awesome-emg-data

这是一个精心策划的肌电图（EMG）数据集和学术出版物列表，专注于原始EMG信号。它旨在为生物医学工程、神经学、运动学及相关领域的研究人员、从业者和爱好者提供高质量EMG数据和前沿研究成果的可发现性和可访问性。该合集包括多个开放获取的EMG数据集，每个数据集都附有数据源链接和相关出版物的引用，以促进EMG信号分析、解释和应用方面的创新、教育和合作。This is a meticulously curated collection of electromyography (EMG) datasets and academic publication lists focused on raw EMG signals. It aims to enhance the discoverability and accessibility of high-quality EMG data and cutting-edge research findings for researchers, practitioners, and enthusiasts in biomedical engineering, neurology, kinesiology, and related fields. This collection includes multiple open-access EMG datasets, each accompanied by data source links and citations of relevant publications, so as to foster innovation, education, and collaboration in the analysis, interpretation, and application of EMG signals.

原始信息汇总

Awesome EMG Data 数据集详情概述

仓库简介

这是一个经过精选的肌电图（EMG）数据集与学术出版物资源列表，旨在为生物医学工程、神经学、运动机能学及相关领域的研究人员、从业者和爱好者提供高质量EMG数据及前沿研究成果的发现与获取途径。仓库核心目标是促进EMG信号分析、解读与应用领域的创新、教育与协作。

资源内容

仓库主要包含 开放获取的EMG数据集，每个数据集附带数据来源链接及相关学术论文引用（如适用）。

数据集列表概览

该仓库收录了超过40个数据集，覆盖以下应用方向与研究主题：

手部运动与假肢控制

• Ninapro 系列 (DB1-DB10)：包含多个子数据库，用于非侵入式自然控制的机器手假肢研究，涵盖手部运动分类、肌电与惯性测量融合、用户实践效果等。
• MeganePro 系列 (MDS1, MDS2, MDS4)：结合眼动、视觉、肌电及惯性数据，用于智能假肢抓取研究；同时包含截肢患者幻肢数据。
• 其他手部相关数据集：如用于手指运动学比例与同步估计的非线性协同提取数据、手部动作多通道sEMG信号数据、手势识别与生物识别的多日前臂手腕肌电图数据。

运动与步态分析

• 人体运动控制：包含高速人体运动时的运动基元复杂性研究数据、跑步机与地面运动时肌肉激活模式对比数据、个体独特肌肉激活特征（行走与踏板运动）数据。
• 步态与损伤：基于膝关节损伤史的步态肌肉激活模式分类数据。
• 下肢运动：用于人体运动学的可穿戴实时动力学测量传感器数据、全面运动活动的高密度EMG、IMU、动力学及运动学数据。

神经肌肉疾病与康复

• 杜氏肌营养不良症（DMD）：包含晚期DMD患者表面EMG信号案例研究、通过高密度肌电图表征DMD患者前臂肌肉激活数据。
• 脑卒中康复：脑卒中与健康受试者进行手触鼻运动时的EMG数据。
• 帕金森病：多模态数据用于检测帕金森病患者冻结步态。

神经科学与人机交互

• 运动单位解码：基于卷积核补偿的引导源分离方法进行运动单位非侵入解码。
• 肌电信号密码学：基于EMG和IMU的键盘记录侧信道攻击研究数据。
• 认知功能增强：使用肌电信号改善认知能力的交互系统数据。

其他研究领域

• 运动皮层氧合研究：单手握拳运动时初级运动皮层血氧饱和度fNIRS数据。
• 动物实验：大鼠自主行为状态分类的人工神经网络数据、大鼠海马状态依赖性行为反射数据。
• 肌电信号处理：sEMG电极（重）放置及特征集大小对手部运动识别的影响研究数据。

数据获取方式

每个数据集均提供直接链接（DOI、Figshare、Zenodo、Mendeley Data、Dataverse、GitHub等平台），可点击对应链接访问原始数据源。部分数据集还提供额外数据版本或配套代码仓库。

搜集汇总

数据集介绍

构建方式

在生物医学工程与神经科学领域，肌电信号（EMG）作为评估神经肌肉功能的关键生物电信号，其数据资源的系统整合对推动假肢控制、运动康复及人机交互研究至关重要。该数据集以精心策划的清单形式构建，通过系统检索与筛选公开可访问的EMG数据集及相关学术文献，涵盖表面肌电与高密度肌电等多种数据类型。每个条目均附有数据来源链接及关联出版物引用，确保可追溯性与学术规范性，为研究者提供一站式的资源发现平台。

