GRABMyoFlow — sEMG 手势识别数据集腕部扩展版（+20 受试者·新增动态手势）

GRABMyo 表面肌电数据集的官方扩展条目——新招募 20 名健康成人做腕部单组记录、受试者合并至 63 人，并在每会话末尾新增「静态手势间过渡」动态试次，为连续认证与手势事件分割开辟新方向

来源 前臂/腕表面肌电（sEMG）开放数据集；16 通道（腕部双极 12 + 未用 4），2048 Hz，WFDB 格式，ZIP 4.3 GB；静态 16 手势 + 动态 30 转换，3 会话（3 天）发布时间: 2026-10-10最后更新: 2026-10-20 阅读 47
GRABMyoFlow — sEMG 手势识别数据集腕部扩展版（+20 受试者·新增动态手势）

信息速览

数据集名称GRABMyoFlow — sEMG 手势识别数据集腕部扩展版（+20 受试者·新增动态手势）
数据类型原始数据,生理信号数据,信号数据
规模扩展新招募 20 名健康成人（男 12/女 8）；与原版合并后共 63 名（男 35/女 28）
接入方式前臂/腕表面肌电（sEMG）开放数据集；16 通道（腕部双极 12 + 未用 4），2048 Hz，WFDB 格式，ZIP 4.3 GB；静态 16 手势 + 动态 30 转换，3 会话（3 天）
AI 就绪度

INFOBOX — GRABMyoFlow 一屏速览

维度 内容
本质 GRABMyo 表面肌电手势数据集的官方扩展条目（独立 PhysioNet 条目，非原版版本号继承）
官方全名 GRABMyoFlow - Dataset extension（PhysioNet 标题；活动标题写 GRABMyo-FLOW）
团队 University of Waterloo（Waterloo Neural Rehabilitation Engineering Lab）
作者 Carl Linus Ehlert、James Tung、Ashirbad Pradhan
发布 PhysioNet v1.0.0，2026-04-16；DOI 10.13026/ah52-zq51
扩增量 +20 名健康成人（腕部单组记录；合并 63 人）；新增动态手势（30 转换 × 2 runs/会话）
通道 16 通道 = 腕部双极 12（6+6，两环）+ 未用 4（原版为 32 = 前臂 16 + 腕 12 + 空 4）
采样 2048 Hz；静态文件 10240 × 16
手势 静态 16 + rest（沿用原协议）；动态 30 种转换（4 s→2 s→4 s，试次 10 s）
会话 3 会话（3 天）；静态受试者索引映射 44–63
许可 CC BY 4.0（开放获取）
体积 ZIP 4.3 GB；WFDB 格式
母数据集 GRABMyo（43 受试者，仅静态）

§0 条目定位与一句话定义

GRABMyoFlow（PhysioNet 条目全名 GRABMyoFlow - Dataset extension，活动标题常写作 GRABMyo-FLOW）是由加拿大滑铁卢大学（University of Waterloo）Waterloo Neural Rehabilitation Engineering Lab 发布的表面肌电（sEMG, surface electromyography）手势识别数据集的官方扩展版。它是开放获取数据集 GRABMyo（Gesture Recognition and Biometrics Electromyogram）的独立扩展条目——在 PhysioNet 上以**独立 DOI（10.13026/ah52-zq51）、独立版本号（v1.0.0）、独立发布日期（2026-04-16）**登记，而非挂在原 GRABMyo 条目下方的版本迭代。

一句话概括：GRABMyoFlow = GRABMyo 的腕部单组扩容（+20 名新受试者，合并至 63 名）＋ 每会话新增「静态手势之间过渡」的动态手势记录。

辨析要点：本条目与同家族的 GRABMyo 原版是同一个数据家族的两个独立 PhysioNet 条目。本条目只覆盖扩展版（extension）部分，即新增的 20 名受试者腕部记录与新增的动态手势；原版 43 名受试者的前臂+腕记录属于 GRABMyo 原条目范畴。两者的对照关系见 §2 差异表与 §9 相关数据集对照表。

§0.1 为什么会有扩展版

原 GRABMyo 数据集建立了稳健的基线（43 名受试者、前臂与腕部静态手势），但从受控实验室环境走向真实部署仍面临两大限制，扩展研究正是针对这两点：

  1. 样本量偏小的普遍痛点。近期综述指出，多数公开 sEMG 数据集的受试者数不足 50，不少知名数据集仅含 10–20 名受试者。样本量不足严重制约模型的泛化能力——在小队列上训练的算法应用到新用户时性能显著下降。GRABMyoFlow 通过新增 20 名受试者、合并至 63 名，显著扩大了样本量。
  2. 仅静态手势的局限。原版只记录被保持的静态手势，无法刻画手势之间的自然过渡。GRABMyoFlow 在每个会话末尾加入动态手势试次（两个静态手势之间的过渡动作），更贴近真实运动场景，直接支撑**连续认证（continuous authentication）与手势事件分割（gesture-event segmentation）**等原静态数据集无法覆盖的研究方向。

§0.2 核心方法论主张

扩展研究的方法论主张可归纳为四点：

  • 协议一致性优先：扩展严格沿用原 GRABMyo 的电极配置、会话结构与静态手势协议，以保证新旧数据可拼接、可比较。
  • 质量对齐：新增记录的信号强度与质量经验证与原数据集标准一致，确保所有受试者之间的统一性（uniformity across all subjects）。
  • 时序复杂度提升：通过动态手势，把数据集从「离散静态分类」推进到「时序过渡建模」，弥补静态数据集的先天不足。
  • 开放获取：以 WFDB 格式开放，降低下游研究的使用门槛。

§0.3 术语首现对照

术语 英文全称 说明
表面肌电 sEMG, surface electromyography 通过皮肤表面电极采集的肌肉电活动信号
手势识别 HGR, Hand Gesture Recognition 由 sEMG 推断手部手势类别
GRABMyo Gesture Recognition and Biometrics Electromyogram 母数据集全称
双极记录 bipolar configuration 两电极差分放大，抑制共模噪声
频分技术 FDT, Frequency Division Technique 随附代码中的特征提取方法
WFDB WaveForm DataBase PhysioNet 标准生理信号存储格式（.dat + .hea）
最大随意收缩 MVC, Maximum Voluntary Contraction 常用肌电归一化基准；本数据集未采用
手腕两环 proximal / distal wrist ring 腕部近端环与远端环各 6 个双极记录电极

§0.4 30 秒速览

  • 它是什么：GRABMyo sEMG 手势数据集的官方扩展版（独立 PhysioNet 条目）。
  • 扩了什么：+20 名健康成人腕部记录（合并 63 人）+ 每会话新增 30 种动态手势转换。
  • 关键数字：2048 Hz；16 通道（腕双极 12 + 空 4）；静态 16 手势 + rest；3 会话；WFDB；4.3 GB；CC BY 4.0。
  • 和原版的关键差别：原版 43 人/32 通道/仅静态；扩展仅腕部、无前臂、新增动态。
  • 一句话用法：手势识别与肌电生物特征（尤其连续认证、事件分割、多日鲁棒性）研究。
  • 最大坑：别把扩展当原版用——没有前臂通道；静态与动态的受试者编号口径不同。

§0.5 本条目覆盖范围声明

本条目只覆盖 PhysioNet 独立条目 grabmyo-flow（GRABMyoFlow - Dataset extension），即扩展部分的 20 名新增受试者腕部记录与新增动态手势。原版 43 名受试者的前臂+腕静态记录属同家族另一独立条目（grabmyo）范畴。两者互链关系见 §9.1；差异对照见 §2。

§0.6 检索者快速定位表

你的需求 应看哪一节
想知道它和原版差在哪 §2 差异对照
想知道数据怎么组织 §4 数据组织
想复现采集协议 §3 采集协议
想知道资产属性 §5 DAIMS
想跑通代码 §6 使用指南
想避坑 §7 坑点
想快速答疑 §8 FAQ
想找相关数据集 §9 对照表
想溯源 §10 参考文献

§1 数据集概况与身份

§1.1 基本身份

项目 内容
官方全名 GRABMyoFlow - Dataset extension
别名 GRABMyo-FLOW、GRABMyo FLOW、grabmyoflow
宿主平台 PhysioNet（Database Open Access）
条目 URL https://physionet.org/content/grabmyo-flow/
版本 v1.0.0
发布日期 2026-04-16
DOI（v1.0.0） 10.13026/ah52-zq51
DOI（latest） 10.13026/4e7j-qa41
RRID SCR_007345
许可 CC BY 4.0
访问 开放获取

