MyoUP

MyoUP数据库包含来自8名完整受试者的记录（3名女性，5名男性；1名左撇子，7名右撇子；年龄22.38±1.06岁）。采集过程分为三个部分：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。志愿者在执行每组练习前熟悉了程序。受试者被指导重复每个手势5次，每次5秒，间隔5秒以避免肌肉疲劳。

The MyoUP database comprises recordings from eight complete subjects (3 females, 5 males; 1 left-handed, 7 right-handed; aged 22.38±1.06 years). The data collection process was divided into three parts: five basic finger movements, twelve isotonic and isometric hand configurations, and five grasping gestures. Volunteers were familiarized with the procedure before performing each set of exercises. Subjects were instructed to repeat each gesture five times, with each repetition lasting five seconds and separated by a five-second interval to prevent muscle fatigue.

原始信息汇总

MyoUP Dataset 概述

数据集简介

• 目的：为获取无需专业校准的sEMG数据，开发了MyoUP数据库。
• 灵感来源：受Ninapro数据库启发，记录的手势与Ninapro数据库中的部分手势相同。
• 设备使用：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。

数据集信息

• 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：分为三个部分，包括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。
• 采集过程：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。

数据集应用

• 手势识别：基于MyoUP数据集，开发了实时手势识别模型，使用卷积神经网络（CNN）进行训练。

引用信息

• Tsagkas, N., Tsinganos, P., & Skodras, A. (2019). "On the Use of Deeper CNNs in Hand Gesture Recognition Based on sEMG Signals." 2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA), pp. 1-4. doi: 10.1109/IISA.2019.8900709.

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，这是一种成本较低且易于佩戴的表面肌电图（sEMG）采集工具。该设备具有200Hz的采样频率和8个干电极通道，广泛应用于科学研究中。数据集的采集涉及8名健康受试者（3名女性和5名男性，年龄为22.38 ± 1.06岁），他们分别进行了5种基本手指运动、12种等长和等张手部姿势以及5种抓握手势的记录。每位受试者在执行每组动作前都经过适应性训练，每个动作重复5次，每次持续5秒，间隔5秒以防止肌肉疲劳。

使用方法

MyoUP数据集主要用于肌电信号分析和手势识别研究。研究者可以通过该数据集训练卷积神经网络（CNN）模型，以实现对手势的实时识别。数据集的结构清晰，包含了多种手部动作的sEMG信号记录，便于研究者进行数据预处理和模型训练。此外，数据集的README文件提供了详细的采集过程和使用指南，帮助研究者快速上手并有效利用数据集进行相关研究。

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数据集的创建标志着一项重要进展。该数据集由N. Tsagkas、P. Tsinganos和A. Skodras等研究人员开发，灵感来源于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，该设备以其低成本和易用性在科研中广受欢迎。MyoUP数据集不仅为手势识别研究提供了丰富的数据支持，还推动了实时手势识别模型的开发，对肌电信号处理领域产生了深远影响。

当前挑战

MyoUP数据集在构建过程中面临多项挑战。首先，确保sEMG信号的准确采集是一个关键问题，因为设备的位置和受试者的舒适度直接影响信号质量。其次，避免肌肉疲劳和保持数据的一致性也是一大挑战，这需要在每次手势执行之间设置适当的休息时间。此外，数据集的多样性和代表性也是一个重要考量，确保涵盖不同性别、年龄和手部习惯的受试者，以提高模型的泛化能力。最后，实时手势识别模型的开发和优化，尤其是在处理噪声和信号干扰方面，仍然是该领域的一个持续挑战。

常用场景

经典使用场景

在肌电信号（sEMG）领域，MyoUP数据集以其丰富的手势动作记录而著称。该数据集特别适用于手势识别任务，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。通过使用Myo Armband设备，研究人员能够轻松获取高质量的sEMG数据，为手势识别模型的训练提供了坚实的基础。

解决学术问题

MyoUP数据集在解决手势识别领域的学术研究问题中发挥了重要作用。它不仅提供了多样化的手势数据，还通过使用非专业校准设备，降低了数据采集的门槛。这使得更多的研究者能够参与到sEMG信号分析中，推动了手势识别技术的发展，特别是在实时手势识别和用户个性化模型构建方面。

实际应用

在实际应用中，MyoUP数据集为开发基于sEMG信号的智能假肢和手势控制设备提供了宝贵的资源。通过训练基于该数据集的模型，可以实现对手部动作的精准识别，从而提高假肢的控制精度和用户体验。此外，该数据集还可用于开发智能家居设备的手势控制界面，增强人机交互的自然性和便捷性。

数据集最近研究

最新研究方向

在肌电信号（sEMG）领域，MyoUP数据集的最新研究方向主要集中在手势识别的实时应用上。得益于Myo Armband设备的普及性和易用性，研究人员通过设计卷积神经网络（CNN）并利用MyoUP数据集进行训练，成功开发了高效的手势识别模型。这一进展不仅提升了sEMG信号在人机交互中的应用潜力，也为非专业用户提供了更为便捷的交互方式，进一步推动了智能设备与用户之间的无缝连接。