肌电信号肢体动作分类数据

(如手臂抬起、手臂弯曲、腿部抬起等)产生的肌电信号进行特征提取与模式分析，可识别不同动作对应的肌肉激活特征模式。该数据可应用于神经康复训练系统中的动作评估与训练反馈、人机交互系统中的动作控制识别、假肢控制系统中的动作意图识别以及智能运动监测设备中的动作分析等场景。通过对肌电特征数据的分类分析，可辅助相关系统实现对用户肢体动作的自动识别与控制指令生成。一、加工前数据说明 加工前数据来源于多通道表面肌电信号（sEMG）采集设备，通过贴附于人体四肢相关肌群（肱二头肌、股四头肌等）表面的电极，实时记录肌肉收缩产生的生物电位变化。原始数据表现为多路连续的高频时间序列电压信号，反映了神经肌肉系统的活动状态。由于采集环境复杂，原始信号中叠加了工频干扰、电极移动产生的运动伪迹以及传感器底噪。 二、处理规则与安全匿名化 在处理规则上，采用4阶巴特沃斯带通滤波器（通常为20-450Hz）消除低频漂移与高频噪声，确保信号频谱纯净；利用50Hz陷波器剔除环境电磁干扰。在特征提取阶段，采用重叠滑动窗口技术将连续信号切分为独立分析单元，计算时频域特征。 三、数据内容描述 处理完成后的数据集为结构化的肢体动作特征矩阵，主要包含以下内容：一是时域特征指标，反映肌肉收缩强度的RMS和MAV，以及描述信号复杂度的WL和ZC；二是频域能量分布特征，用于表征肌肉疲劳度及运动单位募集情况；三是动作类别标签，涵盖手臂抬起、弯曲、伸展及腿部抬起、伸展等多种标准动作。该数据集通过统一量纲后的多维特征向量，刻画了不同肢体动作背后的肌肉激活模式，为下游的运动意图识别和人机交互模型提供了高质量、安全合规的输入支撑。 sample_id: 样本唯一识别码。 emg_rms: 均方根值，反映肌肉收缩的物理强度与有效功率 emg_mav: 平均绝对值，用于评估肌电信号的整体活动水平 emg_waveform_length: 波形长度，描述信号在时间窗口内的累积复杂度和波动性。 emg_zero_crossing: 过零率，指信号经过零点的次数，反映信号的频率特性。 emg_mean_frequency: 平均频率，频域特征指标，常用于评估肌肉疲劳状态 emg_activation_level: 肌肉激活程度，经归一化处理后的相对收缩强度指标。 limb_action_label: 肢体动作标签，“手臂抬起”为 Arm_Raise；“手臂弯曲”为 Arm_Bend；“手臂伸展”为 Arm_Extension；针对下肢动作，“腿部抬起”标注为 Leg_Raise；“腿部伸展”标注为 Leg_Extension feature_version: 特征算法版本号。

搜集汇总

背景与挑战

背景概述

该数据集记录了多通道表面肌电信号经滤波和特征提取后得到的肢体动作特征数据，包括时域与频域指标及动作类别标签，如手臂抬起、弯曲和腿部伸展等。数据可用于神经康复训练评估、人机交互、假肢控制和运动监测等场景，支持肢体动作的自动识别与控制指令生成。数据集包含1280条样本，以CSV格式存储，并经过匿名化处理以确保合规性。