特点

该数据集最显著的特征在于其跨学科覆盖性与结构化组织方式。它不仅收录了从基础神经肌肉疾病研究到高级人机交互应用的多元化数据集，还通过应用领域、数据类型与研究主题的标签化分类，实现了资源的快速定位。此外，数据集强调开放获取原则，汇聚了来自全球多个研究机构的优质数据，如Ninapro系列与MeganePro系列，这些数据在样本规模、信号通道数及动作类型上具有高度多样性，为算法验证与跨研究比较提供了坚实基础。

使用方法

使用者可通过直接浏览数据集的分类列表，依据自身研究兴趣或项目需求筛选相关资源。每个数据集条目均提供明确的链接指向原始数据存储库（如Zenodo、Figshare等）及对应的学术论文，便于用户获取原始信号文件与实验设计细节。该资源库支持通过应用领域（如假肢控制、运动分析）与数据类型（如sEMG、HD-sEMG）进行快速过滤，亦鼓励社区贡献，通过提交Issue或Pull Request的方式扩展资源，从而保持其动态更新与生态活力。

背景与挑战

背景概述

肌电图（EMG）信号作为评估神经肌肉功能的关键生理指标，在康复工程、人机交互及运动科学等领域展现出广阔的应用前景。awesome-emg-data数据集由全球多个研究机构（如苏黎世联邦理工学院、帕多瓦大学等）的研究人员共同维护，自2014年Ninapro系列数据集发布以来，持续整合了涵盖健康与病理人群（如杜氏肌营养不良症、帕金森病）的开放获取EMG数据。该数据集的核心研究问题聚焦于通过高质量EMG信号实现假肢控制、运动模式识别及神经肌肉疾病诊断，其影响力已延伸至生物医学工程、神经科学及机器人学等交叉学科，为开发非侵入式人机接口和个性化康复方案提供了基础资源。

当前挑战

该数据集面临的挑战主要体现在三个方面：首先，EMG信号的非平稳性和个体间差异显著，导致跨受试者手势识别准确率波动较大，且运动伪影与生理噪声的分离仍是信号处理瓶颈。其次，数据集构建过程中面临数据标准化难题，不同采集设备（如高密度电极与单通道电极）的采样率、通道配置及协议差异，使得多源数据融合与可比性分析困难重重。此外，针对病理人群（如截肢者或神经肌肉疾病患者）的标注数据稀缺，且现有数据集多聚焦于静态手势或简单运动，缺乏对复杂动态任务（如行走中的肌电-动力学耦合）的覆盖，制约了算法在真实场景中的泛化能力。

常用场景

经典使用场景

肌电图（EMG）作为一种揭示神经肌肉系统电生理活动的重要生物信号，在生物医学工程、神经科学及康复医学等领域具有不可替代的地位。awesome-emg-data数据集汇集了涵盖手部运动、步态分析、假肢控制及神经肌肉疾病评估等多类场景的公开EMG数据资源。研究者可基于该数据集开展高密度表面肌电信号解码、运动单元动作电位分解、肌电模式识别等经典研究，尤其适用于构建非侵入式假肢控制算法和运动功能评估模型。

衍生相关工作

该数据集的涌现催生了一系列具有代表性的衍生工作。在算法层面，研究者基于Ninapro数据库提出了卷积神经网络与循环神经网络融合的端到端手势识别框架，以及基于残差学习的运动单元分解技术。在系统层面，衍生出融合视觉注视与肌电信息的智能假肢控制范式，以及利用EMG信号进行用户身份认证与密码侧信道攻击的新型人机交互研究。这些工作不仅深化了对神经肌肉控制机理的理解，更将肌电解码技术拓展至生物识别与安全领域。

数据集最近研究

最新研究方向

在生物医学工程与神经康复领域，肌电信号（EMG）的研究正以前所未有的深度向智能假肢控制、人机交互及运动功能障碍评估等前沿方向拓展。awesome-emg-data数据集整合了涵盖高密度表面肌电、运动单元分解及多模态传感（如惯性测量单元、眼动追踪）的丰富资源，为解码神经驱动、实现精准手势识别与假肢自然控制提供了关键数据支撑。近年来，伴随深度学习与脉冲神经网络在肌电解码中的突破性应用，该数据集助力研究者探索肌肉激活模式的个体化差异、运动任务的鲁棒控制策略，并在帕金森病步态冻结检测、肌营养不良症肌电特征分析等临床热点中发挥重要作用。其开放的共享机制不仅加速了可穿戴外骨骼与神经接口技术的迭代，更推动了从实验室环境到真实场景的肌电应用落地，深刻影响着康复工程与人机融合的未来走向。