myo-readings-dataset|肌电图数据集|人体运动分析数据集

Myo臂带肌电图读数数据集，用于多种手腕姿势，包括休眠、屈曲、伸展、桡侧偏移、尺侧偏移、旋前、旋后和握拳等。数据集详细描述了数据结构、记录协议、手势标签以及数据文件格式。

The Myo armband electromyography (EMG) readings dataset encompasses a variety of wrist postures, including rest, flexion, extension, radial deviation, ulnar deviation, pronation, supination, and fist clenching. The dataset provides detailed descriptions of the data structure, recording protocols, gesture labels, and data file formats.

原始信息汇总

myo-readings-dataset 概述

数据集描述

本数据集包含Myo臂带采集的肌电图读数，用于记录手腕的休眠、屈曲、伸展、桡侧偏移、尺侧偏移、旋前、旋后和握拳等动作。

项目结构

• 右手的读数：位于_readings_right_hand文件夹。
• 左手的读数：位于_readings_left_hand文件夹。
• 每个参与者的数据：每个文件夹以随机唯一ID（五位数字）命名，后跟会话编号，如12345-1。
• 每个会话文件夹：包含多个文件，每个手腕动作对应一个文件，文件名为<label>.txt，如2.txt代表伸展。
• 每个会话文件夹应包含至少八个文件：对应动作0-7。
• 每个文件：由多行组成，每行代表Myo臂带的八个EMG通道的样本及手腕动作的标签，格式为<EMG值>,<EMG值>,...,<动作标签>。

记录协议

• Myo臂带放置：位于前臂最粗部分，LED指向手背侧。
• 每个文件：包含一分钟的记录，约12,000行，每行代表一个时间点的数据。
• 动作标签：每五行交替显示动作标签，休眠动作文件仅包含休眠标签（0）。

动作标签

• 0: 休眠
• 1: 屈曲
• 2: 伸展
• 3: 桡侧偏移
• 4: 尺侧偏移
• 5: 旋前
• 6: 旋后
• 7: 握拳

精选会话

curated.txt文件列出了在应用机器学习策略评估数据集时，大多数动作中参与者内部准确性良好的会话。建议在使用数据集进行机器学习策略应用时，仅使用这些精选会话。

AI搜集汇总

数据集介绍

构建方式

myo-readings-dataset数据集的构建基于Myo臂带设备采集的肌电信号数据，涵盖了手腕的休眠、屈曲、伸展、桡偏、尺偏、旋前、旋后以及握拳等动作。数据采集过程中，Myo臂带被放置在右前臂最厚的部位，LED灯指向手背方向。每个文件包含一分钟的肌电信号记录，采样频率约为200 Hz，每行数据包含八个肌电通道的采样值及对应的手势标签。数据按参与者和会话进行组织，每个会话文件夹包含至少八个手势文件，文件命名格式为`<label>.txt`，其中标签对应具体手势。

特点

该数据集的特点在于其高度结构化的数据组织形式和丰富的手势类别。每个会话文件夹包含多个手势文件，文件内容为肌电信号采样值及对应的手势标签，采样值范围为[-128, 127]，标签为0到7的整数，分别代表不同的手势。数据集还提供了经过筛选的`curated.txt`文件，列出了在机器学习评估中表现良好的会话，确保了数据的质量和可靠性。此外，数据集的采样频率和记录时长均经过严格控制，确保了数据的准确性和一致性。

使用方法

使用myo-readings-dataset时，首先需根据`curated.txt`文件筛选出高质量的会话数据，以确保机器学习模型的训练效果。数据文件以文本格式存储，每行包含八个肌电通道的采样值及手势标签，可直接读取并转换为数值矩阵进行处理。手势标签可用于监督学习任务，而肌电信号数据则可用于特征提取和模型训练。建议在数据预处理阶段对肌电信号进行标准化处理，以提高模型的泛化能力。此外，可通过可视化手段分析肌电信号的变化趋势，进一步理解手势与信号之间的关系。

背景与挑战

背景概述

myo-readings-dataset是一个专注于手腕动作的肌电信号数据集，旨在捕捉并分析手腕在休眠、屈曲、伸展、桡偏、尺偏、旋前、旋后以及握拳等动作中的肌电信号变化。该数据集由Myo臂带设备采集，采样频率约为200Hz，数据格式为8通道的肌电信号及对应的动作标签。数据集的结构设计严谨，包含左右手的独立文件夹，每个文件夹下按会话编号存储数据，确保数据的系统性和可追溯性。该数据集的创建为手势识别、人机交互以及康复医学等领域提供了重要的实验基础，推动了相关技术的进步。

当前挑战

myo-readings-dataset在构建和应用中面临多重挑战。首先，肌电信号的采集易受电极位置、设备方向以及个体生理差异的影响，导致数据质量的不稳定性。其次，数据集中包含的休眠状态信号与轻微手部动作混杂，增加了分类模型的训练难度。此外，数据集的标注和整理过程需要高度精确，以确保每个会话数据的完整性和一致性。尽管数据集提供了`curated.txt`文件以筛选高质量会话，但其自动生成机制尚未完善，仍需人工干预。这些挑战不仅影响了数据集的直接应用，也对后续机器学习模型的性能提出了更高要求。

常用场景

经典使用场景

在生物医学工程和运动科学领域，myo-readings-dataset数据集被广泛用于研究手腕动作的肌电图（EMG）信号。该数据集通过Myo臂带捕捉了包括休眠、屈曲、伸展、桡侧偏斜、尺侧偏斜、旋前、旋后和握拳等八种手腕动作的EMG信号，为研究人员提供了一个标准化的实验平台，用于开发和验证手势识别算法。

衍生相关工作

基于myo-readings-dataset，许多经典研究工作得以展开。例如，研究人员开发了基于深度学习的多手势分类模型，显著提高了手势识别的准确性和鲁棒性。此外，该数据集还被用于研究跨用户手势识别问题，推动了手势识别技术在更广泛场景中的应用。这些衍生工作不仅验证了数据集的价值，也为相关领域的研究提供了新的思路和方法。

数据集最近研究

最新研究方向

在生物医学工程和人机交互领域，myo-readings-dataset为研究手腕动作的肌电信号提供了宝贵的数据资源。该数据集的最新研究方向集中在利用深度学习算法提高手势识别的准确性和鲁棒性。研究者们通过分析不同手势的肌电信号模式，探索如何优化电极放置和设备方向，以提升跨参与者的识别一致性。此外，该数据集还被用于开发实时手势控制系统，特别是在虚拟现实和增强现实应用中，以实现更自然的人机交互体验。这些研究不仅推动了肌电信号处理技术的发展，也为康复医学和智能假肢设计提供了新的思路。