GrabMyo

GrabMyo数据集是由滑铁卢大学创建的，专注于表面肌电图（EMG）的多日记录数据集。该数据集包含43名参与者在三天内执行静态手/腕姿势时的EMG数据，共计129个记录会话。数据集不仅支持EMG生物识别研究，还为EMG基础的手势识别研究提供了宝贵的资源，特别是在提高算法在多日场景下的鲁棒性方面。此外，数据集包含两种电极位置：前臂和手腕，这有助于工业级可穿戴腕带和手环的研发，用于生物识别认证和手势识别应用。The GrabMyo dataset, developed by the University of Waterloo, is a multi-day recording dataset focused on surface electromyography (EMG). It contains EMG data collected from 43 participants while they performed static hand and wrist postures across three days, totaling 129 recording sessions. The dataset not only supports EMG-based biometric research but also provides valuable resources for EMG-based gesture recognition studies, particularly for enhancing the robustness of algorithms in multi-day scenarios. Additionally, the dataset includes two electrode placement positions: the forearm and the wrist, which facilitates the research and development of industrial-grade wearable wristbands and smart bracelets for applications such as biometric authentication and gesture recognition.

搜集汇总

数据集介绍

构建方式

表面肌电信号作为生物特征识别的新兴载体，其个体间固有的差异性为身份认证提供了独特优势。GrabMyo数据集由加拿大滑铁卢大学研究团队构建，招募了43名健康受试者（23名男性，20名女性），在跨度为29天的三个独立日期（第1天、第8天和第29天）内采集前臂与腕部表面肌电信号。实验采用OT Bioelettronica EMGUSB2+生物信号放大器，以2048 Hz采样率记录28个单极电极的数据：前臂配置16个电极形成两个八电极环，腕部配置12个电极形成两个六电极环。受试者执行16种静态手部/腕部手势，每个手势包含7个试次。电极位置依据解剖标志精确定位，以确保跨受试者的一致性。

特点

该数据集在肌电生物特征研究领域具有显著独特性。首先，它是目前公开数据集中总记录次数最多的多日肌电数据集（43名受试者×3天=129次记录），有效弥补了现有研究受试者规模小、单日采集的局限。其次，数据集同时包含前臂与腕部双电极位置配置，为可穿戴腕带设备的工业级应用研发提供了直接支撑。此外，数据集支持双模态安全框架：手势序列作为可定制密码，肌电信号提供生物特征级安全，在正常测试场景下六码配置的中位等错误率低至0.017（前臂）和0.025（腕部），展现了极高的认证精度。

使用方法

数据集以PhysioNet和IEEE Dataport双平台开放获取，提供WFDB格式（.dat/.hea文件）和MATLAB格式（.mat文件）两种存储形式。每个文件包含10240×32的数值矩阵，对应17种手势（含静息态）×7个试次×32通道的肌电数据。配套提供完整工具链：readme.txt详述数据格式，fileread.m和fileread.ipynb分别支持MATLAB与Python的数据读取，EMGprocess.m实现标准信号处理流程。研究者可基于200毫秒滑动窗口与频率分割技术提取特征，利用马氏距离进行生物特征比对，并通过加权多数投票融合多码序列，实现从单码到六码的灵活认证策略配置。

背景与挑战

背景概述

肌电图（EMG）作为一种新兴的生物特征识别技术，近年来因其固有的个体差异性及能够实现多长度代码或密码（如通过不同手势）的独特优势而备受关注。然而，现有基于EMG的生物特征研究存在两个关键局限：受试者样本量小且多局限于单次采集的数据集。为弥补这一空白，滑铁卢大学工程仿生学实验室的Ashirbad Pradhan、Jiayuan He与Ning Jiang等人于近年创建了GrabMyo数据集。该数据集从43名健康受试者的前臂和手腕处采集了表面EMG信号，并在第1、8、29天三个分离的时间点进行重复测量，共计129次记录会话，成为目前规模最大的多日EMG数据集。该研究核心在于验证EMG在多日、大样本条件下的生物特征认证潜力，其多日生物特征认证结果中前臂与手腕设置的等错误率中位数分别低至0.017和0.025，为EMG生物特征从实验室走向实际应用提供了关键证据。

当前挑战

GrabMyo数据集所解决的领域问题核心在于EMG生物特征认证的鲁棒性与实用性挑战。一方面，传统生物特征如指纹和面部识别易受数据泄露与伪造威胁，而EMG虽具备抗欺骗性，但其信号受电极移位、皮肤状态（干湿）、体力状况等非平稳因素影响，导致跨日性能显著下降。该数据集通过多日采集方案，揭示了单日与跨日认证性能的巨大差异（如单日等错误率中位数0.026，而单跨日升至0.098），凸显了时变环境下保持认证一致性的难题。另一方面，数据集构建过程中面临严峻挑战：需在43名受试者、三个分离日期内精确复现16种手/腕部手势的采集流程，并确保前臂16通道与手腕12通道电极定位的跨日一致性。研究团队通过解剖标志定位与标准操作协议尽量减小电极偏移，但未在皮肤上做标记，使得电极位置微小变动成为现实且不可避免的干扰因素，这反而为开发电极偏移鲁棒性算法提供了真实场景数据支撑。

常用场景

经典使用场景

在生物识别与肌电信号交叉研究领域，GrabMyo数据集被广泛用于评估基于表面肌电信号的多模态身份验证系统。该数据集通过采集43名受试者在三个不同日期内执行16种静态手/腕部手势的肌电信号，为研究跨日、跨会话的肌电生物识别稳定性提供了宝贵的基准资源。研究者常利用该数据集验证多码融合框架在正常测试与泄露测试场景下的认证性能，尤其关注前臂与腕部电极配置的等错误率对比，从而探索可穿戴设备在身份认证中的实际可行性。

实际应用

在实际应用层面，GrabMyo数据集为开发基于肌电信号的智能可穿戴设备（如腕带、手环）提供了关键验证平台。其跨日认证结果（前臂设置中位等错误率0.017）表明，用户可通过自定义手势序列实现媲美传统生物识别的安全等级。该数据集直接支持工业级腕部肌电手环的研发，应用于智能手机解锁、门禁系统及金融支付等场景，兼具隐蔽性与活体检测优势，有效抵御伪造攻击，为消费电子市场的生物识别技术革新提供了可落地的解决方案。

衍生相关工作

基于GrabMyo数据集，衍生出一系列关于肌电信号处理与模式识别的经典工作。例如，研究者利用该数据验证了频率划分技术与马氏距离在跨日认证中的有效性，推动了多码融合框架的优化。此外，数据集的公开性促进了无校准跨用户手势识别模型的训练，如基于深度学习的域自适应方法，显著降低了新用户的使用门槛。电极移位不变性技术（如迁移学习与协变量移位适应）也借助该数据得到系统评估，为肌电控制假肢与虚拟现实交互领域提供了跨场景泛化的解决方案。