EMG- and IMU-based resistance training dataset

本数据集由69组单臂哑铃弯举练习组成，包含超过1000次重复，通过可穿戴的惯性测量单元(IMU)和表面肌电图(SEMG)传感器收集。数据集旨在支持机器学习模型在抗阻训练中估计主观用力感受等级(RPE)。数据集共包含1003条记录，其中每条记录包括一次弯举的惯性测量单元(IMU)和肌电图(SEMG)数据。这些数据被用于训练机器学习模型，以预测训练者在每次弯举时的主观用力感受等级(RPE)。数据集已公开，可供下载和研究。

This dataset comprises 69 sets of single-arm dumbbell bicep curl exercises with over 1,000 total repetitions, collected via wearable inertial measurement units (IMUs) and surface electromyography (SEMG) sensors. It is designed to support machine learning models in estimating the Rating of Perceived Exertion (RPE) during resistance training. The dataset includes 1,003 records in total, where each record holds IMU and SEMG data corresponding to one single bicep curl. These data are utilized to train machine learning models for predicting the trainee's RPE during each individual curl. This dataset has been publicly released and is available for download and research purposes.

搜集汇总

数据集介绍

构建方式

在可穿戴传感器技术日益成熟的背景下，该数据集通过集成惯性测量单元与表面肌电传感器，系统采集了单臂哑铃弯举训练中的生物力学数据。数据收集过程涉及五名具备两年以上训练经验的参与者，采用标准化传感器部署方案：肌电传感器置于肱二头肌肌腹，惯性传感器固定于腕部外侧。每位参与者使用5kg至15kg的哑铃完成自然组次训练，共积累69组1003次重复动作，同时通过实时口头报告记录博格CR10量表的主观疲劳程度评级。原始信号经过低通滤波与多项式插值实现采样率对齐，并基于加速度计信号的加加速度零交叉点自动分割重复动作边界，最终提取出55项惯性特征与9项肌电统计特征。

特点

该数据集的核心价值在于其多模态传感框架与真实训练场景的高度契合。肌电与惯性数据的同步采集实现了肌肉激活状态与运动动力学的联合表征，而基于加加速度的自动动作分割算法则确保了运动单元边界的精确界定。数据分布呈现出典型的主观疲劳程度评级正态分布特征，覆盖了从低强度到力竭状态的完整生理响应谱。特别值得注意的是，离心阶段持续时间被验证为疲劳程度评级的最强预测因子，这为理解阻力训练中的神经肌肉适应性提供了新视角。数据集通过Zenodo平台公开，包含去标识化的参与者生理参数与完整的特征矩阵，支持可重复研究。

使用方法

该数据集专为基于机器学习的疲劳程度评级预测任务设计，其使用流程遵循特征驱动建模范式。研究者可首先利用提供的特征提取管道将原始传感器数据转换为统计特征矩阵，继而通过随机森林等分类器构建疲劳程度评级预测模型。肌电特征在此过程中可作为训练阶段的辅助标签生成源，通过主成分分析等降维方法转化为连续型监督信号。模型评估建议采用四折交叉验证策略，重点关注±1级容忍精度与加权F1分数等指标。对于时序依赖性建模，数据集中预设的重复动作序列标识符支持循环神经网络架构的探索，但需注意数据增强可能引入的时序扰动风险。

背景与挑战

背景概述

随着可穿戴传感技术与机器学习方法在运动科学领域的深度融合，2025年由James Thomas与Johan Wahlström研究团队构建的EMG与IMU抗阻训练数据集应运而生。该数据集聚焦于力量训练中主观疲劳度（RPE）的客观量化问题，通过同步采集表面肌电信号与惯性测量单元数据，构建了包含69组训练动作、逾千次重复样本的多模态数据库。其创新性在于首次探索了肌电信号在惯性传感器RPE估计任务中的辅助价值，为个性化训练监控与运动损伤预防提供了关键数据支撑，推动了智能健身设备的算法优化与应用落地。

当前挑战

该数据集致力于解决抗阻训练中主观疲劳度动态评估的复杂性挑战，包括个体感知差异对标注一致性的影响、多模态传感器时序对齐的技术难点。在构建过程中，研究者需克服肌电信号因传感器贴附位置偏差导致的信号衰减、不同受试者肌肉激活模式异质性引发的数据分布偏移，以及小样本条件下类别不平衡对模型泛化能力的制约。此外，如何在保留运动生物力学特征的同时实现实时计算效率，亦是实际部署面临的核心挑战。

常用场景

经典使用场景

在运动科学与可穿戴技术交叉领域，该数据集为机器学习模型评估抗阻训练中的自觉用力程度提供了标准化基准。其典型应用场景聚焦于单臂哑铃弯举动作，通过同步采集肌电信号与惯性测量单元数据，构建了包含69组训练序列、逾千次动作重复的多模态数据库。研究者可利用该数据集开发基于随机森林等算法的RPE自动评估系统，实现对人体运动负荷的客观量化分析。

衍生相关工作

该数据集催生了多项基于多模态融合的经典研究，如Albert等人开发的PERSIST系统通过扩展心电监测维度完善了训练负荷评估体系。后续研究进一步探索了肌电信号与惯性数据的时序关联模型，推动了门控循环单元在连续动作分析中的应用。这些衍生工作共同构建起基于可穿戴传感器的智能训练监测技术生态，为运动生理学研究开辟了新的范式。

数据集最近研究

最新研究方向

在可穿戴传感器驱动的阻力训练监测领域，基于EMG与IMU融合的感知运动强度（RPE）估计正成为研究热点。该数据集通过采集单臂哑铃弯举过程中的肌电信号和惯性数据，首次探索了利用EMG训练标签增强IMU模型性能的创新路径。随机森林模型在纳入EMG特征后达到85.9%的±1容错准确率，揭示了离心阶段时长作为关键生物力学指标的重要性。尽管肌电数据的增益效果有限，但特征分析表明其与惯性数据存在互补性，为突破现有运动感知模型的瓶颈提供了新思路。该研究推动了个性化训练反馈系统的演进，尤其为远程健身指导中实时强度调控提供了技术支撑，同时公开的数据集将加速多模态运动分析算法的迭代创新。

相关研究论文

• Estimation of Resistance Training RPE using Inertial Sensors and Electromyography

  alnies er.ac.uk · 2025年