Merry99/MuscleCare-DataSet

--- dataset_info: features: - name: session_id dtype: string - name: measure_date dtype: string - name: rms dtype: float64 - name: freq dtype: float64 - name: fatigue dtype: float64 - name: rms_base dtype: float64 - name: freq_base dtype: float64 - name: user_emb list: float64 - name: mode dtype: string - name: window_count dtype: int64 - name: measurement_count dtype: int64 - name: timestamp dtype: string splits: - name: test_user_001 num_bytes: 453 num_examples: 2 - name: local_user num_bytes: 2100 num_examples: 9 download_size: 13191 dataset_size: 2553 configs: - config_name: default data_files: - split: test_user_001 path: data/test_user_001-* - split: local_user path: data/local_user-* ---The dataset includes multiple measurements for users in specific sessions, such as session_id, measure_date, root mean square (rms), frequency (freq), fatigue, baseline root mean square (rms_base), baseline frequency (freq_base), user embedding vector (user_emb), mode, window count (window_count), measurement count (measurement_count), and timestamp. The dataset is split into two parts: test_user_001 and local_user, each containing different numbers of examples and byte sizes.

搜集汇总

数据集介绍

构建方式

在运动健康与可穿戴设备研究领域，精准监测肌肉疲劳状态对于运动科学及康复医学具有重要价值。Merry99/MuscleCare-DataSet 的构建融合了真实世界采集与数据增强策略。原始数据源自多款 Android 与 iOS 设备，通过内置惯性测量单元（IMU）记录三轴加速度、陀螺仪及线性加速度等原始信号，并经过滑窗处理提取均值、标准差、均方根、频率特征及熵值等统计量，同时计算急动度与稳定性指数等高级指标。为弥补真实样本的稀疏性，研究团队基于真实用户数据通过扰动与合成技术生成了 20 个增强用户子集，最终形成涵盖 30 余个分割、总计约 5.1 MB 的结构化数据集。

特点

该数据集的核心特色在于其多维度的生理信号表征与疲劳量化体系。每条样本包含 30 余项连续型特征，从时域（如各轴均值、标准差、均方根）、频域（平均频率）到非线性动力学（熵值）全面刻画运动模式，并引入急动度与稳定性指数以捕捉肌肉活动的瞬时变化与平衡能力。特别地，数据集中提供了疲劳连续值（fatigue）、疲劳等级（fatigue_level）及质量标志（quality_flag），形成从原始信号到临床语义的完整映射。此外，用户嵌入向量（user_emb）与历史疲劳值（fatigue_prev）的纳入，为个性化时序建模与疲劳演化分析提供了独特的数据支撑。

使用方法

该数据集可通过 Hugging Face Datasets 库便捷加载，指定 config_name 为 'default' 后即可按需选取特定分割子集。每条样本以字典形式呈现，包含用户标识、时间戳、传感器统计特征及疲劳标签，适用于监督学习中的回归（预测 fatigue 值）与分类（预测 fatigue_level）任务。建议在预处理阶段利用 quality_flag 过滤低质量样本，并借助 user_emb 与 fatigue_prev 构建序列模型以捕捉个体疲劳的动态变化。数据集的窗口参数（window_size_ms、overlap_rate）为调优滑窗策略提供了依据，便于复现或扩展实验。

背景与挑战

背景概述

在可穿戴传感技术与运动健康监测领域深度融合的当下，肌肉疲劳的实时量化评估已成为运动科学与人机交互研究的重要课题。Merry99/MuscleCare-DataSet 数据集由研究者于近年构建，旨在通过多模态惯性传感器信号捕捉运动过程中的肌肉状态变化，为疲劳预测模型提供标准化训练资源。该数据集采集了来自 Android 与 iOS 双平台的多名用户在执行动态任务时的加速度、角速度、线性加速度及重力分量等原始信号，并提取了均方根、频率特征、熵值、急动度及稳定性指数等工程化指标，最终以滑动窗口形式标注了连续疲劳等级。其核心研究问题聚焦于如何从高维时序数据中剥离个体差异与环境噪声，实现跨设备、跨用户的疲劳状态泛化识别，为智能康复与运动风险预警奠定了数据基础。

当前挑战

当前数据集面临的核心挑战集中在领域问题解决与构建过程两大维度。在领域层面，肌肉疲劳的感知依赖于惯性信号中微弱的时序模式，但受个体生理差异、运动类型多样性及传感器异构性影响，模型需克服跨用户、跨平台的分布偏移问题，同时疲劳标签的连续性与主观性也增加了回归任务的建模难度。在构建过程中，真实用户数据采集受设备型号碎片化与采样环境非受控性制约，导致原始样本分布不均，部分会话仅包含数十条记录；为此，研究者采用了基于原始数据的数据增强策略以扩充用户覆盖，但增强样本的真实性与噪声分布一致性仍需验证。此外，时间窗口参数（如窗口大小与重叠率）的设定直接影响特征稳定性，如何平衡时序分辨率与计算效率亦构成方法学上的持续挑战。

常用场景

经典使用场景

在人体运动感知与肌肉疲劳监测领域，MuscleCare-DataSet为基于可穿戴惯性传感器（IMU）的疲劳状态识别提供了标准化的多模态数据支撑。该数据集采集了来自不同移动设备（Android与iOS）的加速度计、陀螺仪、线性加速度及重力加速度信号，并通过时域与频域特征工程（如均方根、频率均值、熵值、急动度及稳定性指数）构建了高维特征空间，适用于训练分类或回归模型以预测连续疲劳值（fatigue）及离散疲劳等级（fatigue_level）。其经典使用场景包括：利用窗口化滑动截取策略（window_size_ms与overlap_rate参数）开展时序建模，结合用户嵌入向量（user_emb）实现个性化疲劳预测，从而支撑跨设备、跨用户的通用模型泛化能力验证。

实际应用

在实际应用中，MuscleCare-DataSet可赋能智能健身与康复系统，通过手机或手环内置传感器实时监测运动负荷并预警过度疲劳风险。例如，在力量训练场景中，模型可依据加速度与陀螺仪的动态变化推估肌肉疲劳累积程度，指导用户调整动作节奏或休息间隔；在物理治疗领域，该数据集支持开发针对特定肌群的疲劳追踪算法，辅助康复师优化训练方案。此外，其多设备兼容性使其适用于消费级健康应用，如通过用户嵌入向量实现个性化疲劳提醒，提升运动效率并降低损伤概率。

衍生相关工作

围绕MuscleCare-DataSet衍生了一系列创新性研究工作，涵盖基于深度学习的疲劳时序预测模型（如LSTM与Transformer架构）以及跨域特征对齐方法，旨在提升模型在不同用户与设备间的迁移能力。部分工作聚焦于利用数据增强策略（augmented_user_*子集）扩充样本多样性，以缓解小样本场景下的过拟合问题。此外，该数据集还催生了关于传感器放置位置与采样率对疲劳估计鲁棒性的系统性分析，以及将疲劳等级分类任务拓展为连续疲劳值回归的基准测试，为后续可穿戴健康监测领域的模型标准化评估提供了参照。