ami-iit/paper_latella_2023_irim_muscle-force-estimation_dataset

该数据集与一个受试者（S01）的5次试验采集相关。每个试验文件夹包含以下文件：一个.tdf文件，记录了通过BTS Engineering表面肌电图进行的EMG采集；一个.mat文件，记录了通过iFeel技术进行的运动学数据采集。此外，数据集还提供了受试者S01的.urdf模型。This dataset is associated with 5 trial acquisitions from a single subject (S01). Each trial folder contains the following files: a .tdf file that records electromyography (EMG) data collected using BTS Engineering surface electromyography equipment; a .mat file that records kinematic data collected via iFeel technology. Additionally, the dataset provides the .urdf model of subject S01.

原始信息汇总

数据集概述

数据集信息

• 标题: Real-time Lower Leg Muscle Forces Estimation using a Hill-type Model and Whole-body Wearable Sensors
• 作者: Claudia Latella, Antonella Tatarelli, Lorenzo Fiori, Riccardo Grieco, Lorenzo Rapetti, Daniele Pucci
• 会议: 5th Italian Conference in Robotics and Intelligent Machines (I-RIM), 2023

数据内容

• 主题: 与一个受试者（S01）的采集数据相关，包含5个试验。
• 文件结构:
  • 每个试验文件夹包含：
    • 一个 .tdf 文件，包含通过BTS Engineering表面肌电图采集的EMG数据。
    • 一个 .mat 文件，包含通过iFeel技术采集的运动学数据。
• 附加内容: 提供受试者S01的 .urdf 模型。

搜集汇总

数据集介绍

构建方式

该数据集源自Claudia Latella等人在2023年第五届意大利机器人与智能机器会议（I-RIM）上提出的研究工作，聚焦于基于Hill-type模型与全身可穿戴传感器的实时小腿肌肉力量估计。数据集围绕单一受试者（S01）采集，包含5个试验组。每个试验文件夹内整合了两种异构数据：一是通过BTS Engineering表面肌电图技术获取的.tdf格式肌电信号记录，二是经由iFeel技术平台采集的.mat格式运动学数据。此外，数据集还提供了受试者S01的.urdf模型文件，为肌肉骨骼建模提供几何与动力学参数支撑。

使用方法

数据集的使用需结合肌电与运动学两类信号进行协同分析。研究者可首先通过.tdf文件读取表面肌电图数据，提取肌肉激活特征；同时从.mat文件中获取关节角度、角速度等运动学参数。基于Hill-type肌肉模型，可将激活信号与运动学输入相结合，计算小腿肌群产生的实时力估计。.urdf模型可用于构建仿真环境或验证力估计结果的物理一致性。推荐使用MATLAB或Python（如scipy、pybullet）进行数据加载与模型计算，实现从原始采集到力估计的完整流程复现。

背景与挑战

背景概述

在仿人机器人及可穿戴设备领域，实时且精准地估计人体下肢肌肉力对于运动康复、外骨骼控制及人机交互至关重要。该数据集由意大利技术研究院（IIT）的Claudia Latella、Antonella Tatarelli、Lorenzo Fiori等研究人员于2023年构建，并发表于第五届意大利机器人与智能机器会议（I-RIM）。核心研究问题在于利用Hill-type肌肉模型与全身可穿戴传感器，实现对人体小腿肌肉力的实时估计。数据集包含一名受试者（S01）的五次实验采集，整合了表面肌电图（EMG）与运动学数据，并提供了对应的URDF模型。该工作为融合生物力学模型与穿戴传感技术提供了标准化数据基础，推动了肌肉力估计方法在实时应用场景中的验证与推广。

当前挑战

该数据集面临的核心挑战集中于解决实时肌肉力估计的领域难题与数据构建的工程瓶颈。领域层面，Hill-type模型参数的高度个体化差异导致模型泛化困难，而多源传感器（EMG与惯性测量单元）的异质性数据融合易引入时序错位与噪声干扰，影响估计精度。构建过程中，受试者运动模态的有限性（仅单次采集、五次试次）限制了算法对复杂动态动作的适应性；同时，表面EMG信号易受皮肤阻抗、电极位移等环境因素影响，需依赖严格实验协议以控制质量。此外，URDF模型的简化假设与真实人体解剖结构的差异，进一步增加了模型校准与验证的难度。

常用场景

经典使用场景

该数据集源自一项关于实时下肢肌肉力估计的前沿研究，结合Hill-type肌肉模型与全身可穿戴传感器，为生物力学与机器人学交叉领域提供了宝贵的数据资源。其经典使用场景在于利用表面肌电信号（EMG）与运动学数据，驱动肌肉骨骼模型进行个体化肌肉力预测，尤其适用于动态运动条件下的实时估计研究。研究者可基于该数据集验证不同肌肉激活到力映射算法的精度，或探索传感器融合策略对估计鲁棒性的提升。

解决学术问题

该数据集有效解决了非侵入式肌肉力估计中模型参数校准困难与实时性不足的学术难题。通过提供同步采集的EMG与运动学数据，它支持了基于Hill-type模型的肌肉力计算方法的验证与优化，推动了从静态到动态、从实验室到自然场景的肌肉力估计研究进展。其意义在于为康复工程、运动科学及人机交互领域提供了标准化基准，促进了肌肉力估计方法在个性化医疗与仿生控制中的可靠应用。

实际应用

在实际应用中，该数据集可助力开发用于运动损伤风险评估、康复训练效果量化及智能假肢控制的可穿戴系统。例如，结合iFeel技术获取的全身运动学数据，可构建实时的下肢肌肉力监测平台，为运动员提供动作优化反馈，或为中风患者设计自适应康复方案。此外，其数据格式的开放性便于集成至机器人外骨骼的控制回路中，实现基于肌肉力预测的辅助力矩调节。

数据集最近研究

最新研究方向

基于Hill-type模型与全身可穿戴传感器的小腿肌肉力实时估计方法研究。该数据集由I-RIM 2023会议论文提出，聚焦于将肌电图（EMG）与运动学数据融合，通过生物力学建模实现下肢肌肉力的实时估算。这一方向与近年来可穿戴机器人、外骨骼控制及运动康复领域的热点紧密相连，尤其是在人机交互与智能假肢的闭环控制中，肌肉力的精确估计被视为提升系统顺应性与能效的关键。数据集提供了多模态传感器数据（表面EMG与全身运动捕捉）及标准化人体模型，为验证实时估计算法提供了基准。其意义在于推动非侵入式、低延迟的肌肉力预测技术从实验室走向实际应用，有望为运动障碍患者的个性化康复训练及增强型可穿戴设备的设计提供数据驱动的理论支撑。