肌电手势数据集

肌电手势数据集以前臂表面肌电信号（sEMG）为核心采集对象，目标是建立肌肉激活模式与手势类别之间的可重复映射关系。当前主流数据集可分为两类：以 Ninapro 系列为代表的标准稀疏电极数据集，以及以 CapgMyo 和 CSL-HDEMG 为代表的高密度 sEMG 数据集。

Ninapro 系列

Ninapro（Non-Invasive Adaptive Prosthetics）是目前规模最大、覆盖最系统的公开肌电手势数据库，由瑞士 HES-SO 等机构持续构建，自 2014 年起陆续发布 10 个子数据库（DB1–DB10），累计覆盖 180 余项数据采集，受试者兼含健全人与前臂截肢者。

DB1–DB7 的采集遵循统一范式：受试者观看屏幕上的手势示范视频，依次重复执行每类手势 10 次，分三个练习组完成——手指基本动作、等距/等张手部配置与基本腕部动作、握持与功能性动作。

三个关键节点

DB3（2014）——截肢者数据的引入。在 DB1/DB2 健全受试者基准建立后，DB3 立即纳入 11 名前臂截肢者，测试幻肢运动意图的 sEMG 可识别性。截肢者的残端肌肉激活模式与健全人存在显著差异，DB3 的加入使 Ninapro 具备了临床假肢控制研究的基础条件。

DB6（2017）——跨日稳定性的正视。DB6 专门针对 sEMG 的时间非平稳性问题设计，要求同一受试者在连续 5 天、每天 2 次的条件下重复采集相同的 7 类抓握手势。这是 Ninapro 系列中唯一以稳定性衰减而非分类准确率为核心研究目标的数据库。

DB8（2019）——从分类到回归的范式转变。DB8 放弃离散手势分类，转而采集连续手指动作的关节角度序列，任务目标变为从 8 通道 sEMG 连续预测指关节弯曲角度。这标志着肌电领域进入连续解码范式。

高密度 sEMG 数据集

标准稀疏电极（8–16 通道）仅能捕获局部肌肉的平均激活强度，而高密度 sEMG（HD-sEMG）通过密集电极阵列获取前臂肌肉的空间激活分布图，从根本上改变了特征提取的信息维度。

CapgMyo DB-a（2016）由浙江大学发布，采用 8×16 矩阵差分电极阵列，共 128 个通道。核心贡献在于将 sEMG 信号视为二维肌电图像处理：每个时刻的 128 通道信号构成一张空间激活热力图，单帧可达 89.3% 识别准确率，结合多数投票机制可提升至 99%。

CSL-HDEMG（2015）由不来梅大学发布，采用 7×24 双极电极阵列，共 192 个通道（业界通道密度最高），采样率 2048 Hz。其通道数消融实验可量化确定维持特定精度所需的最低电极密度，为可穿戴设备硬件设计提供直接依据。

EMGLAB 平台

EMGLAB 并非手势分类数据集，而是一个用于 EMG 信号分解与标注的软件平台与数据库站点，主要用于运动单位分解（Motor Unit Decomposition）、神经肌肉疾病研究和针极/表面 EMG 信号分析，最初面向 ALS 等神经退行性疾病研究。

以 EMGLAB 中常用的 N2001 数据库为例：包含正常对照组（10 名，21–37 岁）、肌病患者组（7 名）和 ALS 患者组（8 名）的 EMG 记录，采自针极/细针电极，每条信号有高采样率原始 EMG 波形，常被机器学习和医学信号分析研究引用。EMGLAB 的价值在于提供了高质量的临床 EMG 基准数据，为手势识别算法在医疗场景的适用性研究提供参照。