研究提出了新的方向。

常用场景

经典使用场景

在肌电信号（sEMG）研究领域，MyoUP数据集以其丰富的手势动作记录而著称。该数据集通过Myo Armband设备采集了8名受试者的肌电信号，涵盖了5种基本手指运动、12种等长和等张手部配置以及5种抓握手势。这些数据为研究人员提供了宝贵的资源，特别是在手势识别和肌电信号分析方面。通过重复每个手势5次，每次持续5秒，并在每次手势之间插入5秒的休息时间，数据集有效地避免了肌肉疲劳的影响，确保了数据的准确性和可靠性。

实际应用

在实际应用中，MyoUP数据集为肌电信号技术的广泛应用提供了坚实的基础。例如，在人机交互领域，通过分析MyoUP数据集中的手势动作，研究人员可以开发出更加自然和直观的用户界面，提升用户体验。在康复医学中，肌电信号的分析可以帮助医生监测患者的肌肉活动，评估康复效果，并制定个性化的康复计划。此外，MyoUP数据集还为智能家居、虚拟现实等新兴领域提供了技术支持，推动了这些领域的创新和发展。

衍生相关工作

基于MyoUP数据集，研究人员开展了一系列相关工作，推动了肌电信号研究的发展。例如，Tsagkas等人利用该数据集开发了基于卷积神经网络（CNN）的手势识别模型，实现了实时手势识别，并在国际会议上发表了相关研究成果。此外，MyoUP数据集还激发了其他研究者在肌电信号处理、特征提取和模式识别等方面的创新工作。这些衍生工作不仅丰富了肌电信号研究的理论体系，也为实际应用提供了技术支持，推动了肌电信号技术在多个领域的广泛应用。