ROAM-EMG

使用Thalmic Myo臂带，我们记录了28名参与者在四种手臂姿势下执行手势时的八通道sEMG信号，随后进行了两种抓握任务和三种手臂运动。数据集的详细信息在论文及其补充材料中提供。

Using the Thalmic Myo armband, we recorded eight-channel sEMG signals from 28 participants during gestures performed under four arm postures, followed by data collection for two grasping tasks and three arm movements. Detailed information about this dataset is provided in the paper and its supplementary materials.

原始信息汇总

ReactEMG数据集概述

数据集基本信息

• 名称: ReactEMG
• 类型: 表面肌电信号(sEMG)数据集
• 应用领域: 手势识别、假肢与机器人设备控制
• 开发机构: 哥伦比亚大学
• 发布日期: 2025年
• 许可证: MIT License

包含数据集

1. ROAM-EMG

• 采集设备: Thalmic Myo臂环
• 信号通道: 8通道sEMG信号
• 参与者: 28人
• 动作类型:
  • 四种手臂姿势下的手势
  • 两种抓握任务
  • 三种手臂运动类型
• 下载链接: Dropbox

2. 预处理公共数据集

• 来源: EMG-EPN-612等公开EMG数据集
• 预处理: 文件结构和数据格式与ROAM-EMG对齐
• 下载方式: 使用提供的curl命令一键下载

数据集特点

• 零样本学习: 支持无需校准的意图检测
• 低延迟: 实时处理前臂信号
• 高精度: 适用于精确控制应用

相关资源

• 论文: arXiv:2506.19815
• 项目主页: ReactEMG
• 演示视频: YouTube

引用格式

bibtex @misc{https://doi.org/10.48550/arxiv.2506.19815, doi = {10.48550/ARXIV.2506.19815}, url = {https://arxiv.org/abs/2506.19815}, author = {Wang, Runsheng and Zhu, Xinyue and Chen, Ava and Xu, Jingxi and Winterbottom, Lauren and Nilsen, Dawn M. and Stein, Joel and Ciocarlie, Matei}, title = {ReactEMG: Zero-Shot, Low-Latency Intent Detection via sEMG}, publisher = {arXiv}, year = {2025} }

联系方式

• 联系人: Runsheng Wang
• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

ROAM-EMG数据集的构建依托于Thalmic Myo臂带设备，通过采集28名受试者在四种手臂姿态下的八通道表面肌电信号（sEMG），系统记录了手势动作、抓握任务及手臂移动等多维度运动数据。实验设计严格遵循生物电信号采集规范，数据同步辅以动作视频标注，确保了时序对齐与动作标签的精确性。数据集构建过程中采用分阶段任务范式，涵盖静态手势、动态抓取和复合运动场景，为研究零样本意图识别提供了多模态基准。

特点

该数据集的核心价值在于其高时空分辨率的肌电信号与精细动作标注的耦合，每个样本包含200Hz采样的八通道sEMG时序数据及对应的17类动作标签。独特之处在于同步采集了不同手臂姿态下的肌电特征变异，为研究肢体位姿对信号解码的影响提供了关键数据支撑。相较于传统EMG数据集，其创新性地纳入了连续动作转换样本，并采用标准化文件结构存储原始信号与预处理特征，显著提升了跨研究可比性。

使用方法

使用ROAM-EMG需通过提供的Python工具链进行加载，数据集采用分层目录结构组织，包含原始信号、预处理特征及元数据文件。典型工作流包括：通过`event_classification.py`脚本加载数据，利用滑动窗口机制提取时频特征，结合预置的留一受试者交叉验证方案进行模型训练。评估阶段支持实时模拟与离线分析双模式，输出包含时序预测曲线、混淆矩阵及过渡动作精度等多维指标，用户可通过修改`--buffer_range`等参数适配不同延迟需求。

背景与挑战

背景概述

ROAM-EMG数据集由哥伦比亚大学的研究团队于2025年发布，旨在推动表面肌电信号（sEMG）在手势识别与意图检测领域的研究。该数据集通过Thalmic Myo臂环采集了28名参与者在不同手臂姿势下的八通道sEMG信号，涵盖了手势执行、抓取任务及手臂运动等多种动作模式。作为ReactEMG框架的核心组成部分，该数据集为零样本、低延迟的意图检测系统提供了重要支持，对智能假肢与机器人控制领域具有显著的应用价值。研究团队通过开放数据集与预处理公共数据的结合，为跨设备、跨用户的模型泛化能力研究建立了基准。

当前挑战

ROAM-EMG数据集面临的挑战主要体现在两方面：在领域问题层面，sEMG信号固有的高噪声、个体差异性及动态环境干扰导致手势分类的准确性与鲁棒性难以兼顾；实时性要求进一步增加了低延迟预测与信号漂移处理的难度。在构建过程中，研究团队需克服多参与者数据采集的标准化难题，包括传感器佩戴位置差异、肌肉疲劳效应以及动作执行的时间同步问题。此外，将异构的公开数据集与自采数据统一预处理以保持格式兼容性，也对数据清洗与特征对齐提出了较高要求。

常用场景

经典使用场景

在肌电信号研究领域，ROAM-EMG数据集因其多通道sEMG信号记录和多样化手势动作设计，成为手势识别和意图检测研究的基准数据集。研究者通常利用该数据集训练深度学习模型，以实现对手部动作的高精度分类，尤其在零样本学习和低延迟预测场景中展现出卓越性能。数据集包含28名参与者在不同手臂姿势下的手势数据，为模型泛化能力评估提供了丰富素材。

解决学术问题

该数据集有效解决了肌电信号研究中样本稀缺性和个体差异性的核心挑战。通过提供标准化的大规模多模态数据，研究者能够深入探究跨被试迁移学习、信号噪声抑制等关键问题。其包含的四种手臂姿势和多种手势组合，为研究肢体位置变化对肌电模式的影响提供了独特视角，显著推进了自适应生物信号解码领域的发展。

衍生相关工作

围绕该数据集衍生的ReactEMG框架开创了零样本肌电控制的新范式，相关成果发表在机器人顶刊IEEE Transactions on Robotics。后续研究团队在此基础上提出了时空注意力网络架构EMG-Transformer，以及融合惯性数据的多模态解决方案MyoSuite。这些工作共同推动了可穿戴计算与神经工程领域的交叉创新。