BasCom

BasCom数据集是由比勒费尔德大学技术学院创建的新型表面肌电信号数据集，专门用于零样本学习研究。该数据集包含11名参与者采集的11种基本动作和8种组合动作，规模超越了先前同类数据集，为肌电信号分析提供了更丰富的样本基础。数据采集过程通过标准表面肌电信号记录设备完成，经过严格的时间窗口分割和多通道信号预处理，形成了结构化的时间序列数据。该数据集主要应用于智能假肢控制领域，旨在解决组合动作识别中的校准负担问题，为零样本学习算法在临床康复应用中的性能评估提供关键实验数据。The BasCom dataset is a novel surface electromyography (sEMG) dataset developed by the Faculty of Technology, Bielefeld University, exclusively for zero-shot learning research. It contains 11 basic movements and 8 combined movements collected from 11 participants, with a scale surpassing that of prior comparable datasets, thus providing a more abundant sample foundation for sEMG signal analysis. The data collection was conducted using standard sEMG recording devices, and the raw signals were subjected to rigorous time window segmentation and multi-channel signal preprocessing to generate structured time-series data. This dataset is primarily utilized in the field of intelligent prosthetic control, aiming to address the calibration burden in combined movement recognition and provide key experimental data for evaluating the performance of zero-shot learning algorithms in clinical rehabilitation applications.

原始信息汇总

数据集概述

该数据集详情页面是一个GitLab群组，包含与“sEMG零样本学习”相关的多个子项目，具体如下：

• BasComdataset：一个项目，已创建8个月。
• sEMGsampling：一个项目，已创建8个月。
• Zeroshotmethods：一个项目，已创建8个月。

该群组主要用于组织和托管与“sEMG”（表面肌电图）和“零样本学习”（Zero-shot learning）相关的代码或数据集资源。

搜集汇总

数据集介绍

构建方式

表面肌电信号（sEMG）在假肢控制中具有重要应用，然而现有研究多聚焦于识别基本动作，对日常活动中不可或缺的组合动作关注不足。为填补这一空白，BasCom数据集应运而生。该数据集由11名参与者采集，涵盖11种基本动作（包括手腕伸展、屈曲、旋后、旋前，以及指尖捏、侧捏、三指捏、钩状抓握、手张开、握拳和静止）与8种组合动作（如伸展与手张开、旋后与握拳等），共计19类动作。数据采集使用MindRove臂环以500Hz采样率记录8通道sEMG信号，经20-250Hz带通滤波和50Hz陷波滤波后，分割为128样本的滑动窗口，步长为25个样本。所有参与者对基本和组合动作进行3轮重复采集，随后额外完成7轮基本动作采集，最终构建了规模超越先前同类工作的数据集。

特点

BasCom数据集的核心特点在于其围绕零样本学习的理论需求进行设计。基于肌肉协同理论，数据集假设组合动作在嵌入空间中可近似表示为基本动作的凸组合，并通过几何分析验证了该假设——在原型网络的嵌入空间中，组合动作与基本动作的线性误差中位数仅为0.29，远低于信号空间的0.81，表明深度表征网络有效展平了数据流形。此外，数据集专门设置了从基本动作到组合动作的零样本迁移场景，为评估原型插值（CPI）和合成适应原型（SAP）等创新方法提供了基准。SAP方法通过仅优化嵌入空间中的原型位置，在不更新骨干网络的前提下，实现了对未见组合动作的增量识别，避免了灾难性遗忘，在11名参与者的在线实验中展现了对真实世界干扰的鲁棒性。

使用方法

BasCom数据集的典型使用方式遵循零样本增量学习范式。首先，利用11种基本动作的sEMG信号训练一个1D-CNN原型网络，骨干网络包含三个卷积层（核尺寸依次为9、5、3，通道数32、64、128），通过交叉熵损失优化基本动作的原型位置。随后，对于8种组合动作，基于式（1）在嵌入空间中对基本动作样本进行线性插值生成合成数据，初始化组合动作原型（CPI方法）。进一步，可选用SAP-full或SAP-专用化方法，在保持CNN固定的情况下，仅通过反向传播调整全部或部分原型位置以最小化跨熵损失，同时引入边缘损失和稳定损失以平衡基本与组合动作的识别精度。数据集的开源代码与预处理流程可在https://gitlab.com/semg-zeroshot获取，便于复现实验结果。

