K2MUSE

该数据集名为K2MUSE，包含了全面的多模态数据，其中包括30名健全受试者在不同斜坡、不同速度以及不同非理想采集条件下行走的运动学、动力学、幅度模式超声（AUS）和表面肌电图（sEMG）测量数据。此外，数据集还包含了受试者的人体测量信息，并按照标准化的MATLAB结构进行组织。数据集中既包含了原始数据，也包含了针对各种步态条件的处理后的数据。该数据集的任务是用于康复机器人生物力学分析及控制框架的设计。The dataset named K2MUSE encompasses comprehensive multimodal data. Specifically, it includes kinematic, dynamic, amplitude-mode ultrasound (AUS), and surface electromyography (sEMG) measurements collected from 30 able-bodied participants during walking tasks under varied slopes, different walking speeds, and various non-ideal acquisition conditions. Additionally, the dataset contains the anthropometric information of the participants and is organized in a standardized MATLAB structure. Both raw and processed data corresponding to diverse gait conditions are included in this dataset. This dataset is intended for the design of biomechanical analysis and control frameworks for rehabilitation robots.

搜集汇总

数据集介绍

构建方式

K2MUSE数据集由中国科学院沈阳自动化研究所采集，涵盖30名健康受试者在不同坡度（0°、±5°、±10°）、不同速度（0.5、1.0、1.5 m/s）以及非理想采集条件（肌肉疲劳、电极偏移、跨日差异）下的下肢多模态数据。运动学与地面反作用力通过Vicon运动捕捉系统与内置测力台的跑台同步采集，表面肌电图与A型超声数据则针对双侧下肢13块肌肉进行记录。所有设备通过Vicon Lock Lab的方波电压信号实现精确同步，数据采集过程由MATLAB脚本统一控制，确保各模态间的时间一致性。

特点

该数据集是首个同时包含运动捕捉、测力台、A型超声与表面肌电图四种模态的公开下肢数据集，覆盖多达20种行走工况，包括不同坡度与速度的组合。其突出特点在于引入了肌肉疲劳、电极偏移和跨日差异等非理想采集条件，模拟真实应用中的干扰因素。数据经过步态周期分割与时间归一化处理，提供原始与标准化两种格式，并包含详细的受试者人体测量学信息，为数据驱动的康复机器人控制与生物力学分析提供了丰富且可靠的资源。

使用方法

数据集提供MATLAB与Python脚本，方便用户加载、可视化与分析数据。使用者可通过MATLAB的scriptProcess.mlx解析原始数据，利用scriptPlot.mlx绘制步态周期内的关节角度与力矩曲线；Python脚本recognitionDemo.ipynb则支持基于sEMG与AUS特征的下肢关节角度回归建模。数据以结构化的P*.mat文件存储，包含原始与步态归一化后的运动学、动力学、超声与肌电信号，用户也可直接访问SourceData文件夹中的.c3d、.mat与.txt原始文件，通过Mokka或Biomechanics ToolKit等开源工具进行进一步处理。

背景与挑战

背景概述

K2MUSE数据集由中国科学院沈阳自动化研究所的李继伟、张弼等研究人员于2025年创建，旨在为下肢康复机器人领域提供大规模多模态数据资源。该数据集聚焦于人体下肢运动生物力学信息的全面采集，涵盖了运动学、动力学、A型超声及表面肌电信号，共包含30名健康受试者在20种不同行走条件下的数据，包括多种坡度、速度以及肌肉疲劳、电极偏移和日间差异等非理想采集条件。作为首个同时集成上述多模态信号的开源下肢运动数据集，K2MUSE填补了现有数据集在多模态数据、大样本步态及非理想条件方面的空白，为康复机器人控制框架设计、人体运动意图识别及生物力学分析提供了重要支撑，对推动人机交互与康复机器人技术的实际应用具有显著影响力。

当前挑战

K2MUSE数据集所应对的核心挑战源于下肢康复机器人领域对多模态、大尺度运动数据的迫切需求与现有数据匮乏之间的矛盾。一方面，现有数据集多局限于单一模态或稳态行走任务，缺乏涵盖运动学、动力学、肌电及超声等多维生理信号的同步采集，难以支撑数据驱动的端到端控制策略；另一方面，真实应用场景中肌肉疲劳、电极偏移及日间差异等非理想因素会显著影响信号特征与运动估计精度，而现有数据集普遍忽视这些干扰。此外，构建过程中需同步协调Vicon运动捕捉、测力跑台、Noraxon肌电及A型超声等多套异构系统，确保高精度的时间同步与数据一致性，同时需设计标准化实验流程以覆盖20种行走条件并招募30名受试者，对实验组织与数据质量控制提出了严峻挑战。

常用场景

经典使用场景

K2MUSE数据集的核心经典使用场景在于为下肢康复机器人的控制框架设计提供多模态生物力学数据支撑。该数据集整合了运动学、动力学、A型超声和表面肌电信号，覆盖了平地、上下坡等多种地形及不同步态速度，能够用于训练和验证面向复杂人机交互场景的意图识别与运动解码算法。研究者可基于此数据集开发数据驱动的控制器，实现对下肢运动意图的连续估计与自适应辅助策略的优化。

衍生相关工作

基于K2MUSE数据集，研究者已开展了多项衍生工作。例如，利用支持向量回归、高斯过程回归和多层感知机等模型，结合表面肌电与A型超声的特征融合，实现了对踝、膝、髋关节角度的连续估计，验证了多模态融合在意图解码中的优越性。同时，该数据集被用于分析非理想条件下信号特征漂移对识别性能的影响，为开发抗干扰的人机接口算法提供了基准。未来工作还将拓展至包含穿戴式辅助机器人行走数据的比较分析，推动仿生设计与控制优化的深度融合。

数据集最近研究

最新研究方向

在康复机器人领域，多模态数据融合与鲁棒性控制策略正成为前沿研究的核心。K2MUSE数据集的发布恰逢其时，它首次同步采集了运动学、动力学、A型超声与表面肌电信号，涵盖斜坡、速度变化及肌肉疲劳、电极偏移等非理想条件。这一资源为突破传统实验室环境下的控制局限提供了关键支撑，推动了面向真实场景的端到端控制器设计，使外骨骼能够动态适应人体生物力学变化。该数据集不仅深化了对神经肌肉调控机制的理解，更在人与机器人共生智能的探索中树立了重要里程碑，为康复机器人从实验室走向实际应用奠定了坚实基础。

相关研究论文

• K2MUSE: A human lower limb multimodal dataset under diverse conditions for facilitating rehabilitation robotics

  中国科学院沈阳自动化研究所 · 2025年