§1.2 标准引用

PhysioNet 条目页提供 BibTeX：

@article{PhysioNet-grabmyo-flow-1.0.0,
  author = {Ehlert, Carl Linus and Tung, James and Pradhan, Ashirbad},
  title  = {{GRABMyoFlow - Dataset extension}},
  journal = {{PhysioNet}},
  year   = {2026},
  month  = apr,
  note   = {Version 1.0.0},
  doi    = {10.13026/ah52-zq51},
  url    = {https://doi.org/10.13026/ah52-zq51}
}

APA 口径：Ehlert, C. L., Tung, J., & Pradhan, A. (2026). GRABMyoFlow - Dataset extension (version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/ah52-zq51

§1.3 机构与作者

  • Carl Linus Ehlert — University of Waterloo；Waterloo Neural Rehabilitation Engineering Lab（PhysioNet Profile: medengclinuse）
  • James Tung — University of Waterloo（Profile: tungzales）
  • Ashirbad Pradhan — Dept of Systems Design Engineering, University of Waterloo（Profile: ashirbadpradhan）

机构：滑铁卢大学（University of Waterloo）位于加拿大安大略省滑铁卢市，其 Waterloo Neural Rehabilitation Engineering Lab 长期从事神经康复工程与肌电接口研究。

§1.4 血缘

GRABMyoFlow 扩展自 GRABMyo（母数据集，PhysioNet /content/grabmyo/）。扩展研究遵循原研究协议。扩展生成的 20 名新受试者静态数据被映射为索引 44–63，与原版 1–43 拼接成 63 名受试者的统一集合。

§2 GRABMyoFlow 与 GRABMyo 原版的核心差异

这是本条目最需要辨析的部分。以下对照表逐维度列出扩展版与原版的差异，所有数字均以 PhysioNet 两个条目的程序页实核为准。

§2.1 差异对照总表

维度 GRABMyo（原版条目） GRABMyoFlow（扩展版，本条目） 差异性质
受试者数 43 名健康受试者 扩展新增 20 名；合并后 63 名 扩容
受试者年龄 报告为 24–35 岁区间 扩展 20 名：24.25 ± 6.03；合并 63 名：25.68 ± 4.22 补充人口学
记录部位 前臂 + 腕 仅腕部（wrist-only） 部位收窄
通道总数 32 通道 16 通道 减半
通道构成 前臂 16（F1–F16）+ 腕 12（W1–W12）+ 未用 4（U1–U4） 腕 12（W1–W12，双极 6+6）+ 未用 4（U1–U4） 去掉前臂
采样率 2048 Hz 2048 Hz 一致
静态文件点数 10240 × 32 10240 × 16 随通道数变化
静态手势 16 手势 + rest 16 手势 + rest（沿用原协议） 一致
动态手势 无（仅静态） 新增：30 种转换 × 2 runs/会话 新增能力
会话数 3 会话（3 天） 3 会话（3 天）→ session1/2/3 一致
静态试次结构 7 runs × 16 手势 7 runs，每 run 全 16 静态手势 + rest 一致
受试者索引 j ∈ 静态映射 j ∈ {44,…,63}；动态子集内部 j ∈ 承接编号
电极 前臂环 + 腕部环（原配置） 14 电极 = 2 参考 + 12 记录（腕/下前臂 2 环 × 6） 部位调整
数据格式 WFDB WFDB（static_WFDB/ 与 dynamic_WFDB/） 一致
许可 开放获取 CC BY 4.0 一致口径

§2.2 关键差异的三点强调

差异一：扩展部分是「腕部单组」。 新招募的 20 名受试者只做了腕部记录，通道由原版的 32 通道缩减为 16 通道（腕部双极 12 + 未用 4）。这意味着扩展数据不能直接替代原版做前臂肌电解码——若研究关注前臂肌肉群，仍须回到 GRABMyo 原版。此处是检索者最易踩的「误用陷阱」。

差异二：新增「动态手势」是质变而非量变。 原版只有被保持的静态手势；扩展版在每个会话末尾加入动态试次，定义为两个静态手势之间的过渡动作。每试次 10 秒，结构为「保持手势 A 4 s → 用 2 s 过渡到手势 B → 保持手势 B 4 s」，随后 5 秒静息。这些数据把数据集从「离散分类」拓展到「时序过渡」，是连续认证与事件分割研究的关键。

差异三：受试者编号承接原版。 扩展的 20 名受试者在静态数据中被映射到索引 44–63（紧接原版 1–43 之后），在文件命名层面与原版无缝衔接；而动态数据子目录内部则使用 j ∈ {1,…,20} 的新编号。检索者拼接两个条目的数据时须留意这一「双重编号口径」。

§2.3 与其它 sEMG 数据集的横向站位

相对库内 ninapro（NinaPro，10 个子库、含截肢者、模态更丰富），GRABMyoFlow 的定位更聚焦：健康受试者、腕部单组、静态+动态过渡、3 天会话。其独特价值在于「受试者数中等偏大 + 多日 + 动态过渡」的组合，而非模态广度。研究者若需要截肢者数据或多模态（运动学/惯性/力），应选 NinaPro；若需要腕部密集电极的多日多受试者静态+动态数据，GRABMyoFlow 更贴合。

§2.4 版本与时间线

时间 事件
原研究期 GRABMyo 数据采集与发布（43 受试者，前臂+腕，静态）
2025-12 GRABMyoFlow 附加文件（手势列表、转换序列）生成
2026-04-08 LICENSE.txt 时间戳
2026-04-16 GRABMyoFlow v1.0.0 发布于 PhysioNet
后续 DOI (latest) 10.13026/4e7j-qa41 指向最新版本

目前仅有 v1.0.0 一个版本；未来若发布新版本，latest DOI 会随之上移，而 v1.0.0 的 DOI 固定。

§2.5 典型应用场景

  • 多日生物特征认证：利用 3 个会话、63 名受试者，评估电极位移、汗液、皮肤状态变化下的识别鲁棒性。
  • 连续认证（continuous authentication）：利用动态手势序列，做「持续身份核验」而非一次性登录。
  • 手势事件分割（gesture-event segmentation）：从动态试次中检测「保持—过渡—保持」的边界，训练时序分割模型。
  • 跨受试者手势识别：以 63 名受试者评估 subject-independent 分类器的泛化能力。
  • 假肢/人机接口控制：为消费级与临床级 sEMG 控制提供数据支撑。
  • 信号处理研究：电极位移鲁棒性、通道选择、特征提取（FDT）方法对比。

§2.6 战略价值

GRABMyoFlow 的战略价值在于**同时扩展了「样本规模」与「时序维度」**两条主轴：

  1. 规模轴：从 43 到 63 名受试者，缓解小样本导致的过拟合与泛化差问题。
  2. 时序轴：从纯静态到静态+动态，使数据集可支撑连续认证、事件分割这类时序任务。

两者结合，使它在公开 sEMG 手势数据集中具备差异化定位，尤其适合「多受试者 + 多日 + 时序过渡」的研究命题。

§2A 医学与工程背景

本节补充 sEMG 手势识别领域的背景知识，帮助跨领域检索者理解 GRABMyoFlow 的用途与价值。

§2A.1 表面肌电（sEMG）原理

表面肌电是通过贴附于皮肤表面的电极采集的肌肉电活动信号。当运动神经元激活肌纤维时，会产生动作电位，这些电位在体表叠加后被电极捕获。sEMG 具有以下特性：

  • 非侵入：无需针电极，安全、可穿戴。
  • 超前意图：可在动作发生前捕捉运动意图，适合实时控制。
  • 个体差异大：受解剖、脂肪厚度、电极位置、皮肤状态影响。
  • 非平稳：电极位移、疲劳、汗液会改变信号统计特性。
  • 电极位移敏感：跨会话的电极重新贴放是主要误差源。

这些特性决定了 sEMG 数据集的设计重点：多受试者（覆盖个体差异）、多日（覆盖非平稳），这正是 GRABMyoFlow 相对原版的扩展方向。

§2A.2 手势识别的工程流程

典型的 sEMG 手势识别流程：

  1. 采集：多通道电极记录原始信号。
  2. 预处理：带通滤波（去工频与运动伪迹）、整流、平滑。
  3. 分割：检测动作起始/结束（event segmentation）。
  4. 特征提取：时域（RMS、MAV、WL）、频域（PSD、FDT）、时频（小波）。
  5. 分类：传统机器学习或深度网络。
  6. 后处理：平滑预测、拒识。