背景与挑战

背景概述

表面肌电信号（sEMG）在假肢控制领域具有广泛应用，使上肢截肢患者能够恢复部分手部功能。然而，现有研究多集中于识别基本动作，忽视了日常生活中不可或缺的复合动作（如开门时的旋后与抓握组合）。为解决这一局限，比勒费尔德大学的Rui Liu和Benjamin Paaßen于2026年创建了BasCom数据集，该数据集包含11名健康参与者的11种基本动作和8种复合动作，样本规模超越此前同类数据集。核心研究问题在于如何在不收集复合动作标注数据的前提下，通过零样本学习实现其准确分类，以减轻临床中反复采集数据的“校准负担”。该数据集推动了原型网络与零样本学习在sEMG领域的结合，为开发低负荷、高适应性的假肢控制系统奠定了重要基础。

当前挑战

BasCom数据集面临的首要挑战是解决sEMG信号中复合动作与基本动作之间的非线性关系。肌肉协同理论假设复合运动可表示为基本运动的线性组合，但由于信号传输中的串扰、噪声以及截肢者代偿性肌肉活动，实际记录的sEMG信号高度非线性，导致基于信号插值的零样本方法准确率低下。其次，构建过程需克服采集复杂性：11名参与者需完成19种动作（含8种复合动作），并通过MindRove臂带在实验室环境与在线推理场景下重复记录，实验流程需平衡数据多样性与参与者疲劳度。此外，模型需在保持基本动作识别精度的同时，实现复合动作的零样本增量学习，避免灾难性遗忘，这对原型网络的适应性提出了严峻考验。

常用场景

经典使用场景

BasCom数据集专为表面肌电信号（sEMG）中未见组合动作的零样本分类研究而设计，其经典使用场景在于评估和验证新提出的原型网络方法（如CPI和SAP）在仅基于基础动作训练后，对组合动作的识别性能。该数据集包含11种基础动作和8种组合动作，覆盖腕部和手部运动，为研究者提供了一个标准化的基准平台，可用于对比不同零样本学习方法在离线与在线推理场景下的分类准确率。

衍生相关工作

BasCom数据集衍生推动了多项经典工作的发展，包括Compositional Prototype Interpolation（CPI）和Synthetic Adaptation for Prototypes（SAP）方法的提出与优化。这些研究基于数据集验证了嵌入空间线性插值的有效性，并进一步开发了SAP-specialized等变体以适应截肢者的非线性挑战。此外，该数据集还催生了扩展的阈值推理框架（e-Syn0net）和信号混合策略（Signal Mixup），为后续零样本肌电研究提供了可复现的基准和创新的算法引擎。

数据集最近研究

最新研究方向

表面肌电信号（sEMG）领域的前沿研究正聚焦于零样本学习（Zero-Shot Learning, ZSL）在假肢控制中的应用，旨在突破传统模型对新动作需反复采集数据与重新训练的局限。BasCom数据集应运而生，它包含11种基本动作与8种复合动作，覆盖日常活动如开门、拉抽屉等，为识别未见复合动作提供了丰富基准。当前研究热点围绕肌肉协同理论，探究如何在嵌入空间中通过线性插值近似复合动作，并发展出合成原型适应（SAP）等方法，显著提升对复合动作的分类精度——在公开数据集及在线用户实验中，SAP相比传统信号混合法提升超过20%准确率。这一进展不仅降低了临床标定负担，还为肢残患者实现更自然、灵活的假肢操控开辟了新路径，推动了sEMG从实验室向实用化临床部署的跨越。

相关研究论文

• Prototype Adaptation for Zero-Shot sEMG Movement Classification

  比勒费尔德大学·技术学院 · 2026年