内容：本资源是基于肌电信号去进行分类的，通过对采集的肌电信号进行特征抽取，然后进行分类。 特征抽取方法:主成分分析法，支持向量机递归消除法，相关性热力图法 分类算法：KNN,SVM,随机森林

针对多通道信号检测系统在表面肌电信号sEMG(surface electromyography)信号检测分析中的应用，设计了一种基于LabVIEW的多通道sEMG信号检测系统。该系统由前置调理电路、数据接口卡以及LabVIEW软件编程部分组成。利用该系统采集并分析健康受试者完成指力跟踪动作时前臂指总伸肌上4通道sEMG信号时频域的特征值。实验结果表明，该系统能实现4通道sEMG信号的实时采集,并得到与手指力量相关的sEMG信号时域特征和频域特征，验证了所设计检测系统是可行的。

sEMG 信号 预处理：去噪，分割，特征提取

BandMyo数据集 这是BandMyo数据集，用于基于sEMG的手势识别。 BandMyo是一个基于sEMG的手势识别数据集，其前臂上戴着一个Myo臂章。 如图15所示，它包含15个静态手势。 招募了六名受试者进行数据收集，其中包括四名男性（21-26岁）和两名女性（23-25岁）。 在数据收集过程中，对象会在视频指导下执行所有15个手势，并同时记录sEMG信号。 完成15个手势后，对象将脱下设备并稍作休息。 随后，他/她再次拿起设备并重复之前的步骤。 最后，此过程重复8次，每次重复都是由主体在不同情况下做出的。

基于表面肌电信号(sEMG)的手势识别技术是人机自然交互领域的重要研究方向。手势识别技术的实现关键在于如何提取sEMG信号的有效特征。提出了一种提取sEMG信号稀疏特征用于多类手势识别的有效方法。该方法以稀疏表示作为特征提取工具，以支持向量机(SVM)作为分类器对多个手势进行识别。首先，采用双阈值法检测分割出手势动作的活动段；其次随机抽取部分运动段样本初始化稀疏表示词典，利用KSVD方法对过完备字典和稀疏系数进行无监督更新;最后，利用SVM对稀疏系数特征向量进行分类以实现对不同手势的识别。通过在公开数据库和自有数据库上进行实验测试，结果表明结合稀疏特征和SVM分类方法可实现16种手势平均识别准确率达到98.4%。

matlab肌电信号处理代码Wearable_Sensor_Long-term_sEMG_Dataset 该代码在《生物医学信号处理和控制》 （ Biomedical Signal Processing and Control）接受的论文中进行了描述。 您可以从看到该数据集使用非常简单的在线处理来控制3D图形。 此外，重新连接的效果为。 <说明> 在set_config.m中更改目录并下载getxxfeat.m之后，可以使用此代码。 该项目有四个文件夹： 手势动作每个前臂基本动作有8部短片 数据 来自5个主题的30天EMG数据 csv文件（每个数据具有1.5-s信息） D表示天 M表示运动标签（例如，M1表示静止状态，M2表示手腕弯曲） T表示试验次数 代码该文件夹具有一个名为main_script的主m.file，该文件使用： set_config 预处理 extract_feature 您可以从以下文件中获取以下m.files： getrmsfeat getmavfeat getzcfeat getsscfeat 喝彩 ar 盘中 plot_figure6_and_figure7

BandMyo数据集 这是BandMyo数据集，用于基于sEMG的手势识别。 BandMyo是一个基于sEMG的手势识别数据集，其前臂上戴着一个Myo臂章。 如图15所示，它包含15个静态手势。 招募了六名受试者进行数据收集，其中包括四名男性（21-26岁）和两名女性（23-25岁）。 在数据收集过程中，对象会在视频指导下执行所有15个手势，并同时记录sEMG信号。 完成15个手势后，对象将脱下设备并稍作休息。 随后，他/她再次拿起设备并重复之前的步骤。 最后，此过程重复8次，每次重复都是由主体在不同情况下做出的。 要使用此数据集，请引用： @article {zhang2021feature，title = {一种基于高密度sEMG的手势识别的特征自适应学习方法}，作者= {Zhang，Yingwei and Chen，Yiqiang and Yu，Hanchao and Yang

delsys设备采集的表面肌电信号，16个手势动作，每个动作维持6s，休息4s，进行6次循环。类别标签通过最大面积法修正，效果较好。

这些是用于开发为 CBEB2018 提出的文章“使用最大重叠离散小波变换和自动编码器神经网络改进基于 sEMG 的手势识别”的 matlab 代码。

为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征，更好的识别人体上肢运动模式，提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号，应用小波包核主元分析法对表面肌电信号进行特征提取，采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明，采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作，更能有效提取表面肌电信号信息，动作识别率高达98%。