GRABMyoFlow 的静态数据服务于流程 1–5 的分类训练；动态数据则直接针对流程 3 的分割任务。

§2A.3 生物特征认证的应用背景

肌电作为生物特征具备抗伪造性——相比指纹、人脸，sEMG 难以被远程仿冒。认证系统包含四个模块：

  1. 传感模块：采集生物特征数据。
  2. 特征提取器：生成特征向量作为生物特征条目。
  3. 匹配模块：与真实用户模板比对产生分数。
  4. 决策模块：依据分数阈值授予或拒绝访问。

GRABMyoFlow 的多日数据（3 会话）与动态数据，正好服务于「多日性能分析」与「连续认证」这两个此前研究不足的方向。

§2A.4 GRABMyoFlow 解决的具体痛点

领域痛点 GRABMyoFlow 的应对
数据集受试者 < 50 合并 63 名受试者
仅单日采集 3 会话（3 天）
仅静态手势 新增动态过渡
无跨人泛化评估 63 人支持 subject-independent 研究
电极位移鲁棒性研究缺数据 不留永久标记，天然含电极位移

§2A.5 与临床/康复的关联

虽然 GRABMyoFlow 是工程数据集而非临床数据集，但其目标应用的临床关联明确：

  • 假肢手控制：为经桡骨截肢者提供非侵入式控制方案的数据基础（注：本数据集受试者为健康成人，不含截肢者，此点与 NinaPro 不同）。
  • 神经康复：卒中后手功能康复中的肌电反馈训练。
  • 人机接口：面向消费电子与工业场景的手势交互。

重要辨析：本数据集受试者为健康成人，不含截肢者或患者；若研究需要截肢者 sEMG，应转向 NinaPro 等含截肢者的数据集。

§2A.6 数据质量保证的工程含义

扩展研究在数据质量上做了多道保障，其工程含义值得研究者注意：

质量措施 工程含义
协议沿用原研究 新旧数据可拼接、可比较
信号质量验证与原版一致 扩展数据不引入系统性偏差
纠错记录替换问题试次 最终数据噪声更低，但原始坏样本不可得
不留永久电极标记 天然含电极位移，更贴近真实部署
无归一化/MVC 保留原始幅度，下游须自行归一化
带通 + 陷波 已去除工频与低频漂移，勿重复处理

§2A.7 静态 vs 动态数据的任务映射

数据 对应任务 典型模型
静态试次 手势分类（17 类含 rest） CNN/TCN/LSTM、SVM
静态多试次 生物特征识别/验证 度量学习、孪生网络
多日静态 多日鲁棒性评估 域适应
动态试次 事件分割、连续认证 时序分割网络、TCN

§3 数据采集协议

扩展研究严格遵循原 GRABMyo 研究既定的实验协议（protocol），以保证方法学一致与数据采集可靠。所有记录为右臂数据。本节完整复述协议细节，便于研究者复现与对齐。

§3.1 实验装置与电极

项目 配置
放大器 OT Bioelettronica EMGUSB2+ 商用放大器
增益 500
采样率 2048 Hz
电极类型 预胶化单极 sEMG 电极 Ambu Neuroline 720-00-S/25
电极总数 14 个 = 2 参考 + 12 记录
参考电极位置 豌豆骨（pisiform）与鹰嘴（olecranon）
记录电极 腕/下前臂 2 环 × 6（近端环 + 远端环）
远端环位置 尺骨茎突（ulnar styloid process）近端 2 cm
环间距 环心到环心（center-to-center）2 cm
电极标记 不做永久标记（为模拟真实电极位移）；第一个电极与肘褶中心线对齐以标准化标注
预处理清创 酒精擦拭；毛发过多者剃除以保证接触
软件 一台笔记本电脑同步控制手势/过渡提示（副显示器）与数据记录

关键设计意图：不留永久电极标记是为了模拟真实世界中电极位置漂移（electrode shift），使数据更贴近实际可穿戴部署场景，而非理想化的固定位置采集。会话之间电极重新贴放，因此多日数据天然包含电极位移带来的非平稳性——这正是多日生物特征研究关注的核心难点。

§3.2 静态手势协议

  • 参与者被舒适就座，右前臂置于中立位（既不旋前也不旋后），支撑于扶手高度，确保电极不接触椅面。
  • 视觉提示按随机序列指示参与者以**中等力度（moderate force）**完成手与腕手势。
  • 每个手势保持 5 s，随后 8 s 静息。
  • 每会话记录 16 个手势 + 1 个 rest 手势。
  • 每名参与者每会话做 7 次重复（runs），每次 run 包含全部 16 个静态手势（trials），最后接 rest 姿势。
  • run 之间实验员监测信号质量与参与者舒适度，按需额外休息。
  • 不做归一化，也不做最大随意收缩（MVC）校准（与原协议一致）。

静态手势集合沿用原研究，涵盖手部手势（gesture 1–10、15、16）与腕部手势（gesture 11–14）。手势的可视化见随附 GestureList_static.jpg。

§3.3 动态手势协议（扩展新增）

  • 定义：动态手势 = 两个静态手势之间的瞬时手部动作（transient hand movement）。
  • 在静态试次之后进行；每会话 2 次重复（runs），每次 run 含 30 个动态转换（dynamic trials）。
  • 使用与静态协议相同的手与腕手势集合。
  • 每动态试次 10 s，时序为：
    1. 保持手势 A：4 s
    2. 过渡到手势 B：2 s
    3. 保持手势 B：4 s
    4. 随后静息：5 s
  • 因此每次 run 总时长 = 30 × (10 s + 5 s) = 7.5 min。
  • 动态手势被随机配对，覆盖手部手势（gesture 1–10、15、16）与腕部手势（gesture 11–14）之间的多样转换。
  • 软件提示参与者并记录时间戳，用于区分试次的三个部分。
  • 若未按时间、做错手势或快速运动引入过度噪声，则重复该试次。
  • 完整的动态配对清单见随附 MotionSeq.txt；可视化见 GestureList_dynamic.jpg。

§3.4 信号处理与质量保证

  • 所有记录先经 10–500 Hz 四阶 Butterworth 带通滤波，并施加 60 Hz 陷波滤波去除工频干扰（与原数据集协议一致）。
  • 每次 run 后复查原始信号，标记时序错误、过度噪声或手势执行错误者。
  • 会话末尾进行**纠错记录（correction recordings）**替换或补充问题试次。
  • 最终数据集只提供纠错后的记录；subject-info.csv 列出被替换（substituted）的试次。
  • 扩展新记录的信号强度与质量已验证与原数据集标准一致，确保所有受试者之间的统一性。

§3.5 受试者招募与人口学

招募排除标准：对粘合剂、凝胶或酒精过敏者；存在肌肉疼痛者；或因个人原因无法完成记录会话者。

指标 扩展组 N=20 合并组 N=63
男 / 女 12 / 8 35 / 28
年龄 [岁] 24.25 ± 6.03 25.68 ± 4.22
前臂长 [cm] 23.49 ± 1.44 24.62 ± 1.81
腕围 [cm] 16.35 ± 1.35 16.20 ± 1.26

合并组数据 = 原版 43 名 + 扩展 20 名的统计汇总。可以看到扩展组的年龄分布略年轻、前臂略短，合并后趋于均衡。

§4 数据组织与文件结构

§4.1 顶层目录

数据集以 WFDB 格式提供，顶层分为两个目录：

grabmyo-flow/
├── static_WFDB/     # 静态手势记录
├── dynamic_WFDB/    # 动态手势记录
├── subject-info.csv
├── readme.txt
├── MotionSeq.txt
├── GestureList_static.jpg
├── GestureList_dynamic.jpg
├── electrode_placement.png
├── DeviceInfo.pdf
└── LICENSE.txt
  • 静态记录：以每个试次一个文件提供，文件夹结构与命名约定与原 GRABMyo 数据集一致（便于无缝拼接）。
  • 动态记录：以每个试次的连续记录提供，每个文件包含三个段落（保持 A、过渡、保持 B），每会话 2 次 run。

§4.2 会话与受试者目录

两个数据集（static/dynamic）的顶层均有 3 个会话文件夹，对应 3 次采集会话：

static_WFDB/
├── session1/
│   ├── session1_subject44/
│   ├── session1_subject45/
│   └── ... (共 20 个受试者子目录：subject44 … subject63)
├── session2/
└── session3/

