EMGBench
EMGBench包含九个EMG数据集，评估肌电图分类算法在分布外性能，用于辅助技术控制。
基本信息
资源简介
EMGBench
【一句话概览】
本论文提出首个用于评估肌电（EMG）分类算法分布外性能的泛化与自适应基准。EMG分类器处理与训练分布不同输入的能力，对其作为控制接口的实际部署至关重要。该基准包含两项任务：跨受试者分类，以及基于时间序列训练-测试划分的自适应，涵盖九个数据集，并引入一个采用新型易穿戴高密度EMG可穿戴设备采集的新数据集。该基准为EMG研究社区提供了分析分布外性能的宝贵资源，代码与数据见emgbench.github.io（来源 emgbench.github.io）。
【数据内容】
源站原始描述：This paper introduces the first generalization and adaptation benchmark using machine learning for evaluating out-of-distribution performance of electromyography (EMG) classification algorithms. The ability of an EMG classifier to handle inputs drawn from a different distribution than the training distribution is critical for real-world deployment as a control interface. By predicting the user’s intended gesture using EMG signals, we can create a wearable solution to control assistive technologi…
中文译文（机器翻译，仅供快速理解，请以原文为准）：本文介绍了首个利用机器学习评估肌电图（EMG）分类算法分布外性能的泛化与适应基准。EMG分类器处理与训练分布不同的输入的能力，对于作为控制界面在现实世界中部署至关重要。通过利用EMG信号预测用户意图的手势，我们可以创建可穿戴解决方案来控制辅助技术，如计算机、假肢和移动操作机器人。这个新的分布外基准包含两项主要任务，对于构建稳健且适应性强的控制界面具有实用价值：1）跨受试者分类，以及2）使用时间序列的训练-测试划分进行适应。该基准涵盖九个数据集，是基准中最大的EMG数据集集合。其中，引入了一个新数据集，采用一种新颖、易于穿戴的高密度EMG可穿戴设备进行数据采集。缺乏开源基准使得EMG研究界难以比较论文之间的准确率结果。这个新基准为研究人员提供了宝贵资源，用于分析EMG数据集分布外性能的实际度量。我们的代码和来自新数据集的数据可在emgbench.github.io找到。
【主题与分类】
主题标签：Electromyography、EMG、Out-of-Distribution、Generalization、Adaptation、Benchmark、Classification、Intersubject、Time-series、Wearable。
【适用方向】
时序数据适用于疾病进展预测、生理信号监测与事件发生的时序建模。
【获取与许可】
源站页面：https://emgbench.github.io/
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://emgbench.github.io/
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
EMGBench数据集由卡内基梅隆大学创建，包含九个EMG数据集，用于评估肌电图分类算法在分布外性能的基准。数据涵盖多种实验条件和协议，其中新引入的FlexWear-HD数据集使用高密度EMG传感器收集肌肉活动数据。原始时间序列数据经预处理转换为2D活动图，采用多种机器学习模型进行分类，主要应用于评估和改进EMG接口的鲁棒性，以控制假肢和机器人等辅助技术。
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
