We provide an open access dataset of High densitY Surface Electromyogram (HD-sEMG) Recordings (named “ Hyser ”), a toolbox for neural interface research, and benchmark results for pattern recognition and EMG-force applications. Data from 20 subjects were acquired twice per subject on different days following the same experimental paradigm. We acquired 256-channel HD-sEMG from forearm muscles during dexterous finger manipulations. This Hyser dataset contains five sub-datasets as: (1) pattern recognition (PR) dataset acquired during 34 commonly used hand gestures, (2) maximal voluntary muscle contraction (MVC) dataset while subjects contracted each individual finger, (3) one-degree of freedom (DoF) dataset acquired during force-varying contraction of each individual finger, (4) N-DoF dataset acquired during prescribed contractions of combinations of multiple fingers, and (5) random task dataset acquired during random contraction of combinations of fingers without any prescribed force trajectory. Dataset 1 can be used for gesture recognition studies. Datasets 2–5 also recorded individual finger forces, thus can be used for studies on proportional control of neuroprostheses. Our toolbox can be used to: (1) analyze each of the five datasets using standard benchmark methods and (2) decompose HD-sEMG signals into motor unit action potentials via independent component analysis. We expect our dataset, toolbox and benchmark analyses can provide a unique platform to promote a wide range of neural interface research and collaboration among neural rehabilitation engineers.

中文翻译：

---

高密度表面肌电图记录的开放存取数据集、工具箱和基准处理结果

我们提供了一个开放获取的数据集 高密度表面肌电图 (HD-sEMG) 录音 （名为“ 海瑟 ”），一个用于神经接口研究的工具箱，以及模式识别和 EMG 力应用的基准结果。遵循相同的实验范式，在不同的日子里，每个对象从 20 个对象中获取了两次数据。我们在灵巧的手指操作过程中从前臂肌肉中获取了 256 通道 HD-sEMG。此 Hyser 数据集包含五个子数据集：(1) 在 34 个常用手势期间获得的模式识别 (PR) 数据集，(2) 受试者收缩每个手指时的最大随意肌肉收缩 (MVC) 数据集，(3) 一个-在每个手指随力变化收缩期间获得的自由度 (DoF) 数据集，(4) 在多个手指组合的规定收缩期间获得的 N-DoF 数据集，(5) 在没有任何规定的力轨迹的情况下，在手指组合的随机收缩过程中获得的随机任务数据集。数据集 1 可用于手势识别研究。数据集 2-5 还记录了单个手指的力，因此可用于研究神经假体的比例控制。我们的工具箱可用于：(1) 使用标准基准方法分析五个数据集中的每一个，以及 (2) 通过独立分量分析将 HD-sEMG 信号分解为运动单元动作电位。我们希望我们的数据集、工具箱和基准分析能够提供一个独特的平台，以促进神经康复工程师之间广泛的神经接口研究和合作。因此可用于神经假体比例控制的研究。我们的工具箱可用于：(1) 使用标准基准方法分析五个数据集中的每一个，以及 (2) 通过独立分量分析将 HD-sEMG 信号分解为运动单元动作电位。我们希望我们的数据集、工具箱和基准分析能够提供一个独特的平台，以促进神经康复工程师之间广泛的神经接口研究和合作。因此可用于神经假体比例控制的研究。我们的工具箱可用于：(1) 使用标准基准方法分析五个数据集中的每一个，以及 (2) 通过独立分量分析将 HD-sEMG 信号分解为运动单元动作电位。我们希望我们的数据集、工具箱和基准分析能够提供一个独特的平台，以促进神经康复工程师之间广泛的神经接口研究和合作。