穿戴式设备多模态向前挥手手势识别训练数据

本数据主要应用于人工智能领域中多模态手势识别模型的训练与优化。该数据集由公司基于智能手环等穿戴式设备采集，融合了惯性测量单元（IMU）与表面肌电（sEMG）两种传感器数据，构建了双支路输入结构，覆盖了多种静态与动态手势类型，具备高质量、高多样性和高标注准确性的特点。通过对该数据集的训练，所构建的手势识别模型能够实现对用户手势的精准识别，涵盖日常交互中常见的静态手势（如握拳、张开手掌）与动态手势（如滑动、旋转等），并在实际测试中表现出良好的泛化能力，能够有效识别训练集外个体的手势动作，具备跨用户适应性。 该数据可广泛应用于智能手环交互控制、可穿戴设备中的手势命令识别以及无接触式人机交互等现有场景，同时在AR/VR虚拟现实交互、智能家居控制、工业现场手势操作识别等预期场景中也具有广阔的应用前景。构建神经网络模型，步骤1：在模型构建方面，采用了双支路的全连接神经网络结构，分别处理IMU与sEMG信号。IMU支路以1×6×128的张量为输入，展平为768维向量后，依次通过三层全连接网络（768→128→64→32），每层均包含批量归一化、ReLU激活函数及Dropout（丢弃率0.1）以防止过拟合，最终输出10类分类结果。sEMG支路以1×8×9的张量为输入，展平为72维向量后，依次通过两层全连接网络（72→32→16），同样配有批量归一化、ReLU激活与Dropout，最终输出10类结果。两个支路的输出在融合模块中进行拼接，形成20维特征向量，并通过三层全连接网络（20→64→32→10）完成最终分类。 步骤2：超参数的设置，采用优化器为Adam，初始学习率设定为0.001。 步骤3：将数据集划分为训练集、验证集和测试集，比例为7：2：1。使用训练集对神经网络进行训练，设置训练轮数为800轮，批次大小为32。在训练过程中，实时监控验证集的损失，当验证集损失连续50轮没有下降时，提前停止训练，防止过拟合。 步骤4：对模型进行超参数调整，尝试不同的学习率和批次大小等参数，找到最佳的模型性能。 原始肌电数据、滤波肌电数据单位：adc，温度单位：摄氏度。IMU x/y/z 轴加速度：米每二次方秒；IMU x/y/z 轴角速度：弧度每秒。

搜集汇总

背景与挑战

背景概述

该数据集由公司通过智能手环等穿戴式设备采集，融合惯性测量单元（IMU）与表面肌电（sEMG）双模态传感器数据，构建了高质量、高标注准确性的多模态手势识别训练数据。数据覆盖握拳、张开手掌等静态手势及滑动、旋转等动态手势，所训练的模型具备良好的跨用户泛化能力。可广泛应用于智能手环交互控制、可穿戴设备手势命令识别、无接触人机交互及AR/VR、智能家居、工业现场等场景。