EMG功能为手臂活动识别提供了数据集

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 手势识别对于直观的人机交互 (HCI) 至关重要.
• 电肌图 (EMG) 信号提供了一种有希望的,非侵入性的方法来捕捉手部运动.
• 现有的数据集可能缺乏强大的算法开发所需的特定特征或多样性.

研究的目的:

• 通过表面电肌图 (EMG) 信号呈现一种用于手势识别的新型数据集.
• 促进用于手势分类的机器学习算法的开发和基准测试.
• 为对假肢控制和先进的HCI.提供研究资源.

主要方法:

• 收集了来自八名健康受试者的表面电磁图数据,他们执行了三种不同的手势 (举起,抓住,曲).
• 使用了Delsys Trigno无线生物反系统,在主导手上有四个传感器.
• 处理原始EMG信号,提取每个频道的七个时间域特征,使用主要组件分析 (PCA) 将维度减少到六个组件 (95%的差异).

主要成果:

• 生成了处理的EMG信号和提取的特征的全面数据集.
• 主要组件分析 (PCA) 有效地将28个特征减少到6个组件,保留了95%的数据差异.
• 机器学习模型 (随机森林,物流回归) 被训练并测试以进行手势分类.

结论:

• 展示的EMG手势数据集适合用于训练和评估机器学习模型.
• 这一数据集对推进手势识别算法具有重大潜力.
• 应用包括改进假肢控制和新的人机交互接口.