每个受试者子目录内的文件命名为：

session<i>_subject<j>_gesture<k>_trial<t>.dat   # 二进制多通道腕部 sEMG
session<i>_subject<j>_gesture<k>_trial<t>.hea   # 头文件（元数据）

索引范围：

数据集 i（会话） j（受试者） k（手势） t（试次）
静态 {44,…,63}
动态

注意：静态 k 取到 17（16 手势 + rest），动态 k 取到 30（30 种转换）。

§4.3 通道定义

  • 每个静态记录含 16 个信号/通道，采样于 2048 Hz，即 10240 × 16（10 s）。
  • 其中 12 个通道为腕部双极配置（6 + 6，构成两环）：
    • {W1–W6}：近端腕环（proximal wrist ring）
    • {W7–W12}：远端腕环（distal wrist ring）
  • {U1–U4} 为未使用通道，保留用于区分电极环设置。

§4.4 文件格式与随附文件

WFDB 文件由两部分组成：

  • 一个 .dat 文件：含原始二进制多通道腕部 sEMG 信号。
  • 一个 .hea 头文件：提供试次通道号、采样频率等元数据。

随附代码文件：

文件 作用
grabmyoflow_wfdb_to_mat_static.py 静态 WFDB → MAT 转换，演示前臂/腕通道选择
grabmyoflow_wfdb_to_mat_dynamic.py 动态 WFDB → MAT 转换
grabmyoflow_wfdb_visualize_export.py 可视化与导出
grabmyoflow_feature_extraction.m 频分技术（FDT）特征提取
grabmyoflow_visualize_static.m 静态数据可视化
grabmyoflow_visualize_dynamic.m 动态数据可视化
segmentEMG.m 分割辅助函数
featiFDTI.m 特征提取辅助函数

附加文件：

文件 内容
subject-info.csv 匿名受试者信息、会话详情、试次级纠错标志
readme.txt 结构、命名、代码用法与依赖说明
GestureList_static.jpg 静态手势可视化参考
GestureList_dynamic.jpg 动态转换可视化参考
MotionSeq.txt 动态转换的文字参考
electrode_placement.png 电极位置与通道号可视化
DeviceInfo.pdf OT-Biolab USB2+ 数据手册

§4.5 文件体积与时间戳

  • ZIP 完整打包约 4.3 GB。
  • 文件时间戳样例（来自 PhysioNet 文件列表）：GestureList_static.jpg 2025-12-16；LICENSE.txt 2026-04-08；MotionSeq.txt 2025-12-16。
  • LICENSE.txt 为 14.5 KB。

§4.6 DAIMS 字段字典

下表将数据集的核心字段映射到 DAIMS 语义，便于工程化入库与检索：

字段 类型 取值/范围 语义
session_index (i) 整数 1,2,3 三次采集会话（对应三天）
subject_index (j) 整数 静态 44–63；动态 1–20 受试者编号
gesture_index (k) 整数 静态 1–17；动态 1–30 手势/转换编号
trial_index (t) 整数 静态 1–7；动态 1–2 试次编号
channel 字符串 W1–W12、U1–U4 通道名（腕部有效 12 + 未用 4）
sampling_rate 浮点 2048 采样率（Hz）
n_samples 整数 静态 10240 每记录采样点数（10 s）
signal 浮点数组 (10240, 16) 多通道 sEMG 信号
rest_flag 布尔 由 k=17 派生（静态） 静息姿势标记
correct_flag 布尔 见 subject-info.csv 该试次是否经纠错替换

§4.7 标签体系

GRABMyoFlow 的标签体系相对轻量，采用文件名内嵌式标签，而非独立标注文件：

  • 静态标签：gesture<k>，其中 k ∈ {1,…,16} 对应 16 个静态手/腕手势，k = 17 对应 rest（静息）。
  • 动态标签：gesture<k>，其中 k ∈ {1,…,30} 对应 30 种预定义的静态手势间转换；具体 A→B 配对见 MotionSeq.txt。
  • 会话标签：由目录 session<i> 体现，对应不同采集日。
  • 受试者标签：由目录 session<i>_subject<j> 体现。
  • 纠错标签：由 subject-info.csv 中的试次级标志体现。

这种「命名即标签」的设计简化了加载，但也意味着标签的完整性依赖解析逻辑正确（参见 §7 坑点 2、坑点 4）。

§4.8 数据层级与统计

数据层级自顶向下为：数据集 → 静态/动态 → 会话(3) → 受试者(20) → 手势(k) → 试次(t) → 通道(16) → 采样点。

可估算的试次总量（扩展部分）：

  • 静态：3 会话 × 20 受试者 × 17 手势 × 7 试次 = 7,140 个静态试次文件。
  • 动态：3 会话 × 20 受试者 × 30 转换 × 2 试次 = 3,600 个动态试次文件。

上述为按命名规则推算的理论上限，实际以 RECORDS 清单与 subject-info.csv 为准（纠错替换不改变试次总数，只替换内容）。

§4.9 采集设备与溯源

环节 细节
放大器 OT Bioelettronica EMGUSB2+（增益 500）
电极 Ambu Neuroline 720-00-S/25 预胶化单极
设备手册 随附 DeviceInfo.pdf
采集软件 笔记本同步控制提示与记录
溯源 扩展自 GRABMyo；协议由原研究建立
电极位置图 electrode_placement.png

§4B 数据规模与关键统计

§4B.1 硬数字一览

指标 数值
扩展受试者 20（男 12/女 8）
合并受试者 63（男 35/女 28）
会话数 3（session1/2/3）
采样率 2048 Hz
通道数 16（腕双极 12 + 未用 4）
有效腕通道 12（W1–W12）
静态文件长度 10240 × 16
静态手势 16 + rest
静态 runs/会话 7
静态试次/手势 7
动态 runs/会话 2
动态转换/run 30
动态试次时长 10 s（4+2+4）
动态静息 5 s
动态 run 时长 7.5 min
ZIP 体积 4.3 GB

§4B.2 理论试次总量（扩展部分）

  • 静态：3 会话 × 20 受试者 × 17（16 手势 + rest）× 7 试次 = 7,140 个试次文件。
  • 动态：3 会话 × 20 受试者 × 30 转换 × 2 试次 = 3,600 个试次文件。

上述为按命名规则推算的理论上限。实际数量以条目页 RECORDS 清单为准；纠错替换只替换内容，不改变试次总数。

§4B.3 合并后的数据版图

集合 来源 受试者 部位
原版部分 GRABMyo 1–43 前臂 + 腕（32 通道）
扩展部分 GRABMyoFlow 44–63 仅腕（16 通道）
合并静态 两条目拼接 1–63 前臂仅属 1–43
动态 仅 GRABMyoFlow 扩展 20（内部 1–20） 仅腕

关键提醒：合并后「63 名受试者」这一数字描述的是静态数据的受试者并集；动态数据只有扩展的 20 名。跨集合分析时须区分口径。

§5 DAIMS 数据资产描述

下表按 DAIMS（Data Asset Information Management Schema）口径汇总 GRABMyoFlow 的关键资产属性：

DAIMS 维度 内容
资产名称 GRABMyoFlow - Dataset extension
资产类型 生理信号数据集（表面肌电 sEMG 时序信号）
版本 v1.0.0
发布者 PhysioNet
创建机构 University of Waterloo（Waterloo Neural Rehabilitation Engineering Lab）
作者 Carl Linus Ehlert、James Tung、Ashirbad Pradhan
负责人/联系人 见 PhysioNet 条目作者 Profile（medengclinuse / tungzales / ashirbadpradhan）
发布日期 2026-04-16
标识符 DOI 10.13026/ah52-zq51（v1.0.0）；latest DOI 10.13026/4e7j-qa41；RRID:SCR_007345
许可 CC BY 4.0
访问级别 开放获取（Open Access）
数据格式 WFDB（.dat 二进制 + .hea 头文件）；附加 CSV/图片/PDF/代码
数据规模 ZIP 4.3 GB；扩展 20 受试者 × 3 会话 × (静态 + 动态)
采样参数 2048 Hz；16 通道（腕双极 12 + 空 4）；静态 10240 × 16
模态 单模态（sEMG 时序），附手势标签与人口学元数据
受试者 扩展 20 名健康成人；合并 63 名
时间覆盖 2025–2026（采集与发布）
空间/机构 加拿大滑铁卢大学
血缘 扩展自 GRABMyo（母数据集）
用途 手势识别、肌电生物特征认证/识别、连续认证、手势事件分割
质量保证 带通 10–500 Hz + 60 Hz 陷波；纠错后记录；signal quality 已验证与原版一致
局限 腕部单组；样本量中等；未做 MVC 归一化；动态仅涵盖手势过渡；无官方划分
元数据完备性 提供 subject-info.csv、readme、手势列表、电极位置图、设备手册
可复现性 随附 Python/MATLAB 转换、可视化与特征提取代码
伦理/隐私 匿名化受试者信息；开放获取无需申请

