从使用便携式和非便携式设备的手的不同动作获得的表面电肌学数据集
Rita Q Fuentes-Aguilar1, Dusthon Llorente-Vidrio2, Leobardo Campos-Macias3
1Tecnológico de Monterrey, Institute of Advanced Materials for Sustainable Manufacturing. Av. Gral Ramón Corona No 2514, Zapopan, 45201, Jal. México.
Data in brief
|December 17, 2024
概括
这项研究介绍了MuscleTracker手动数据集,其中包括五种不同的手势的表面电肌图 (sEMG) 信号. 这种有价值的资源有助于开发用于先进假肢和人机交互应用的机器学习模型.
科学领域:
- 生物医学工程 生物医学工程
- 康复工程 康复工程
- 信号处理 信号处理
背景情况:
- 表面肌电图 (sEMG) 对于理解神经肌肉活动至关重要.
- 准确的sEMG数据集对于开发先进的辅助技术至关重要.
- 现有的数据集可能缺乏移动或受试者人口统计的多样性.
研究的目的:
- 为了介绍和描述MuscleTracker手动数据集.
- 为机器学习应用提供全面的sEMG数据集.
- 建立基于sEMG的手势识别的基准.
主要方法:
- 收集了49名健康受试者的sEMG数据,他们执行了五种不同的手动.
- 使用了两个录音设备:Biopac MP36和MuscleTracker.
- 包括受试者的人口统计和人类测量数据,以便进行详细的分析.
主要成果:
- 数据集包括5个手动中的825个sEMG数据样本.
- 数据来自两个sEMG通道,采样速率各不相同.
- 进行了验证实验,以确保数据完整性,并建立一个比较基线.
结论:
- 肌肉追踪器手动数据集是研究sEMG信号分类的宝贵资源.
- 这一数据集支持机器学习算法的进步,用于假肢控制和人机交互.
- 数据集的全面性质有助于稳健的模型开发和验证.
更多相关视频
09:14Surface Electromyographic Biofeedback as a Rehabilitation Tool for Patients with Global Brachial Plexus Injury Receiving Bionic Reconstruction
Published on: September 28, 2019
11.4K
08:09Multifunctional Setup for Studying Human Motor Control Using Transcranial Magnetic Stimulation, Electromyography, Motion Capture, and Virtual Reality
Published on: September 3, 2015
10.8K