Advertisement

该数据集包含基于肌电信号的深度学习数据。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
通过delsys设备采集的表面肌电信号，记录了16个不同的手势动作，每个手势持续6秒钟，随后进行4秒的休息时间。为了确保数据的准确性，这些手势动作被以6次循环的方式重复进行。类别标签则采用了最大面积法进行修正，并取得了令人满意的效果。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于肌电(sEMG)信号的深度学习数据集
    优质
    本数据集专注于肌电(sEMG)信号的研究，采用深度学习技术进行数据分析与模式识别，旨在为肌肉状态评估及假肢控制等领域提供高质量的数据支持。 使用delsys设备采集的表面肌电信号，包含16个手势动作。每个动作持续6秒后休息4秒，整个过程进行六次循环。类别标签通过最大面积法修正，效果良好。
     
  • 基于肌电(sEMG)信号的深度学习数据集
    优质
    本数据集专注于收集与分析表面肌电（sEMG）信号，并运用深度学习技术进行模式识别和特征提取，以促进运动科学及康复领域的研究进展。 delsys设备采集的表面肌电信号，涉及16个手势动作。每个动作持续时间为6秒，并在每次动作后休息4秒。整个实验过程进行六次循环。类别标签通过最大面积法进行了修正，效果良好。
     
  • 基于肌电(sEMG)信号的深度学习数据集
    优质
    本研究构建了一个用于深度学习的肌电（sEMG）信号数据集，旨在促进对肌肉活动的理解与分析，推动相关技术在康复医学、假肢控制等领域的应用。 使用delsys设备采集的表面肌电信号，共包含16个手势动作。每个动作持续时间为6秒，并在每次动作后休息4秒。整个实验进行六次循环。类别标签通过最大面积法修正，这种方法的效果较好。
     
  • 肌肉电信号数据库
    优质
    肌肉电信号数据库是一部全面记录和分析人体肌肉活动产生的电生理信号的数据集，旨在为生物医学研究、康复工程及运动科学等领域提供详实的数据支持。 这段文字描述了正常人与病人的行走过程中的肌电数据资料，其中包括标签和关节角度的信息，适合进行肌电分析的学生下载学习使用。
     
  • 基于CNN的深度学习火灾识别-含数据集.zip
    优质
    本资源提供了一种基于卷积神经网络（CNN）的深度学习方法用于火灾图像识别，并附带专用的数据集。适用于火灾监测与预警系统的研究及开发。 本代码基于Python Pytorch环境编写。 下载后，请查看文件中的requirement.txt以安装所需环境。完成后，按顺序运行以下三个脚本： 1. 01数据集文本生成制作.py：此步骤会读取每个类别图片路径及对应的标签。 2. 02深度学习模型训练.py：该程序将使用上述的txt文本进行训练，并在本地保存最终模型。 3. 03pyqt_ui界面.py：运行后，可以得到一个可视化的UI界面。通过点击按钮加载并识别感兴趣的图像。 数据集文件夹内包含了用于分类的各种图片类别。本代码对这些原始数据进行了预处理和增强，包括将非正方形的图增加灰边使其变成正方形（如果是正方形则不进行修改），以及旋转操作以扩充训练样本数量。 当02深度学习模型训练.py运行完成后，会在本地保存日志文件记录每个epoch的验证集损失值及准确率。
     
  • 用于深度学习的口罩数据集
    优质
    该数据集专为深度学习设计，包含大量人脸佩戴及未佩戴口罩的照片，旨在促进人脸识别与口罩检测技术的发展和研究。 适用于深度学习的口罩数据集包含850多张真人佩戴口罩的真实图片，并采用xml格式进行标注。
     
  • 用于深度学习的鱼类数据集
    优质
    这是一个专为深度学习设计的鱼类图像数据集，包含了多种鱼类的高清图片和详细标注信息，旨在促进鱼类识别模型的研发与优化。 鱼类数据集用于深度学习研究。
     
  • MNIST深度学习数据集.zip
    优质
    本资源为MNIST手写数字深度学习数据集，包含大量标注的手写数字图像，适用于训练和测试各种机器学习模型。 深度学习常用的数据集包含7万张图片。其中6万张用于训练神经网络模型，1万张用于测试该模型。 每一张图片是一个28*28像素的手写数字图像（数字0到9），背景为黑色，用数值0表示；字体为白色，并且以介于0和1之间的浮点数来表示其亮度，值越接近1则表明颜色越白。
     
  • 深度学习的数据集标注
    优质
    深度学习的数据集标注涉及为训练模型准备高质量数据的过程，包括图像分类、目标检测等多种任务，是提升AI应用准确性的关键步骤。 主要用于图像中的目标检测，能够快速准确地标记出目标的具体位置，方便用户进行训练和测试工作，大大减轻了人工标注的工作量。