DAIMS 视角的核心结论：GRABMyoFlow 是一个元数据完备、开放获取、可复现性良好的中等规模 sEMG 数据集；主要短板在单一部位（腕部）与缺乏官方评测划分。

§6 使用指南

本节面向首次使用 GRABMyoFlow 的开发者，给出可运行的获取、读取、切分与特征提取流程。

§6.1 获取数据

# 方式一：下载 ZIP（4.3 GB）
# 从 PhysioNet 条目页点「Download the ZIP file」

# 方式二：命令行递归下载
wget -r -N -c -np https://physionet.org/files/grabmyo-flow/1.0.0/

§6.2 WFDB 转 MAT（静态）

数据集随附 grabmyoflow_wfdb_to_mat_static.py，演示前臂与腕部分组的通道选择：

# grabmyoflow_wfdb_to_mat_static.py（随附脚本，示意用法）
# 单静态文件通道构成：16 通道 = 腕双极 12 (W1-W12) + 未用 4 (U1-U4)
# 若只取有效腕通道，应排除 U1-U4。

# 静态文件路径命名约定：
#   session<i>_subject<j>_gesture<k>_trial<t>.hea/.dat
#   扩展静态受试者索引 j ∈ {44,...,63}

§6.3 读取单个 WFDB 记录（Python）

import wfdb
import numpy as np

# 以扩展受试者 44、会话 1、手势 1、试次 1 为例
record_path = "static_WFDB/session1/session1_subject44/session1_subject44_gesture1_trial1"
rec = wfdb.rdrecord(record_path)

sig = rec.p_signal          # 形状 (10240, 16)，单位 mV
fs = rec.fs                  # 2048 Hz
ch_names = rec.sig_name      # ['W1',...,'W12','U1','U2','U3','U4']

# 只保留有效的 12 个腕部双极通道
valid_idx = [i for i, c in enumerate(ch_names) if c.startswith("W")]
wrist = sig[:, valid_idx]    # (10240, 12)

# 静态手势标签可由文件名解析：gesture<k>，k∈{1..16} 为手势，17 为 rest
gesture_id = 1
print(f"wrist sEMG shape = {wrist.shape}, fs = {fs} Hz, gesture = {gesture_id}")

§6.4 动态记录的时段切分

动态试次文件包含三段：保持 A（前 4 s）→ 过渡（2 s）→ 保持 B（后 4 s），之后 5 s 静息。切分示例：

import wfdb

# 动态文件：session<i>_subject<j>_gesture<k>_trial<t>.dat，j∈{1..20}，k∈{1..30}，t∈{1,2}
rec = wfdb.rdrecord("dynamic_WFDB/session1/session1_subject1/session1_subject1_gesture1_trial1")
sig, fs = rec.p_signal, rec.fs
W = int(4 * fs)   # 4 s = 8192 采样点
T = int(2 * fs)   # 2 s = 4096 采样点

holdA = sig[:W]             # 保持手势 A (4 s)
trans = sig[W:W + T]        # 过渡段 (2 s)
holdB = sig[W + T:2 * W + T]  # 保持手势 B (4 s)

具体手势 A/B 的配对关系见随附 MotionSeq.txt；segmentEMG.m 提供了分割辅助函数。

§6.5 特征提取（频分技术 FDT）

随附 grabmyoflow_feature_extraction.m 以频分技术（FDT）做特征提取；featiFDTI.m 为其辅助函数。研究亦可自行采用时域（RMS、MAV）、频域或小波特征。典型流程：

import numpy as np

def rms_features(window):
    """按通道计算 RMS 特征。window 形状 (N, C)。"""
    return np.sqrt(np.mean(window ** 2, axis=0))  # (C,)

def mav_features(window):
    """按通道计算平均绝对值。"""
    return np.mean(np.abs(window), axis=0)

# 滑窗 + 特征拼接是 sEMG 手势识别的常见前置步骤
fs = 2048
win_len = int(0.2 * fs)   # 200 ms
step = int(0.1 * fs)      # 100 ms 步进

§6.6 与 GRABMyo 原版数据拼接的注意事项

  • 扩展静态受试者索引为 44–63，可直接与原版 1–43 拼接成 63 名受试者。
  • 但通道数不同：原版 32（含前臂 16），扩展 16（仅腕 12）。拼接时须按同名通道对齐（腕通道 W1–W12 语义一致），前臂通道在扩展部分缺失，不可用零填充冒充前臂信号。
  • 动态数据为扩展独有，原版无对应。

§6.7 推荐建模流程小结

  1. 按会话/受试者枚举文件 → 用 wfdb.rdrecord 读取。
  2. 依通道名筛出 W1–W12，剔除 U1–U4。
  3. 按试次标签（gesture<k>）构造分类目标。
  4. 做受试者级归一化（因无 MVC）。
  5. 滑窗 + 特征提取 → 训练分类器或序列模型。
  6. 动态数据用于事件分割/连续认证时，剔除静息段。

§6.8 数据划分与使用建议

官方未提供划分，以下为社区惯例建议（非官方）。

  • 受试者独立划分（subject-independent）：留一部分受试者整组作测试集，评估跨人泛化。推荐如 63 名中按比例留出（如 50/13）或多折。
  • 会话独立划分（session-independent）：用会话 1、2 训练，会话 3 测试，评估多日鲁棒性（对应 §2.5 的多日认证）。
  • 会话内划分（subject-dependent）：同一受试者内 7 个 run 分组，评估个体化模型的会话内性能。
  • 泄漏风险：同一试次滑窗切出的多个片段不可跨训练/测试，否则窗口重叠造成信息泄漏。须按试次（甚至按 run）为单位切分。
  • 交叉验证建议：推荐 Leave-One-Subject-Out（LOSO） 或 Leave-One-Session-Out，与生态惯例一致。
  • 外部验证：可尝试用 GRABMyo 原版数据或 NinaPro 做跨数据集验证，但通道/手势差异需先对齐。

§6.9 PyTorch DataLoader 骨架

import os, glob, numpy as np, torch
import wfdb
from torch.utils.data import Dataset, DataLoader

class GrabMyoFlowStatic(Dataset):
    def __init__(self, root, subject_ids, sessions=(1, 2, 3)):
        self.files = []
        for s in sessions:
            for j in subject_ids:
                pat = os.path.join(root, f"session{s}", f"session{s}_subject{j}",
                                   f"session{s}_subject{j}_gesture*_trial*.hea")
                self.files += glob.glob(pat)

    def __len__(self):
        return len(self.files)

    def __getitem__(self, idx):
        hea = self.files[idx]
        rec = wfdb.rdrecord(hea[:-4])
        sig = rec.p_signal
        names = rec.sig_name
        idx_w = [i for i, n in enumerate(names) if n.startswith("W")]
        x = sig[:, idx_w].T.astype(np.float32)   # (12, 10240)
        k = int(hea.split("gesture")[1].split("_")[0])
        y = k - 1                                 # 0..16
        return torch.from_numpy(x), y

# 用法示例（受试者独立划分）
train_ids = list(range(44, 57))
test_ids = list(range(57, 64))
train_ds = GrabMyoFlowStatic("static_WFDB", train_ids)
test_ds = GrabMyoFlowStatic("static_WFDB", test_ids)
train_loader = DataLoader(train_ds, batch_size=32, shuffle=True)

§6.10 模型推荐

任务 推荐模型 说明
静态手势分类 CNN / LSTM / TCN 直接输入多通道时序，或先滑窗提特征
传统基线 SVM / 随机森林 + RMS/MAV 特征 sEMG 领域的经典强基线
跨受试者 域适应 / 对抗去身份 因无 MVC，跨人被试差异大
动态事件分割 TCN / U-Net-like 时序分割 输入动态试次，预测「保持/过渡」标签
连续认证 度量学习 / 孪生网络 动态序列用于持续核验

