Gestenerkennung

Am Cognitive Systems Lab untersuchen wir die Nutzbarkeit von Inertialsensorik (IMU) und Elektromyographie (EMG) für die Erkennung von Gesten im Kontext innovativer Benutzerschnittstellen. Inertialsensorik erfasst Bewegungen durch die Nutzung von Beschleunigungs- und Drehratensensoren. Elektromyographie hingegen erfasst die elektrische Aktivit?t w?hrend der Aktivierung von Muskeln. Beide Technologien zeichnen sich dadurch aus, dass sie ohne externe Referenz am K?rper getragen werden k?nnen, was sie attraktiv für den Einsatz in mobilen Anwendungen und Schnittstellen macht.

?ffentliche Datenkorpora

Verschiedene Gruppen besch?ftigen sich mit dem Einsatz von IMUs und EMG, auch im Kontext der Gestenerkennung. Durch die Vielzahl an m?glichen Einsatzgebieten und an m?glichen Gesten sind die erzielten Ergebnisse nur schwer miteinander zu vergleichen. Zus?tzlich ist für den Einsatz in realistischen Anwendungen die Untersuchung der Erkennungsleistung in sitzungsunabh?ngigen und personenunabh?ngigen Szenarien von besonderer Bedeutung.

Wir stellen der Community die Daten bereit, die im Rahmen unserer Experimente zur Gestenerkennung mit IMUs und EMG erfasst wurden.

mmGest

Datenkorpus zur Gestenerkennung mit IMUs und EMG. Dabei wurden sowohl IMU als auch EMG Daten von 5 verschiedenen Probanden in 5 Sitzungen gesammelt.

Bitte zitieren Sie folgende Studie wenn Sie die Daten verwenden:

Recognizing Hand and Finger Gestures with IMU based Motion and EMG based Muscle Activity Sensing (Marcus Georgi, Christoph Amma, Tanja Schultz), In International Conference on Bio-inspired Systems and Signal Processing, 2015. (BIOSIGNALS 2015)

Die kompletten Daten k?nnen hier heruntergeladen werden.

CSL hdemg

Der csl-hdemg Datensatz enth?lt high-density EMG Aufnahmen von Fingerbewegungen. Der Datensatz sowie ein Baseline Erkennungssystem sind in diesem Paper beschrieben:

Advancing Muscle-Computer Interfaces with High-Density Electromyography (Christoph Amma, Thomas Krings, Jonas B?er, Tanja Schultz), In Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems, ACM, 2015.

Bitte zitieren Sie dieses Paper, wenn Sie Arbeiten auf Grundlage dieser Daten ver?ffentlichen. Die Daten werden in einem zip-Archiv zur Verfügung gestellt, die über 2GB gro? ist. Neben den Daten selber enth?lt dieses Archiv eine readme.txt, die beschreibt, wie der Datensatz aufgebaut ist und wie von Matlab und Python auf die Daten zugegriffen werden kann.

Den Datensatz finden Sie hier.