emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography

要約

表面筋電図（SEMG）は、個々の脊椎ニューロンと豊かさを検出するのに十分な感度を持つ筋肉活動によって生成された非侵襲的測定信号と、数十のジェスチャーとそのニュアンスを特定します。
ウェアラブルリストベースのSEMGセンサーは、低摩擦、微妙、情報が豊富で、常に利用可能な人間コンピューター入力を提供する可能性があります。
この目的のために、QWERTYキーボードをタッチしながら、手首に記録された非侵襲的な筋電図信号の大規模なデータセットであるEMG2QWERTYを紹介します。
108人のユーザーと346時間の録音にまたがる1,135セッションで、これはこれまでで最大のパブリックデータセットです。
これらのデータは、ニューロンから筋肉と筋肉の組み合わせ、およびユーザーとユーザーセッション全体のドメインシフトの観点から、生成プロセスの両方の点で、非自明であるが明確に定義された階層的な関係を示しています。
密接に関連する自動音声認識の分野（ASR）から標準モデリング手法を適用すると、SEMG信号のみを使用してキープレスの予測に強いベースラインパフォーマンスを示します。
このタスクとデータセットの豊かさは、機械学習と神経科学コミュニティの両方にとって、関心のあるいくつかの問題の進展を促進すると考えています。
データセットとコードは、https：//github.com/facebookresearch/emg2qwertyでアクセスできます。

要約(オリジナル)

Surface electromyography (sEMG) non-invasively measures signals generated by muscle activity with sufficient sensitivity to detect individual spinal neurons and richness to identify dozens of gestures and their nuances. Wearable wrist-based sEMG sensors have the potential to offer low friction, subtle, information rich, always available human-computer inputs. To this end, we introduce emg2qwerty, a large-scale dataset of non-invasive electromyographic signals recorded at the wrists while touch typing on a QWERTY keyboard, together with ground-truth annotations and reproducible baselines. With 1,135 sessions spanning 108 users and 346 hours of recording, this is the largest such public dataset to date. These data demonstrate non-trivial, but well defined hierarchical relationships both in terms of the generative process, from neurons to muscles and muscle combinations, as well as in terms of domain shift across users and user sessions. Applying standard modeling techniques from the closely related field of Automatic Speech Recognition (ASR), we show strong baseline performance on predicting key-presses using sEMG signals alone. We believe the richness of this task and dataset will facilitate progress in several problems of interest to both the machine learning and neuroscientific communities. Dataset and code can be accessed at https://github.com/facebookresearch/emg2qwerty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google