§6.11 评估指标

from sklearn.metrics import accuracy_score, f1_score, confusion_matrix
import numpy as np

def report(y_true, y_pred):
    print("Accuracy:", accuracy_score(y_true, y_pred))
    print("Macro-F1:", f1_score(y_true, y_pred, average="macro"))
    print("Confusion:\n", confusion_matrix(y_true, y_pred))

# 生物特征认证另用 FAR/FRR/EER
def eer(scores_genuine, scores_impostor):
    # 简化示意：阈值扫描求 FAR=FRR 的错配率
    ths = np.linspace(min(scores_impostor), max(scores_genuine), 200)
    best = 1.0
    for t in ths:
        far = np.mean(scores_impostor >= t)
        frr = np.mean(scores_genuine < t)
        best = min(best, abs(far - frr))
    return best

手势识别报告 Accuracy / Macro-F1 / 混淆矩阵；生物特征认证报告 FAR / FRR / EER；事件分割报告帧级 F1 与 IoU。

§6.12 MLOps 与工程笔记

  • 可复现性：固定受试者划分的随机种子，记录通道选择与归一化参数。
  • 数据版本：以 DOI 10.13026/ah52-zq51 锁定 v1.0.0，避免 latest DOI 漂移。
  • 存储：4.3 GB 原始数据，预处理后建议存为 .npy/.parquet 以加速迭代。
  • 归一化：因无 MVC，务必在训练集上拟合归一化统计量，再应用到测试集。
  • 合规：CC BY 4.0，署名即可；标注数据来源与版本。

§6.13 硬件需求

  • 原始数据 4.3 GB，预处理后视窗口与特征而定，通常 10–50 GB 量级。
  • 训练：单卡 GPU（如 8–16 GB 显存）足以处理 CNN/TCN；纯传统特征 + SVM 可在 CPU 完成。
  • 加载 WFDB 建议用 wfdb 库，避免手工解析二进制。

§7 工程坑点（grabmyo-flow 实操避坑）

以下坑点基于 PhysioNet 程序页实核事实与 sEMG 数据工程通识整理，供检索者快速避坑。

  • 坑点 1：误把扩展版当原版用。 GRABMyoFlow 的扩展记录只有腕部通道（16 通道，其中有效 12），没有前臂通道。若研究需要前臂肌电解码，必须回到 GRABMyo 原版条目，切勿用扩展数据冒充。

  • 坑点 2：受试者编号的双重口径。 静态数据的扩展受试者索引是 44–63（承接原版 1–43），但动态数据子目录内部用的是 j ∈ {1,…,20} 的新编号。批量脚本若统一假设「j 就是受试者 ID」，会在静态与动态之间错位。务必按目录层级分别解析。

  • 坑点 3：未使用通道 U1–U4 混入特征。 16 通道里有 4 个是未使用通道（U1–U4，保留用于区分电极环）。若直接 p_signal[:, :] 全取，会把 4 个无效通道当有效信号喂进模型，污染特征。务必按通道名筛出 W1–W12。

  • 坑点 4：静态文件长度固定 10240，但动态试次不是。 静态文件是 10 s（10240 点 @2048 Hz）；动态试次虽然标称 10 s，但它是连续记录且含「保持—过渡—保持」三段，其长度与分段语义与静态完全不同。用同一套定长切窗逻辑会切错。

  • 坑点 5：动态试次含 5 s 静息需剔除。 动态试次时序是「4 s 保持 A + 2 s 过渡 + 4 s 保持 B」共 10 s，随后还有 5 s 静息。做事件分割或连续认证时若把静息段也算进动作，会引入大量负样本噪声。

  • 坑点 6：无 MVC 归一化，跨受试者幅度不可比。 协议不进行最大随意收缩（MVC）校准，也不做归一化。不同受试者、不同贴片状态下的肌电绝对幅度差异很大。跨受试者建模前必须自行做归一化，否则模型会学到「受试者身份」而非「手势」。

  • 坑点 7：只有纠错后记录，原始问题试次不可得。 数据集只提供纠错后的记录，被替换的原始试次不再提供（替换清单在 subject-info.csv）。若研究关注噪声鲁棒性并希望拿到「坏数据」，本数据集无法满足——需要自行注入噪声。

  • 坑点 8：无官方划分与 leaderboard。 程序页未给出官方 train/test 划分或统一基准。若要与他人结果对比，必须共享划分协议（如按受试者留一），否则不同论文的准确率不可直接比较。

  • 坑点 9：工频滤波已做过，勿重复。 数据已施加 60 Hz 陷波（对应北美电网 60 Hz）。在 50 Hz 电网地区的研究者若再套 50 Hz 陷波无效，且不应重复做 60 Hz 处理。

  • 坑点 10：动态手势只是「过渡」，非自然连续动作。 动态数据定义为两个静态手势之间的过渡，仍是受控的离散配对，并非自由连续动作流。用于连续认证时要认识到这一人工性，不能等同真实日常动作。

§7.1 上手前检查清单

在正式建模前，建议逐项自查：

  • [ ] 确认使用的是 grabmyo-flow（扩展）还是 grabmyo（原版）——两者部位/通道不同。
  • [ ] 静态数据受试者编号是否按 44–63 解析；动态是否按 1–20 解析。
  • [ ] 是否已按通道名剔除 U1–U4（只保留 W1–W12）。
  • [ ] 是否已确认采样率 2048 Hz、静态长度 10240。
  • [ ] 是否对静态与动态分别用了正确的切窗/分段逻辑。
  • [ ] 动态数据是否已剔除每试次末尾 5 s 静息。
  • [ ] 是否做了跨受试者归一化（因无 MVC）。
  • [ ] 划分是否以试次/run 为单位（避免滑窗泄漏）。
  • [ ] 是否只用纠错后记录并查阅了 subject-info.csv。
  • [ ] 引用是否包含 DOI 与 RRID。

§7.2 常见报错与排查

现象 可能原因 排查
shape 不是 (10240,16) 读错文件或通道映射错 检查 .hea 与 sig_name
标签错位 静态/动态编号口径混用 分目录单独解析 j
精度异常低 U1–U4 混入 / 未归一化 筛 W1–W12 + 归一化
动态切窗错 用静态定长逻辑切动态 按 4+2+4+5 结构切
跨人性能差 无 MVC 导致幅度差异 加受试者级标准化
结果与他人不可比 划分口径不同 共享 LOSO/会话划分

§8 常见问题（FAQ）

Q1：GRABMyoFlow 和 GRABMyo 是同一个数据集吗？
不是。两者是同一数据家族的两个独立 PhysioNet 条目。GRABMyo 是母数据集（43 名受试者、前臂+腕、仅静态）；GRABMyoFlow 是官方扩展条目（新增 20 名受试者腕部记录 + 动态手势），有独立的 DOI、版本号与发布日期。

Q2：GRABMyoFlow 一共包含多少名受试者？
扩展部分新招募 20 名健康成人；与原版合并后共 63 名（男 35/女 28）。

Q3：扩展的 20 名受试者在文件里编号是几号？
静态数据中被映射为 44–63（紧接原版 1–43）。动态数据子目录内部则用 j ∈ {1,…,20} 的新编号。

Q4：GRABMyoFlow 的采样率是多少？
2048 Hz，与原版一致。

Q5：GRABMyoFlow 有多少通道？和原版有何不同？
扩展版为 16 通道（腕部双极 12 + 未使用 4）；原版为 32 通道（前臂 16 + 腕 12 + 空 4）。扩展只做腕部记录，没有前臂通道。

Q6：什么是「动态手势」？
动态手势是指两个静态手势之间的过渡动作（transient movement）。每个动态试次 10 秒：保持手势 A 4 s → 过渡 2 s → 保持手势 B 4 s，随后静息 5 s。它是扩展版相对原版最重要的新增能力。

Q7：动态数据有多少试次？
每会话 2 个 run，每 run 30 个动态转换试次，每次试次 10 s，故每 run 约 7.5 min。3 个会话均有。

Q8：数据是什么格式？
WFDB 格式，每个试次由一个 .dat（原始多通道二进制 sEMG）和一个 .hea（头文件元数据）组成。另附 CSV、图片、PDF 与 Python/MATLAB 代码。

Q9：数据有多大？怎么下载？
ZIP 约 4.3 GB。可从 PhysioNet 条目页下载，或 wget -r -N -c -np https://physionet.org/files/grabmyo-flow/1.0.0/。

Q10：许可协议是什么？可以商用吗？
CC BY 4.0（Creative Commons Attribution 4.0 International）。允许在署名前提下使用、修改与再分发，包括商业用途；须按官方要求引用。

Q11：怎么做归一化？数据集自带吗？
数据集不做归一化，也不做 MVC 校准。跨受试者建模前必须自行做归一化（如按试次 RMS 或按受试者标准化），否则模型易学到受试者身份。

Q12：为什么有些试次在 subject-info.csv 里被标记为「被替换」？
因为采集后进行了纠错记录，最终数据集只提供纠错后的记录，被替换的原始试次不再提供；subject-info.csv 记录了哪些试次被替换（substituted）。

Q13：GRABMyoFlow 能用于哪些研究？
主要两类：(1) 肌电生物特征——个人识别与验证、多日连续认证；(2) 肌电手势识别——神经康复与家用假肢控制、手势事件分割。动态数据尤其适合连续认证与事件分割。

Q14：有官方的 train/test 划分或排行榜吗？
没有。 程序页未提供官方划分或统一 leaderboard，评测协议需研究团队自定义；跨研究对比时须共享划分口径。

Q15：电极是怎么布置的？
共 14 个电极：2 个参考（豌豆骨、鹰嘴）+ 12 个记录电极（腕/下前臂 2 环 × 6，环间距 2 cm，远端环在尺骨茎突近端 2 cm）。为模拟真实电极位移，皮肤不做永久标记。

Q16：数据是否已做滤波？
是。已施加 10–500 Hz 四阶 Butterworth 带通与 60 Hz 陷波。重复做或换用 50 Hz 陷波均无必要。

Q17：静态手势是哪些？动态手势又是哪些？
静态手势沿用原研究，共 16 个手/腕手势 + rest；动态手势是这 16 个手势两两之间的过渡，扩展按随机配对设计了 30 种转换，覆盖手部手势（1–10、15、16）与腕部手势（11–14）之间的转换。

Q18：为什么每个受试者要做 7 次 run？
7 次重复可为每名受试者的每个手势提供 7 个试次样本，增强会话内统计稳定性，并为生物特征识别提供多试次模板。跨会话（3 天）则用于评估多日鲁棒性。

Q19：动态试次的 10 秒是怎么分配的？
前半段保持手势 A 4 s，中间 2 s 为过渡，后半段保持手势 B 4 s，合计 10 s；其后另有 5 s 静息，故每次 run（30 试次）约 7.5 min。

Q20：能否与 NinaPro 合并使用？
不直接可合并。NinaPro 的电极布局、手势集合、模态与文件格式均与 GRABMyoFlow 不同，只能作为独立横向对照，不建议混入同一训练集。

Q21：扩展数据是否含截肢者或患者？
不含。扩展新招募的 20 名均为健康成人。若研究需要截肢者 sEMG，应转向 NinaPro 等数据集。

Q22：为什么扩展只做腕部，不保留前臂？
扩展研究的设计是「腕部单组扩容 + 动态手势」两个焦点。腕部双极记录更贴近可穿戴手环形态，而前臂记录已由原版覆盖。研究者需同时使用前臂与腕部时，须把 GRABMyoFlow 与原版拼接。

Q23：动态试次的 30 种转换是按什么逻辑配对的？
动态握手势随机配对，覆盖手部手势（1–10、15、16）与腕部手势（11–14）之间的多样转换，以保证数据分布多样。完整清单见 MotionSeq.txt。

Q24：数据是否适合做时序分割（如 U-Net/TCN）？
适合。动态试次的「保持—过渡—保持」结构天然带三段标签，是训练时序分割模型的理想标注来源。

Q25：subject-info.csv 包含哪些列？
包含匿名受试者人口学、会话详情，以及试次级纠错标志（标识静态与动态数据中被替换的试次）。具体列名以随附文件为准。

Q26：多日数据如何用于评估电极位移鲁棒性？
同一受试者的 3 个会话对应 3 次独立电极贴放，会话间比较可直接量化电极位移导致的性能衰减，是生物特征多日研究的核心用法。

Q27：数据是否可用于商业产品训练？
CC BY 4.0 允许在署名前提下用于商业用途。须遵守许可条款并引用官方条目。

Q28：若研究对象是「前臂 + 腕」联合解码，该用哪个条目？
应以 GRABMyo 原版为主（含前臂+腕 32 通道）；GRABMyoFlow 仅补充腕部与动态。联合使用时须按通道名对齐，前臂通道在扩展部分缺失。

Q29：如何快速验证自己是否正确加载了数据？
检查三点：(1) 形状应为 (10240, 16)；(2) 通道名应为 W1–W12 + U1–U4；(3) 采样率应为 2048。任一不符即为加载错误。

Q30：有没有官方提供的可视化工具？
有。随附 grabmyoflow_visualize_static.m 与 grabmyoflow_visualize_dynamic.m，可直接可视化静态与动态记录。

Q31：为什么动态试次是 4 s + 2 s + 4 s 而不是均匀三段？
设计意图是让「保持」阶段（各 4 s）提供稳定的手势样本，中间 2 s 专用于捕捉过渡瞬态。这既保证了两端有充分样本，又突出了过渡段的短时特性。

Q32：扩展数据能否单独训练模型？
可以。扩展自身即含 20 名受试者 × 3 会话，足以支撑独立建模；但前臂相关任务不可用。

Q33：如何判断某个试次是否被纠错替换过？
查 subject-info.csv 中该试次的纠错标志列。仅替换后的记录被保留，标志用于告知下游哪些试次曾被替换。

Q34：数据的电极是单极还是双极？
记录电极为双极配置（差分放大，6+6 两环）；另有 2 个参考电极（豌豆骨、鹰嘴）。原始采集使用单极电极贴片，但通道组织为双极对。

Q35：会话之间是否用相同的手势顺序？
不是。视觉提示按随机序列呈现，手势顺序在会话间随机化（rest 除外），避免顺序效应。

Q36：能否只用 U1–U4？
不能。U1–U4 是未使用通道，仅为区分电极环设置而保留，不含有效信号。

Q37：数据里有加速度计或其它模态吗？
没有。GRABMyoFlow 是单模态 sEMG 数据集，不含运动学、惯性或力数据。若需多模态，请选 NinaPro。

Q38：如何引用？
按 PhysioNet 条目页的 BibTeX 引用（见 §1.2），并附 RRID:SCR_007345。

Q39：条目页提到的 [1]、[22] 是什么？
是程序页参考文献编号，指向原 GRABMyo 研究论文。本条目未臆测其完整题录，按程序页转述。

Q40：数据是否已匿名化？
是。subject-info.csv 提供匿名化的受试者信息，不含可识别个人身份的数据。

附录 B：术语中英对照总表

中文 英文 缩写
表面肌电 surface electromyography sEMG
肌电 electromyogram EMG
手势识别 hand gesture recognition HGR
生物特征认证 biometric authentication —
连续认证 continuous authentication —
手势事件分割 gesture-event segmentation —
双极配置 bipolar configuration —
频分技术 frequency division technique FDT
最大随意收缩 maximum voluntary contraction MVC
波形数据库 waveform database WFDB
近端环/远端环 proximal / distal ring —
尺骨茎突 ulnar styloid process —
豌豆骨 pisiform —
鹰嘴 olecranon —
带通滤波 band-pass filter —
陷波滤波 notch filter —
留一受试者 leave-one-subject-out LOSO
等错误率 equal error rate EER
误接受率/误拒绝率 false accept / reject rate FAR/FRR

附录 C：一页速查卡

官方名      : GRABMyoFlow - Dataset extension
slug        : grabmyo-flow
平台        : PhysioNet（Open Access）
版本/日期   : v1.0.0 / 2026-04-16
DOI         : 10.13026/ah52-zq51
许可        : CC BY 4.0
受试者      : 扩展 20（合并 63）
部位/通道   : 腕部 16（有效 12）
采样        : 2048 Hz
静态手势    : 16 + rest
动态手势    : 30 转换 × 2 runs/会话
会话        : 3（3 天）
格式/体积   : WFDB / 4.3 GB
获取        : wget -r -N -c -np https://physionet.org/files/grabmyo-flow/1.0.0/
关键坑      : 无前臂通道；静态(44–63)与动态(1–20)编号口径不同；U1–U4 需剔除

§9 相关数据集对照表

数据集 模态 受试者 手势/类别 部位/通道 动态手势 许可 备注
GRABMyoFlow（本条目） sEMG 扩展 20；合并 63 静态 16 + rest；动态 30 转换 腕 16（有效 12） 有 CC BY 4.0 GRABMyo 官方扩展
GRABMyo（原版） sEMG 43 静态 16 + rest 前臂+腕 32 无 开放获取 母数据集
NinaPro（DB1–DB10） sEMG + 运动学/惯性/力等 多库合并，含截肢者 单库最多 52 类 多样（含阵列） 有限 各子库不同（如 DB4 CC BY-ND 4.0） 肌电手势识别最广基准
MyoPS（库内条目） 肌电/生理信号 — — — — — 相关生理信号条目，弱互链

说明：NinaPro 与 GRABMyoFlow 同属 sEMG 手势识别领域，可作横向对照——NinaPro 胜在模态广度与截肢者覆盖，GRABMyoFlow 胜在腕部密集电极、多日、多受试者与新增动态过渡。MyoPS 为库内相邻生理信号条目，关联较弱。

§9.1 库内互链建议

条目 关系 互链 rid
grabmyo 同家族母数据集（原版） /0
ninapro 同领域 sEMG 手势识别基准 /0
myops 相邻生理信号条目（弱关联） /0

上述互链 rid 一律以 /0 占位，正式 rid 由发布流程回填。

§10 参考文献与来源

一手来源（三源互证）

  1. PhysioNet 条目页（主源，HTTP 200 实抓）：https://physionet.org/content/grabmyo-flow/
    • 官方全名 GRABMyoFlow - Dataset extension；Published April 16, 2026；Version 1.0.0；License CC BY 4.0；ZIP 4.3 GB；DOI 10.13026/ah52-zq51（latest 10.13026/4e7j-qa41）。
  2. PhysioNet 原版 GRABMyo 条目页（对照源，实抓）：https://physionet.org/content/grabmyo/1.1.0/
    • 43 名受试者（24–35 岁）；3 天；16 手势；32 通道（前臂 16 + 腕 12 + 空 4）；2048 Hz；10240 × 32。
  3. 标准引用（来自条目页 BibTeX）：

延伸参考（正文提及但在本页未展开）

  • 原 GRABMyo 论文（程序页记为参考文献 [1]、[22]，本条目未臆测其完整题录）。
  • sEMG 数据集规模综述（程序页记为 [2]–[5]，指出多数公开数据集不足 50 名受试者）。
  • 肌电生物特征多日性能研究（程序页记为 [6]–[9]、[23]，正文按程序页转述）。

附录 A：存照附录

记录核验过程中的双口径与遗留疑点，供后续检索者判断。

  1. 官方名口径：PhysioNet 标题为 GRABMyoFlow - Dataset extension（合并无空格写法）；任务头 brief 写作「GRABMyo-FLOW」。以 PhysioNet 标题为官方全名，GRABMyo-FLOW 作活动标题别名并存照。

  2. 条目独立性口径：GRABMyoFlow 是 PhysioNet 上的独立条目（独立 DOI、独立版本 v1.0.0、独立发布日 2026-04-16），非原 GRABMyo 条目下的版本号继承。互链 rid 一律以 /0 占位。

  3. 通道数口径：原版 32 通道（含前臂 16），扩展版 16 通道（腕 12 + 空 4）——扩展仅腕部记录。此为最实质差异，正文已逐条对照。

  4. 动态试次时长口径：正文「每试次 10 s（4+2+4）」与「每 run 7.5 min」可自洽——30 × (10 s 试次 + 5 s 静息) = 450 s = 7.5 min。存照。

  5. 遗留疑点 A：程序页未聚合「纠错替换试次数量」的统计（明细在 subject-info.csv，页面未汇总）。

  6. 遗留疑点 B：未见扩展研究的独立正式论文题录；PhysioNet 页只指向原 GRABMyo 论文。本条目按「以 PhysioNet 条目为主源」如实陈述，不臆造论文标题。

  7. 遗留疑点 C：动态 30 种手势转换的完整配对组合见 MotionSeq.txt，本页未内联全部配对，正文未逐一列举。

  8. 建议互链点：grabmyo（原版，同家族，rid 占位 /0）、ninapro（sEMG 手势识别基准，rid 占位 /0）、myops（库内相邻生理信号条目，弱互链）。

本条目由 agent-c-grabmyoflo 依据 PhysioNet 一手来源实核撰写，三源互证，供千方病案医数集 AI-Ready Wikipedia 使用。数据事实以 PhysioNet 官方发布为准，若官方条目更新版本，请以最新条目页为准。

附录 D：深度问答（研究设计视角）

D1：在做「多日电极位移鲁棒性」研究时，GRABMyoFlow 相比原版有何增益？
原版已有 3 天采集，但 GRABMyoFlow 在不设永久电极标记的前提下补充了 20 名受试者，使跨会话电极位移研究的样本量成倍扩大，且新增动态数据可评估位移对时序任务的影响。

D2：为什么「动态手势」对连续认证特别重要？
连续认证需要在用户自然操作过程中持续核验身份，而自然操作本质是「手势之间的过渡」。静态数据只能做「一次性登录」，动态数据才能模拟持续核验场景。

D3：若要做跨受试者（subject-independent）手势分类，最大的障碍是什么？
肌电信号的个体差异——解剖结构、脂肪厚度、电极位置、贴片阻抗——导致同一手势在不同人身上的信号分布差异很大。且本数据集无 MVC 归一化，放大了这一差异。缓解手段包括域适应、对抗去身份、以及受试者级标准化。

D4：动态数据能否直接当作「自然动作流」？
不能。它是受控的离散配对过渡，时长与顺序由协议规定，不含自由自发动作。研究者应把它视为「半受控过渡样本」，而非自然行为数据。

D5：若研究目标是「假肢手实时控制」，应优先用哪部分数据？
优先用静态数据训练手势分类器（对应离散控制指令），用动态数据训练分割与连续认证模块。两者互补，前者提供类别决策，后者提供时序事件。

D6：扩展数据能替代原版吗？
不能。扩展只有腕部通道，缺失前臂；静态手势虽同协议，但部位不同。二者是互补而非替代关系。

D7：GRABMyoFlow 的「63 名受试者」为何值得强调？
公开 sEMG 数据集普遍受试者数不足 50，很多仅 10–20 人。63 名受试者为跨人泛化研究提供了更充分的统计功效，尤其对生物特征识别这类对样本量敏感的任务意义重大。

D8：研究者在论文中应如何描述本数据集？
建议表述为：「GRABMyoFlow（GRABMyo 数据集的官方扩展版，PhysioNet v1.0.0，DOI 10.13026/ah52-zq51，CC BY 4.0）新增 20 名受试者腕部 sEMG 记录与动态手势，合并后含 63 名受试者。」并在方法部分说明所用子集（静态/动态）与通道选择。

D9：若只关心静态手势识别，扩展版相比原版还有价值吗？
有。虽然静态手势协议相同，但扩展版新增了 20 名受试者，使静态手势识别的受试者样本从 43 增至 63，对 subject-independent 研究价值显著。

D10：动态数据的引入是否改变了数据集的许可或使用门槛？
没有。静态与动态数据统一以 CC BY 4.0 开放，使用门槛一致，无需额外申请。

附录 E：编撰说明

  • 本条目以 PhysioNet 官方条目页为一手主源，以 PhysioNet 原版 GRABMyo 条目页为对照源，并以条目页提供的**标准引用（BibTeX/DOI/RRID）**为第三源，三源互证。
  • 所有硬数字（受试者数、通道数、采样率、手势数、体积、许可）均取自实抓页面，未做推测。
  • 程序页未明确的事项（如纠错替换统计、扩展论文题录、动态配对全表）已如实标为遗留疑点，写入 §8 与附录 A，不臆造。
  • 正文中的工程坑点与使用指南为基于实核事实的工程化解读，供落地参考。

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

  • body-sway-music-vr — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 多模态
  • openbiomechanics — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 多模态
  • live-gaitneurokids — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 多模态
  • multimodal-gait-dataset — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 多模态
  • wesad — 共享标签：生理信号 / 可穿戴传感 / 多模态
  • cgmacros — 共享标签：生理信号 / 可穿戴传感 / 多模态
  • ppg-dalia — 共享标签：生理信号 / 可穿戴传感 / 步态与运动
  • pamap2 — 共享标签：生理信号 / 可穿戴传感 / 步态与运动
  • mhealth — 共享标签：生理信号 / 可穿戴传感 / 步态与运动
  • uci-har — 共享标签：生理信号 / 可穿戴传感 / 步态与运动

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn