Gesture Recognition and Biometrics ElectroMyogram — 43 人 × 3 天前臂与腕部表面肌电手势数据集

INFOBOX — GRABMyo 一屏速览

维度	内容
本质	公开的多日表面肌电（sEMG）手势数据集，服务肌电生物特征 + 手势识别
团队	University of Waterloo（滑铁卢大学）系统设计工程系，Ning Jiang 组（Pradhan/He/Jiang）
平台	PhysioNet（RRID:SCR_007345），当前版本 v1.1.0（2024-06-07）
论文	Sci Data 9, 733 (2022)，doi 10.1038/s41597-022-01836-y
规模	43 名健康受试者（23 男/20 女，26.35 ± 2.89 岁）× 3 天（Day 1/8/29）= 129 条记录
手势	16 类手/腕静态手势 + 每轮静息（共 17 类）；每类重复 7 次 = 119 次收缩
信号	28 个单极 sEMG 电极（前臂 16 + 腕 12，共 4 环双极）；2048 Hz；32 通道（4 通道未用）
单条规格	5 秒 @ 2048 Hz = 10240 × 32 矩阵；trial 间 10 秒休息防疲劳
体积	未压缩 9.4 GB（ZIP 9.1 GB）
设备	EMGUSB2+（OT Bioelettronica, Italy）
核心基准	多日生物认证中位 EER = 0.017（前臂）/ 0.025（腕）
获取	CC BY 4.0，PhysioNet 网页/ZIP/wget/AWS 直链，无门槛
库内互链	grabmyo-flow（扩展版，同一数据家族的另一 PhysioNet 条目）、其他生理信号/可穿戴条目

GRABMyo 是一个把「肌肉电信号」同时当作身份证和控制指令的数据集工程：43 名健康受试者在相隔多天的三个日子里重复同一套手势流程，前臂和腕部各环着两圈电极，每一次握拳、张掌、屈腕、旋腕都被 2048 Hz 地记下。它想回答的问题很实际——当电极位置每天都会漂移、皮肤状态每天都在变，肌电信号还能稳定地认出「这是谁」、稳定地读懂「他想做什么」吗？答案的一半写在数据里：多日生物认证的中位等错误率（EER）低至前臂 0.017、腕部 0.025，与指纹、人脸等成熟生物特征旗鼓相当。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——CC BY 4.0、四条直链、无注册墙，是本库可获取性光谱最开放的一端。
2. 关心信号本身：直奔 §2 与 §4——电极布局（4 环、28 通道）、文件命名、32 通道里哪 4 个是空的，是上手前必须搞清的事。
3. 要做跨日/跨人模型：直奔 §3 与 §5——三个采集日、双部位、免标定（calibration-free）定位，以及 LibEMG 生态入口。

§0 导读：这个数据集解决什么问题

表面肌电（surface electromyogram, sEMG）是贴在皮肤表面记录肌肉电活动的信号。它有两个诱人的性质：一是个体性——同一个手势，不同人产生的肌电模式不同，因此可当生物特征（biometric）做身份验证与识别；二是可指令性——把不同手势对应不同肌电模式，就能当作免手操作的输入通道，用于假肢控制、神经康复、智能穿戴与虚拟环境交互。论文背景指出，基于 sEMG 的生物特征比指纹、人脸等传统特征更抗欺骗（spoofing），且有研究报道其认证/识别性能可超过 95%。

但在此前，这条赛道有两个结构性短板。其一是样本太小：多数研究受试者不足 25 人，只有三项研究超过 40 人。其二是时间太短：少数大样本数据集也只采集一天；真正跨多日（>2 天）的研究，受试者数量又往往不足 11 人。而现实中的可穿戴设备是天天戴、天天用的——电极每天贴的位置会漂移，出汗、皮肤干燥、运动与否都会改变信号。只用单日、小样本数据得出的结论，无法支撑「这套方案日常可用」的论断。

GRABMyo 的贡献正是在这两点上同时补强：43 名受试者（够大的样本）× 3 个采集日（跨日长间隔，Day 1/8/29）= 129 条记录（论文称「以记录总数计是最大的 EMG 数据集」）。而且它同时布置了前臂与腕部两个部位——前者信号强、通道多，后者贴近手环/手镯式可穿戴的真实形态，为「工业级腕带」的产品化提供直接素材。采样率更是做到 2048 Hz，高于两个同类大样本多日数据集的 1000 Hz 与 5012 Hz 口径中的多数。

0.1 一个类比：为什么「多日」如此关键

把 sEMG 生物特征想象成「用你的肌肉动作当密码」。密码要能用，前提是同一套动作今天和一个月后产生一样的信号。但皮肤是活的界面：电极每天贴的位置会偏几毫米，贴得紧不紧、皮肤干不干、你刚运动还是刚休息，都会改变记录到的波形。如果研究只用「今天采集、今天测试」的单日数据，测出来的高准确率可能只是「同一条件下信号确实稳定」的自我印证，无法回答真正的问题——明天还认得出来吗？

GRABMyo 用三个长间隔的采集日（Day 1、Day 8、Day 29）把这个问题摆上台面。它不是第一个跨日数据集，却是第一个在「跨日天数足够（3 天）+ 受试者足够多（43 人）」上同时达标的。这让它从「可行性演示」升级为「可统计支撑的结论」。

0.2 三个身份：数据集 / 论文 / 平台条目

读者容易混淆的三个「GRABMyo」：

1. PhysioNet 数据条目（本条目主体）：43 人 × 3 天的原始 sEMG 信号，当前 v1.1.0，CC BY 4.0 直链。
2. IEEE Dataport 数据条目：同源数据的 .mat 形态，DOI 10.21227/82v9-2b79。
3. Sci Data 论文：描述数据集的同行评审论文，Sci Data 9:733 (2022)。

三者互为引用、缺一不可：数据条目给引用格式，论文给方法学，Dataport 给 MATLAB 友好格式。

0.3 一句话适用范围

要静态手/腕手势的多日 sEMG 原始信号，找它；要动态过渡动作，找它的扩展版 grabmyo-flow；要官方排行榜，两者都没有。

§0 读法三则：

1. 本条目是「一个原始数据集」，不是挑战赛、不是基准榜单——它的价值在数据本身与多日协议，评估结果（EER）只是论文附带的可行性证据。
2. 全部硬数字（43 人、3 天、28 电极、2048 Hz、9.4 GB、EER 0.017/0.025）均以 PhysioNet 条目页 + IEEE Dataport 元数据 + Sci Data 论文三源互证为准；冲突处见 §9 与附录 E、附录 H。
3. 库内另有一个姊妹条目 grabmyo-flow（GRABMyoFlow 扩展版）——两者是同一数据家族的两个独立 PhysioNet 条目，对照关系见 §9.1 与「相关数据集对照表」。

§1 数据集速览：十问十答

Q1：GRABMyo 全称是什么、谁做的？
全称 Gesture Recognition and Biometrics ElectroMyogram (GRABMyo)（官方页标题用 ElectroMyogram，正文常写 Electromyogram/Electromyography）。由 University of Waterloo（滑铁卢大学）系统设计工程系 Ning Jiang 团队制作，作者为 Ning Jiang、Ashirbad Pradhan、Jiayuan He，托管于 PhysioNet。

Q2：有多少人、采了几天？
43 名健康受试者（23 男 / 20 女，平均年龄 26.35 ± 2.89 岁，年龄范围 24-35 岁），每人3 个不同日期各采一次，实验流程完全相同。PhysioNet 只写「3 different days」，IEEE Dataport 元数据明确为 Day 1 / Day 8 / Day 29（长间隔，更贴近真实跨日场景）。

Q3：有几种手势？
16 类手/腕静态手势。每做完一轮 16 手势后追加采集一次静息（rest）数据，因此整套协议实际是 17 类。每类手势重复 7 次，即 17 × 7 = 119 次收缩，每次收缩记录 5 秒。

Q4：电极怎么贴？
每个会话用 28 个单极 sEMG 电极（Ambu AM-N00S/E）。前臂 16 枚排成 2 环 × 8（等间距），形成 8 对双极；腕部 12 枚排成 2 环 × 6，形成 6 对双极。共 4 环，环间 center-to-center 距离均为 2 cm，每环首枚电极定位于肘褶皱（elbow crease）中线以保证跨受试者一致。

Q5：采样率和文件长什么样？
2048 Hz，每次收缩 5 秒。每个记录文件含 32 个通道，即 10240 × 32 的矩阵；其中前臂 16 通道（F1-F16）、腕部 12 通道（W1-W12）有效，4 个通道未使用（U1-U4，对应列号 17/24/25/32，仅用于区分电极环）。

Q6：文件组织与命名规则？
顶层 3 个会话目录 Session1/Session2/Session3，各含 43 个受试者子目录。文件名形如 sessioni_subjectj_gesturek_trialt.dat（配同名 .hea），其中 i∈{1,2,3}、j∈{1…43}、k∈{1…16}、t∈{1…7}。格式为 WFDB。

Q7：数据总量多大、怎么下？
未压缩 9.4 GB（ZIP 下载 9.1 GB）。许可 CC BY 4.0，PhysioNet 提供网页下载、wget 递归、AWS S3 免签名同步三条命令行直链，无注册墙、无 DUA。

Q8：能用来做什么？
官方列出的用途：1) 改善生物认证（含多码 EMG 融合策略）；2) 生物识别（识别比认证更易错，需多日大样本验证）；3) 受试者无关的手势识别（免标定、跨用户泛化模型）；4) 电极位移不变技术（每日佩戴位置漂移是核心难题）。

Q9：有性能基准吗？
有，来自 IEEE Dataport 元数据的论文摘要口径：多日生物认证中位 EER = 0.017（前臂 setup）/ 0.025（腕部 setup）——与成熟生物特征相当，说明跨多日性能稳定。

Q10：生态里有什么现成工具？
官方随数据附送：WFDB→MAT 转换脚本 grabmyo_convert_wfdb_to_mat.py、频分技术（FDT, Frequency Division Technique）特征提取代码 grabmyo_feature_extraction.m。第三方 LibEMG 工具箱把 GRABMyo 列为内置数据集，可直接 get_dataset_list() 加载。

Q11：它和 grabmyo-flow 是什么关系？
grabmyo-flow 是 GRABMyo 的扩展版，是 PhysioNet 上的另一个独立条目（不是本条目的新版本）。它在原版基础上加了 20 名健康成人的腕部记录（腕部合计 63 人），并在每会话末加入动态试次。若你需要动态手势或更大腕部样本，去 grabmyo-flow；若你要原始静态基线与完整前臂数据，用本条目。

Q12：这东西和脑机接口（BCI）有关吗？
肌电与脑电同属「生理信号→意图解码」的思路，但 GRABMyo 是**肌电（肌肉层面）**而非脑电。它的手势识别能力常用于辅助/康复的人机接口（如假肢、外骨骼），故与 BCI 生态共享「生物信号→控制指令」的方法论，但数据本身不是脑电记录。

§2 数据构成与规格：从电极到矩阵

§2.1 一次采集的三个层次

理解 GRABMyo 的数据结构，最好按「会话—受试者—收缩」三层来读：

层次	数量	说明
会话（session）	3	Day 1 / Day 8 / Day 29，同受试者重复同一实验流程
受试者（subject）	43	每个会话内 43 个受试者子目录
收缩（contraction）	119 / 会话 / 人	17 类（16 手势 + 静息）× 7 次重复

由此得出两个常被引用的总量口径：记录文件总数 = 3 会话 × 43 人 × 16 手势 × 7 次 ≈ 14,448 个信号文件（不含静息文件）；若按「记录数」计，论文写作 129 条记录（= 43 人 × 3 会话）。两个数字都要心里有数——129 是「人-会话」组合数，而信号文件数以万计。

§2.2 电极布局：四个环，两种双极配置

部位	电极数	环数	每环电极	双极对数	通道号
前臂（forearm）	16	2	8	8 对 = 16 通道	F1-F16
腕部（wrist）	12	2	6	6 对 = 12 通道	W1-W12
未使用（unused）	—	—	—	—	U1-U4（列 17/24/25/32）
合计	28	4	—	14 对	32 通道

关键几何参数：

• 环间（相邻两环）center-to-center 距离：2 cm；
• 前臂环与腕部环间距同为 2 cm；
• 每环首枚电极定位于肘褶皱（elbow crease）中线——这是保证跨受试者、跨会话电极定位可复现的锚点；
• 前臂长度：25.15 ± 1.74 cm（用于按比例确定电极环位置）。

电极型号为 Ambu AM-N00S/E（单极，Disposable Surface EMG Electrodes）。采集设备为 EMGUSB2+（OT Bioelettronica，意大利）——该型号在 IEEE Dataport 元数据中明确。

§2.3 通道矩阵：10240 × 32 是怎么来的

每个信号文件都是一块 10240 × 32 的实数矩阵：

• 行（时间轴）= 10240：单次收缩记录 5 秒，采样率 2048 Hz → 5 × 2048 = 10240 个采样点；
• 列（通道轴）= 32：16 前臂 + 12 腕部 + 4 未使用。上手机器学习前必须剔除 U1-U4 这 4 列，否则会引入无关列。官方转换脚本已处理这一点，但自行读 .dat 时要格外注意。

高频采样的意义：sEMG 的有效能量主要集中在 20-500 Hz；2048 Hz 采样既满足奈奎斯特要求，也为频分技术（FDT）等需要较高带宽的特征方法留出余量。

§2.4 手势清单：16 类静态手势

16 类手势覆盖张开/抓握、单指动作与腕部姿态三大族：

• 手部整体：手掌张开（hand open）、手掌抓握（hand close）、腕部中立位微握等；
• 单指/拇指：拇指、食指、中指、无名指、小指的单独屈伸组合；
• 腕部姿态：腕屈（wrist flexion）、腕伸（wrist extension）、桡偏/尺偏、旋前/旋后等。

（确切手势名以官方页面与论文附表为准。）每做完一轮 16 手势，再采一次静息（resting），所以标注体系实际是 17 类。

§2.5 采集协议与防疲劳设计

• 每次收缩（trial）记录 5 秒，随后休息 10 秒，避免肌肉疲劳污染信号；
• 每类手势重复 7 次，共 17 × 7 = 119 次收缩；
• 受试者按屏幕提示做指定手势，标签由协议内生（做哪个手势就标哪个类），无人工后验标注环节——这也是 GRABMyo 标签噪声极低的原因。

§2.6 文件组织与命名

grabmyo/
├── Session1/
│   ├── subject1/
│   │   ├── session1_subject1_gesture1_trial1.dat
│   │   ├── session1_subject1_gesture1_trial1.hea
│   │   └── ...（gesture2..16 × trial1..7）
│   ├── subject2/ ...
│   └── subject43/ ...
├── Session2/ ...
└── Session3/ ...

• 格式：WFDB（PhysioNet 标准，.dat 信号 + .hea 头文件成对出现）；
• 命名：session{i}_subject{j}_gesture{k}_trial{t}，其中 i∈{1,2,3}、j∈{1…43}、k∈{1…16}、t∈{1…7}；
• IEEE Dataport 镜像：以 .mat 格式分发，方便 MATLAB 工作流用户。

§2.7 数据体量

• 未压缩：9.4 GB；
• ZIP 下载包：9.1 GB。

两个数都是官方数，含义不同（解压后 vs 下载包），本条目并列呈现，不视作冲突（详见 §9 与附录 S）。

§3 双任务设计与标注：一张数据，两个问题

§3.1 为什么是「双任务」

GRABMyo 最核心的设计选择，是让同一批信号同时被两个研究方向使用：

1. 手势识别（hand gesture recognition, HGR）：把 17 类肌电模式当作控制指令，是假肢控制、外骨骼、AR/VR 免手交互的基础；
2. 生物特征识别（biometrics）：把每个人的肌电模式当作身份标识，用于认证（authentication，1:1 验证）与识别（identification，1:N 检索）。

这两个任务对数据的要求其实是互补甚至冲突的：手势识别希望特征对人不变（受试者无关/免标定），生物特征识别希望特征对人敏感（可区分个体）；手势识别希望特征对手势敏感，生物特征识别希望特征对手势平稳。用一个多日、多受试者、多姿态的数据集同时压住这两端，正是 GRABMyo 的独特之处。

§3.2 标注体系

标注维度	取值	来源
手势类别	16 类静态手势 + 静息 = 17 类	采集协议内生
重复次数	每类 7 次	采集协议
受试者身份	43 个 ID	目录/文件命名
会话索引	3 个（Day 1/8/29）	会话目录
身体部位	前臂 16 通道 / 腕部 12 通道	列索引约定

标注的可靠性：由于标签是协议内生的（受试者按提示执行），不需要人工事后标记，因此几乎不存在标注歧义。这使 GRABMyo 特别适合做标签噪声不敏感的方法验证。

§3.3 四个官方推荐用途

官方页面明确列出四个用途方向，可视为本数据集的设计意图：

1. 改善生物认证：探索多码（multi-code）EMG 融合策略，提升认证安全性与鲁棒性；
2. 生物识别：识别（1:N）比认证（1:1）更难，需要多日、大样本来评估真实场景性能；
3. 受试者无关的手势识别：构建免标定（calibration-free）、跨用户泛化的手势分类模型；
4. 电极位移不变技术：每日佩戴电极位置漂移是最大工程痛点，需要能抵抗位移的特征/模型。

§3.4 与前作数据集的差距

论文背景部分点出 GRABMyo 的补位价值：

• 样本量：此前多数 sEMG 生物特征研究受试者 不足 25 人，仅 3 项研究超过 40 人；GRABMyo 用 43 人进入大样本区间；
• 时间跨度：此前少数大样本数据集只采 单日；真正**跨多日（>2 天）**的研究，受试者往往不足 11 人；GRABMyo 以 43 人 × 3 天 = 129 条记录同时补强两端，论文据此称其在「记录总数」口径上是最大的 EMG 数据集；
• 部位覆盖：同时采集前臂 + 腕部，兼顾信号质量（前臂）与可穿戴产品形态（腕部）；
• 采样率：2048 Hz，高于多数同类数据集。

§4 论文、团队与版本沿革

§4.1 一手论文

项目	内容
标题	Multi-day dataset of forearm and wrist electromyogram for hand gesture recognition and biometrics
期刊	Scientific Data（Nature Portfolio），9, 733 (2022)
DOI	10.1038/s41597-022-01836-y
作者	Ashirbad Pradhan, Jiayuan He, Ning Jiang（通讯）
单位	University of Waterloo, Department of Systems Design Engineering（加拿大滑铁卢）
开放获取	是（CC BY 4.0）

DOI 易错存照：本条目核验时曾误抓 s41597-022-01828-y，该号指向一篇无关的印度农业生产率论文。正确 DOI 为 s41597-022-01836-y。此处明确存照，避免后续复用错误编号。

§4.2 团队成员与机构

• Ning Jiang（蒋宁）：滑铁卢大学系统设计工程系教授，sEMG 与神经康复工程方向的知名研究者，本数据集通讯作者兼 PI；
• Ashirbad Pradhan：数据集一作，负责采集协议与数据整理；
• Jiayuan He：共同作者；
• 机构：University of Waterloo（滑铁卢大学）——加拿大综合类研究型大学，其系统设计工程系在肌电接口与可穿戴传感方向有长期积累；
• 触觉/神经工程生态上，该组与假肢控制、神经康复方向联系密切。

§4.3 PhysioNet 版本链

GRABMyo 在 PhysioNet 上经过多轮修订，版本历史为：

版本	日期	备注
v1.0.0	2022-07-13	首发
v1.0.1	2022-09-21	修订
v1.0.2	2022-12-02	修订
v1.1.0	2024-06-07	当前最新版，本条目按此口径

本条目所有硬数字以 v1.1.0 为准。 引用地理数据时务必注明版本，因为早期版本可能在通道定义或文件组织上有细微差异。

§4.4 DOI 双口径

PhysioNet 页面同时给出两个 DOI，含义不同：

• 版本 DOI（v1.1.0）：10.13026/89dm-f662——指向具体版本，推荐学术引用使用；
• latest 通用 DOI：10.13026/cadk-kw71——始终指向最新版。

两口径并存，本条目正文以版本 DOI 为主、通用 DOI 注脚（详见 §9 与附录 S）。

§4.5 关联分发：IEEE Dataport

除 PhysioNet 外，同一数据集另有一个 IEEE Dataport 分发版本（DOI 10.21227/82v9-2b79），采用 .mat 格式，便于 MATLAB 工作流。两版本为同源双分发（详见 §9 存照）。

§5 评估与基准：论文报告的可行性证据

GRABMyo 是数据集而非挑战赛，其评估结果来自论文的可行性实验，用于证明数据「够用、可用」。

§5.1 多日生物认证（核心基准）

最重要的一组数字来自跨日生物认证实验——受试者在某一天注册、在相隔多天的另一天验证：

部位	中位等错误率（EER）	解读
前臂（forearm setup）	0.017	性能优异，跨日稳定
腕部（wrist setup）	0.025	稍逊于前臂，但仍与成熟生物特征相当

EER（Equal Error Rate，等错误率）= 错误接受率（FAR）与错误拒绝率（FRR）相等时的错误率，越低越好。0.017 / 0.025 意味着跨多日场景下，sEMG 生物认证的错误率已经落进指纹、人脸等成熟模态的量级——这是 GRABMyo 论文最有力的结论。前臂优于腕部，符合「前臂肌肉体积大、信号强、电极位移相对小」的直觉。

§5.2 手势识别基线

论文另设手势识别实验，用常规 sEMG 管线（如 LDA / SVM 等分类器）在 17 类任务上给出基线。由于存在跨会话与跨受试者两种评估设置，准确率会随设置不同而下降——跨天、跨人的准确率显著低于同日同人，这正是「免标定、抗位移」研究方向的动机。

读基准时的三条纪律：

1. 区分评估设置：同日同人（within-session）、跨日（cross-session）、跨人（cross-subject）三种设置的难度递增，不可混比；
2. 区分部位：前臂与腕部的性能不可直接互换（通道数 16 vs 12，位置不同）；
3. 区分任务：手势识别（HGR）与生物认证（biometrics）是两套指标（准确率 vs EER），不可混谈。

§5.3 与同类数据集的性能对照

• 相对单日小样本数据集：GRABMyo 的跨日性能评估更贴近真实可穿戴场景；
• 相对 Ninapro 等大型手势数据集：GRABMyo 的独特之处在于同时提供生物特征标签与多日采集——Ninapro 侧重手势分类的规模，GRABMyo 侧重跨日生物特征与双部位对照；
• 相对其他多日数据集：GRABMyo 以 43 人的规模明显领先此前不足 11 人的多日研究。

§6 获取与许可

§6.1 许可：CC BY 4.0

GRABMyo 采用 **Creative Commons Attribution 4.0 International（CC BY 4.0）**许可。这意味着：

• 可自由使用：复制、分发、改编、商用均可；
• 唯一硬性要求：署名（attribution）——注明来源与作者；
• 无 DUA：不同于 MIMIC 等需签署数据使用协议的数据集，GRABMyo 没有请求制门槛、没有数据使用协议。

在本库可获取性光谱中，GRABMyo 位于最开放的一端。

§6.2 三条获取路径

路径	方式	适用场景
网页下载	PhysioNet 内容页点击 ZIP	一次性获取
wget 递归	PhysioNet 提供的递归命令	服务器批量拉取
AWS S3	PhysioNet 提供的免签名 S3 同步命令	云端/大规模并行

内容页地址：https://physionet.org/content/grabmyo/（当前 v1.1.0）。

§6.3 官方附带工具

数据包内含官方脚本，上手即可用：

1. grabmyo_convert_wfdb_to_mat.py：把 WFDB（.dat/.hea）批量转换为 MATLAB .mat；
2. grabmyo_feature_extraction.m：频分技术（FDT, Frequency Division Technique）特征提取实现。

§6.4 第三方生态入口

• LibEMG 工具箱将 GRABMyo 列为内置数据集，可通过 get_dataset_list() 直接加载，省去手动下载与解析；
• PhysioNet 平台本身（RRID:SCR_007345）提供统一的 WFDB 读取工具链（Python wfdb 包等）。

§6.5 使用前必读清单

1. 删掉未使用通道：读取 .dat 后剔除列 17/24/25/32，只保留前臂 16 + 腕部 12 共 28 列有效通道；
2. 注意版本：以 v1.1.0 为准，写论文注明版本号；
3. 成对读文件：.dat 必须配同名 .hea，不要只读信号不读头；
4. 大文件规划：9.4 GB 未压缩，下载前规划存储；
5. 跨日对齐：不同会话的电极位置靠「肘褶皱锚点 + 固定环距 2 cm」约束，但个体差异仍在，跨日分析时不要假定逐通道精确对齐。

§7 生态、衍生与影响

§7.1 同一数据家族的扩展：GRABMyoFlow

GRABMyo 并非孤立条目。同一团队在其基础上发布了扩展数据集 GRABMyoFlow（PhysioNet 条目 “GRABMyoFlow - Dataset extension”，v1.0.0），在原始数据之上做了两项关键扩充：

1. 新增 20 名新招募的健康成人的腕部录段（原始 43 + 新增 20 = 合并 63 名受试者）；
2. 每个会话末尾新增一条动态（dynamic）trial——补上原版「只有静态手势」的短板。

GRABMyoFlow 的定位明确指向两个原始数据难以直接支撑的进阶任务：连续认证（continuous authentication）与手势事件分割（gesture-event segmentation）——动态 trial 正是为此提供过渡动作素材。扩展版还包含对新增信号的质量验证。

本库关系提示：grabmyo（本条）与 grabmyo-flow 是同一数据家族的两个独立 PhysioNet 条目，各自独立成条，血缘对照见 §9.1 与「相关数据集对照表」。

§7.2 学术生态位

GRABMyo 处在心肌电手势识别与生物特征识别的交叉地带，其生态价值体现在三处：

1. 跨会话鲁棒性基准：为「电极位移不变」「免标定」方法提供标准化测试床；
2. 生物特征对照物：与指纹/人脸/步态等模态并列，用于评估「肌电作为生物特征」的可行性；
3. 可穿戴产品素材：腕部 12 通道贴近手环/手镯形态，为消费级手势腕带研发提供公开数据。

它被 Ninapro 等经典 sEMG 数据集家族作为对照引用，也是肌电接口研究常用的公开数据源之一。

§7.3 影响与局限

积极影响：GRABMyo 把「43 人 × 3 天」的多日大规模 sEMG 采集公开化，显著降低了跨日生物特征与免标定手势识别研究的门槛——此前这类研究往往需要自建采集。

客观局限：43 人规模虽在 sEMG 领域领先，但相对人脸/指纹的百万级样本仍小；受试者群体为年轻健康成人（24-35 岁），未覆盖老龄、患病人群与残肢人群，泛化到临床假肢用户的结论需谨慎；只有静态手势，动态动作需借助 GRABMyoFlow。

§8 方法学启示：从数据集设计学到的

§8.1 「一张数据、双任务」的设计经济学

GRABMyo 最值得学习的是采集经济学：同一批信号同时服务手势识别与生物认证两个方向。因为两个任务的标签天然共存（同一文件同时含「手势类别」和「受试者 ID」），一次采集的边际成本极低。这提示数据发布者——当一个采集流程能同时回答多个研究问题时，不要只为最显眼的那个任务发布数据。

§8.2 多日设计是「真实可用性」的必要条件

sEMG 研究长期被「单日数据」主导，而单日数据会系统性高估真实性能：电极位置、皮肤状态、疲劳程度在跨日场景下都会漂移。GRABMyo 用 Day 1/8/29 的长间隔暴露了这个问题——跨日性能与同日性能存在明显差距。任何声称「日常可用」的可穿戴方案，都必须用多日数据验证，这是 GRABMyo 传递的最重要方法论。

§8.3 部位对照的价值

同时采前臂与腕部，让研究者能直接对比「信号质量最优部位」与「产品形态最优部位」的性能取舍。GRABMyo 的 EER 结果显示前臂（0.017）优于腕部（0.025），但这种差距在可穿戴产品语境下是可接受的代价——用户愿意戴的是腕带，不是前臂电极阵列。这为工程选型提供了量化依据。

§8.4 协议内生标签降低噪声

标签由采集协议内生（按提示做手势），几乎无标注歧义。这使 GRABMyo 特别适合作为标签噪声鲁棒性实验的纯净基线——当你在其他数据集上观察到性能下降时，可以回到 GRABMyo 排除「是标签问题还是方法问题」。

§9 与库内条目的关系

§9.1 与 grabmyo-flow 的关系（同批姊妹条目）

维度	grabmyo（本条）	grabmyo-flow（姊妹条目）
官方名	GRABMyo	GRABMyoFlow
定位	原始数据集	扩展数据集（extension）
受试者	43 人	合并 63 人（43 + 新增 20）
部位	前臂 + 腕部	扩展侧重腕部
动作类型	静态手势	静态 + 新增动态 trial
关键任务	手势识别 + 多日生物认证	连续认证 + 手势事件分割
关系	—	在原版基础之上扩充，同一数据家族

阅读建议：若你的研究只涉及静态手势与多日生物认证，用原始 GRABMyo 即可；若需要动态动作、连续认证或更大样本（63 人），应使用 GRABMyoFlow。二者不能简单视为「新旧版本」——它们是互补的两个独立条目，前者的静态协议是后者的基线。

frontmatter 说明：本条目 frontmatter 的 relatedLink 采用占位 https://www.qianfanghub.com/ai-ready-dataset/grabmyo/1019，具体互链 rid 由发布侧按 DB url_name 反查后填入；血缘说明仅写在正文（本条），不进 frontmatter。

§9.2 §10 建议互链点（供发布侧核 rid）

以下是本条目建议互链的库内条目类型，具体 rid 需发布侧用 DB url_name 反查确认：

1. grabmyo-flow — 同批姊妹条目，同一数据家族扩展版（本批 agent-c 认领），血缘对照见 §9.1；
2. Ninapro 系列 — 大型 sEMG 手势数据集家族，GRABMyo 与其构成「手势分类 vs 多日生物特征」的互补；
3. 其他 sEMG/EMG 类条目 — 相同信号模态（表面肌电）的库内条目；
4. 手势/手语识别类条目 — 相同任务域（手势分类）；
5. 可穿戴传感 / 生理信号类条目 — 相同数据形态（可穿戴多通道生理时序信号）。

互链原则：只链真实存在于库内的条目 rid，未核实的类型仅作方向性提示，不写入 frontmatter。

§10 避坑清单

坑 1：把未使用的 4 个通道当成信号

每个记录文件是 10240 × 32，但只有 28 列是有效信号（前臂 16 + 腕部 12）。列 17/24/25/32 是未使用通道（U1-U4），仅用于在数据文件中区分电极环，不含肌肉信号。若直接把这 32 列喂给模型，会引入 4 列无效/占位数据，污染特征。务必先用官方脚本或按列号剔除后再建模。

坑 2：把「129 条记录」误解为「129 个信号文件」

论文所称 129 条记录 = 43 人 × 3 会话，指的是「人-会话」组合数。实际信号文件数量远大于此——每个收到者每个会话含 16 手势 × 7 次 ≈ 112 个手势文件（加静息更多）。报告数据规模时先明确口径，别把 129 说成文件总数。

坑 3：把 PhysioNet 与 IEEE Dataport 两个 DOI 混用

数据同时通过 PhysioNet（版本 DOI 10.13026/89dm-f662 / 通用 DOI 10.13026/cadk-kw71）与 IEEE Dataport（10.21227/82v9-2b79）分发。引用时须选一个并注明版本，不要张冠李戴。学术引用推荐用 PhysioNet 的版本 DOI。

坑 4：误引错误的 Sci Data DOI

正确的论文 DOI 是 10.1038/s41597-022-01836-y（Sci Data 9:733, 2022）。核验中曾出现误抓 s41597-022-01828-y（一篇印度农业论文）。引用前务必核对论文标题与数据集是否对应，避免抄到无关文献。

坑 5：在跨日分析中假定逐通道精确对齐

不同会话的电极位置由「肘褶皱锚点 + 固定环距 2 cm」约束，但个体皮肤/肌肉形态差异仍会导致每日电极相对位置漂移。跨日设计方法时，不要假定第 1 天与第 8 天的同一通道号精确对应同一肌纤维——这正是 GRABMyo 想研究的「电极位移」难题本身。需要对齐时，应采用位移不变特征或迁移学习策略。

坑 6：忽略版本差异

PhysioNet 上 GRABMyo 经过 v1.0.0 → v1.0.1 → v1.0.2 → v1.1.0 多轮修订。引用时注明版本号；若复现他人结果对不上，先核对双方用的是哪个版本。

坑 7：把 GRABMyo 与 GRABMyoFlow 当作同一数据集

两者是独立条目：原始 43 人静态（本条）vs 扩展 63 人含动态（grabmyo-flow）。任务、样本量、动作类型都不同。写论文或做对照时不要混用——尤其「63 人」只属于 GRABMyoFlow 口径，原始 GRABMyo 是 43 人。

坑 8：把 EER 0.017/0.025 当成手势识别准确率

EER 是生物认证指标（等错误率，越低越好），来自跨日身份验证实验；手势识别是分类任务（用准确率/F1 衡量）。两者任务不同、指标不同、不可互换引用。前臂 0.017 / 腕部 0.025 说的是「认证性能」，不是「识别手势的准确率」。

坑 9：忽视信号的非平稳性

sEMG 受电极位移、汗液、皮肤干燥、疲劳与体力状态影响，本质非平稳。任何在静态单次划分上表现优异的模型，放到跨日/跨会话真实场景都可能大幅下降。评估协议必须含跨会话、跨受试者设置，否则结论不可靠。

坑 10：忘记 CC BY 4.0 的署名义务

CC BY 4.0 允许商用、允许改编，但必须署名。发表衍生工作、把数据用于产品时，须按许可要求注明来源与作者（Pradhan/He/Jiang，University of Waterloo，PhysioNet v1.1.0）。免门槛 ≠ 免署名。

§11 总结

GRABMyo 是一个用一项精心设计的采集协议同时回答两个问题的数据集：它既问「肌电能当身份吗」，也问「肌电能当指令吗」。43 名健康受试者、跨越 Day 1/8/29 三天、在前臂与腕部各布两环共 28 个单极电极、以 2048 Hz 记录 17 类手势各 7 次——这套配置把「多日、大样本、双部位、双任务」四个维度一次补齐，让此前「单日、小样本」主导的 sEMG 生物特征研究第一次有了贴近真实可穿戴场景的公开测试床。

其最有分量的结论是跨日生物认证中位 EER 前臂 0.017 / 腕部 0.025——把肌电生物特征拉到了与指纹、人脸同一量级；而它同时暴露的跨日性能衰减又诚实地提示：可穿戴的日常可用性仍需在电极位移不变、免标定方向上继续攻坚。作为 CC BY 4.0 的开放数据，它无门槛、四条直链、附赠官方转换与特征脚本，是本库可获取性光谱最开放的一端。

一句话记住 GRABMyo：一次采集、双任务复用的多日 sEMG 基准——43 人 × 3 天 ×（前臂 + 腕部）× 17 类手势，既是肌电手势识别的测试床，也是肌电生物特征的试金石。

常见问题（FAQ）

Q1：GRABMyo 的官方全称是什么？
Gesture Recognition and Biometrics ElectroMyogram (GRABMyo)。官方页标题用 ElectroMyogram，论文正文多写 electromyogram/electromyography。它是「手势识别 + 生物特征」双任务的表面肌电数据集。

Q2：谁做的、托管在哪？
由 University of Waterloo（滑铁卢大学）系统设计工程系 Ning Jiang 团队制作（作者 Pradhan A, He J, Jiang N），托管于 PhysioNet（RRID:SCR_007345）。

Q3：有多少受试者？
43 名健康受试者（23 男 / 20 女），平均年龄 26.35 ± 2.89 岁（范围 24-35 岁）。

Q4：采了几天？哪几天？
3 个会话日。PhysioNet 表述为「3 different days」；IEEE Dataport 元数据明确为 Day 1 / Day 8 / Day 29（长间隔）。

Q5：有几种手势？
16 类手/腕静态手势，每轮追加一次静息，故实际 17 类；每类重复 7 次 = 119 次收缩。

Q6：采样率与单次时长？
2048 Hz，每次收缩 5 秒 → 单文件 10240 个采样点。

Q7：电极多少个、怎么布？
28 个单极电极（Ambu AM-N00S/E）：前臂 16 枚（2 环 × 8）、腕部 12 枚（2 环 × 6），共 4 环；环间 center-to-center 2 cm，首枚电极对准肘褶皱中线。

Q8：数据文件是什么格式？
PhysioNet 版为 WFDB（.dat + .hea 成对）；IEEE Dataport 版为 .mat。

Q9：文件怎么命名？
session{i}_subject{j}_gesture{k}_trial{t}.dat，i∈{1,2,3}、j∈{1…43}、k∈{1…16}、t∈{1…7}。

Q10：每个文件多少通道？
32 通道（10240 × 32）；有效 28 列（前臂 16 + 腕部 12），列 17/24/25/32 未使用（U1-U4），需剔除。

Q11：数据多大？
未压缩 9.4 GB；ZIP 下载包 9.1 GB。

Q12：什么许可？要签 DUA 吗？
CC BY 4.0，开放获取、无需 DUA、无请求门槛，仅需署名。

Q13：怎么下载？
三条路径：PhysioNet 网页 ZIP、wget 递归、AWS S3 免签名同步。内容页 https://physionet.org/content/grabmyo/。

Q14：有性能基准吗？
多日生物认证中位 EER = 0.017（前臂）/ 0.025（腕部）。

Q15：EER 是什么？
Equal Error Rate（等错误率）——FAR（错误接受率）与 FRR（错误拒绝率）相等时的错误率，越低越好。用于生物认证，不是手势识别准确率。

Q16：能用 Matlab 吗？
可以。官方提供 grabmyo_convert_wfdb_to_mat.py 转换脚本，IEEE Dataport 版直接是 .mat。

Q17：有没有现成工具箱直接加载？
有。LibEMG 把 GRABMyo 列为内置数据集，可用 get_dataset_list() 加载。

Q18：当前最新版本？
v1.1.0（2024-06-07）。版本链：v1.0.0（2022-07-13）→ v1.0.1（2022-09-21）→ v1.0.2（2022-12-02）→ v1.1.0。

Q19：论文发在哪？
Scientific Data 9, 733 (2022)，DOI 10.1038/s41597-022-01836-y。

Q20：GRABMyo 和 GRABMyoFlow 什么关系？
同一数据家族的独立条目：GRABMyo 是原始版（43 人、静态）；GRABMyoFlow 是扩展版（合并 63 人、加动态 trial）。见 §9.1。

Q21：GRABMyoFlow 多在哪？
新增 20 名受试者（腕部）、每会话加一条动态 trial、支持连续认证与手势事件分割；合并 43+20=63 人。

Q22：有伦理批准吗？
有。University of Waterloo 研究伦理批号 ORE# 31346。

Q23：这数据适合做假肢控制研究吗？
适合做手势识别基线；但受试者均为健全人，若要研究残肢/截肢者的假肢控制，需注意泛化局限。

Q24：跨日性能为什么重要？
因为真实可穿戴设备天天戴、天天用，电极位置与皮肤状态每天漂移。单日数据会高估性能；GRABMyo 用 Day 1/8/29 暴露跨日衰减，是「真实可用性」的必要验证。

Q25：为什么腕部性能不如前臂？
腕部只有 12 通道（6 对双极）且肌肉体积小、信号弱，空间分辨率低于前臂的 16 通道（8 对）；前臂信号更强、电极位移相对更小，故 EER 更低（0.017 vs 0.025）。

Q26：标签是人工标注的吗？
不是。标签由采集协议内生（受试者按提示做指定手势），几乎无标注歧义——这是 GRABMyo 标签噪声极低的原因。

Q27：可以商用吗？
可以。CC BY 4.0 允许商用，唯一硬性要求是署名。

Q28：一次采集的休息设置是什么？
每次收缩记录 5 秒，随后休息 10 秒，避免肌肉疲劳污染信号。

Q29：如何引用？
引用一手论文（Sci Data 9:733, 2022, doi 10.1038/s41597-022-01836-y）并注明 PhysioNet 版本（v1.1.0，版本 DOI 10.13026/89dm-f662）。

Q30：本条目与 panda-plus 等其他条目什么关系？
无直接血缘，仅同属本库生理信号/基准数据集类目；GRABMyo 的专属姊妹条目是 grabmyo-flow。

事实清单（硬数字与来源）

1. 官方全称：Gesture Recognition and Biometrics ElectroMyogram（GRABMyo）——PhysioNet 页。
2. 中文定位：表面肌电（sEMG）手势识别与生物特征识别数据集——本条综述。
3. 制作单位：University of Waterloo，系统设计工程系——论文。
4. 作者：Pradhan A, He J, Jiang N——论文。
5. 受试者：43 名健康成人（23 男 / 20 女）——论文 / PhysioNet。
6. 平均年龄：26.35 ± 2.89 岁（24-35）——论文。
7. 会话数：3（Day 1/8/29）——IEEE Dataport 元数据。
8. 记录数口径：129（= 43 × 3）——论文。
9. 手势：16 类静态 + 静息共 17 类——PhysioNet。
10. 每类重复：7 次 —— PhysioNet。
11. 每会话收缩数：119（= 17 × 7）——PhysioNet。
12. 电极：28 个单极（Ambu AM-N00S/E）——PhysioNet。
13. 前臂电极：16 枚（2 环 × 8，8 对双极）——PhysioNet。
14. 腕部电极：12 枚（2 环 × 6，6 对双极）——PhysioNet。
15. 环间距离：2 cm（center-to-center）——PhysioNet。
16. 前臂长度：25.15 ± 1.74 cm——论文。
17. 采样率：2048 Hz——PhysioNet。
18. 单次时长：5 秒——PhysioNet。
19. 单文件矩阵：10240 × 32——PhysioNet。
20. 有效通道：28（前臂 16 + 腕部 12）——PhysioNet。
21. 未使用通道：4（列 17/24/25/32）——PhysioNet。
22. 格式：WFDB（.dat/.hea）；IEEE Dataport 为 .mat——PhysioNet / IEEE。
23. 设备：EMGUSB2+（OT Bioelettronica）——IEEE Dataport。
24. 体积：未压缩 9.4 GB——PhysioNet。
25. ZIP 包：9.1 GB——PhysioNet。
26. 许可：CC BY 4.0——PhysioNet。
27. 平台：PhysioNet，v1.1.0（2024-06-07）——PhysioNet。
28. RRID：SCR_007345——PhysioNet。
29. 论文：Sci Data 9, 733 (2022)——期刊。
30. 论文 DOI：10.1038/s41597-022-01836-y——期刊。
31. 版本 DOI：10.13026/89dm-f662——PhysioNet。
32. 通用 DOI：10.13026/cadk-kw71——PhysioNet。
33. IEEE Dataport DOI：10.21227/82v9-2b79——IEEE。
34. 伦理批号：ORE# 31346——论文。
35. 生物认证 EER（前臂）：0.017（中位）——IEEE Dataport 摘要。
36. 生物认证 EER（腕部）：0.025（中位）——IEEE Dataport 摘要。
37. 文件命名：session{i}_subject{j}_gesture{k}_trial{t}——PhysioNet。
38. 休息间隔：trial 间 10 秒——论文。
39. 官方脚本：grabmyo_convert_wfdb_to_mat.py / grabmyo_feature_extraction.m——PhysioNet。
40. 第三方工具：LibEMG 内置支持——LibEMG 文档。
41. 扩展数据集：GRABMyoFlow，合并 63 人（43 + 20）——PhysioNet GRABMyoFlow。
42. GRABMyoFlow 新增：腕部 20 人 + 动态 trial——PhysioNet GRABMyoFlow。
43. 关键词检索命中：DB 0 行——本条 dedup。
44. 库内同名目录：无——ls writing/。

术语表

术语	英文	释义
表面肌电	sEMG / surface EMG	贴皮肤记录肌肉电活动的信号
手势识别	HGR / hand gesture recognition	把肌电模式分类为手势指令
生物特征	biometrics	用个体生理/行为特征做身份识别
生物认证	authentication	1:1 验证「你是不是你」
生物识别	identification	1:N 检索「你是谁」
等错误率	EER / Equal Error Rate	FAR=FRR 时的错误率，认证指标
错误接受率	FAR	冒认成真率
错误拒绝率	FRR	真人被拒率
电极位移	electrode shift	每日佩戴电极位置漂移
免标定	calibration-free	无需新用户现场校准
跨会话	cross-session	在不同日期会话间评估
跨受试者	cross-subject	在未见过的受试者上评估
双极配置	bipolar	两电极差分记录
单极电极	monopolar	相对参考点的单极记录
频分技术	FDT / Frequency Division Technique	一种 sEMG 特征提取方法
静息	resting	不做手势时的基线记录
收缩	contraction	一次手势执行的肌肉活动段
WFDB	Waveform Database	PhysioNet 标准信号格式
DUA	Data Use Agreement	数据使用协议（本数据集不需要）
连续认证	continuous authentication	持续后台身份验证
手势事件分割	gesture-event segmentation	从连续流中切出手势段

附录 A：DAIMS 维度评分

维度	评分（1-10）	依据
可发现性（Discoverability）	9	PhysioNet 高流量平台托管；Sci Data 开放论文；DOI 双口径；RRID 齐备；被多个综述/数据集家族引用
可获取性（Accessibility）	10	CC BY 4.0，无 DUA、无请求门槛；网页/ZIP/wget/AWS 四条直链；本库中最开放一端
可互操作性（Interoperability）	9	WFDB 标准格式 + 官方 MAT 转换脚本；LibEMG 内置加载；IEEE Dataport .mat 镜像；通道/命名规范清晰
元数据（Metadata）	8	PhysioNet 元数据完整（受试者、电极、采样率、通道、许可、版本）；IEEE Dataport 补充设备型号与会话日；缺少逐人明细表在页面直读
可持续性（Sustainability）	9	PhysioNet 长期托管 + IEEE Dataport 双备份 + Sci Data 论文 + 衍生 GRABMyoFlow 活跃扩展；版本链规范

附录 B：文件树与命名速查

grabmyo/
├── Session1/
│   ├── subject1/
│   │   ├── session1_subject1_gesture1_trial1.dat   ← 10240×32 信号
│   │   ├── session1_subject1_gesture1_trial1.hea   ← 头文件
│   │   └── ... (gesture1..16 × trial1..7)
│   ├── subject2/ ... subject43/
├── Session2/ ... Session3/
├── grabmyo_convert_wfdb_to_mat.py
└── grabmyo_feature_extraction.m

有效通道映射：前臂 F1-F16（列 1-16）、腕部 W1-W12（列 18-23, 26-31 区间，视实际头文件）、未使用 U1-U4（列 17/24/25/32）。以上机读头文件 .hea 为准。

附录 C：四环电极布局示意

     前臂 环1 (8 电极) ── 2cm ── 前臂 环2 (8 电极)  →  8 对双极 = F1..F16
        │
     2cm（前臂-腕间距）
        │
     腕部 环1 (6 电极) ── 2cm ── 腕部 环2 (6 电极)  →  6 对双极 = W1..W12

首枚电极定位于肘褶皱中线，环沿前臂/腕部纵向等距排布，总长参照前臂长度 25.15 ± 1.74 cm 归一。

附录 D：双任务与标注对照

信号来源	任务一：手势识别	任务二：生物特征
同一 .dat 文件	标签 = gesture{k}（17 类）	标签 = subject{j}（43 ID）
目标	分类准确率/F1	EER（认证）/ Rank-N（识别）
关键难点	跨人、跨日泛化	跨日、跨手势稳定性
官方用途	受试者无关 HGR、抗位移	生物认证、生物识别

附录 E：常见误读速查表

误读	正解
GRABMyo 有 63 人	原始版 43 人；63 人属 GRABMyoFlow
129 是文件总数	129 = 43 × 3 的人-会话组合数
32 通道都要用	只有 28 列有效，剔除 17/24/25/32
EER = 手势识别准确率	EER 是生物认证指标
CC BY 4.0 不用署名	必须署名
单次记录 10 秒	单次 5 秒（trial 间休 10 秒）
只有前臂	前臂 + 腕部双部位

附录 F：版本链与引用建议

版本	日期	引用建议
v1.0.0	2022-07-13	历史版本，不建议新引用
v1.0.1	2022-09-21	历史版本
v1.0.2	2022-12-02	历史版本
v1.1.0	2024-06-07	推荐引用当前版本

推荐引用文（本条口径）：

Pradhan A, He J, Jiang N. Multi-day dataset of forearm and wrist electromyogram for hand gesture recognition and biometrics. Scientific Data 9, 733 (2022). doi:10.1038/s41597-022-01836-y. Dataset: PhysioNet v1.1.0, doi:10.13026/89dm-f662, CC BY 4.0.

参考文献与来源

1. PhysioNet 内容页：Gesture Recognition and Biometrics ElectroMyogram (grabmyo) v1.1.0 — https://physionet.org/content/grabmyo/（核心权威源）。
2. 一手论文：Pradhan A, He J, Jiang N. Multi-day dataset of forearm and wrist electromyogram for hand gesture recognition and biometrics. Scientific Data 9, 733 (2022). doi: 10.1038/s41597-022-01836-y。
3. IEEE Dataport 分发：doi 10.21227/82v9-2b79（.mat 版本；提供设备型号 EMGUSB2+ 与 Day 1/8/29 会话口径）。
4. 扩展数据集：GRABMyoFlow - Dataset extension v1.0.0 — PhysioNet（合并 63 人、动态 trial、连续认证/手势事件分割）。
5. 论文期刊页：Scientific Data（Nature Portfolio）卷 9 文章号 733。
6. 第三方工具箱：LibEMG（内置 GRABMyo 加载支持）。
7. PhysioNet 平台：RRID:SCR_007345。

存照附录

存照 1 · DOI 双口径
PhysioNet 版本 DOI 10.13026/89dm-f662（v1.1.0）与 latest 通用 DOI 10.13026/cadk-kw71 并存；正文按版本 DOI 为主，通用 DOI 注脚。二者非冲突，语义不同。

存照 2 · 会话日口径
PhysioNet「3 different days」vs IEEE Dataport「Day 1/8/29」——两口径一致（3 日），全文统一写「3 个会话日（Day 1/8/29）」。

存照 3 · 采集设备口径
PhysioNet 侧重电极规格（Ambu 单极 28 枚），IEEE Dataport 侧重设备型号（EMGUSB2+，OT Bioelettronica）——二者互补，非冲突，本条目并列记录。

存照 4 · 数据体积口径
未压缩 9.4 GB vs ZIP 下载包 9.1 GB——同为官方数，含义不同（解压后 vs 下载包），并列存照，不取其一。

存照 5 · 误抓 DOI 纠错
三源核验中曾误抓 Sci Data 页面 s41597-022-01828-y（经查为无关的印度农业生产率论文），经 WebSearch 更正为 s41597-022-01836-y。此处存照，防止后续复用错误编号。

存照 6 · 仓库检索结论
ai_ready_dataset 中按 %grabmyo%/%semg%/%emg% 检索命中 0 行；ls writing/ 无同名目录 → grabmyo 为新条目，无撞库。锁文件 .lock 开工前不存在，本代理 2026-10-10T09:28 独占认领。

存照 7 · 姊妹条目关系
grabmyo（本条）与 grabmyo-flow（本批 agent-c 认领）为两个独立 PhysioNet 条目，同属一个数据家族（原始 vs 扩展）。本条 frontmatter 不互链（relatedLink 用 /0 占位），血缘对照仅写正文 §9.1。

存照 8 · 遗留疑点
（1）43 人精确年龄分布与逐会话逐人明细需查论文附表核实；（2）PhysioNet 版本与 IEEE Dataport 版本是否逐字节等价未核对，按「同源双分发」处理；（3）GRABMyoFlow 新增 20 人是否含腕部以外部位未在页内明示，存照待核。

相关数据集对照表

为帮助选型，下表把 GRABMyo 与同类 sEMG / 手势 / 生物特征数据集做横向对照（信息以各自官方页面口径为准，仅作方向性参考）。

数据集	部位	受试者	会话跨度	信号/接口	主力任务	许可/获取	与 GRABMyo 的关系
GRABMyo（本条）	前臂 + 腕部	43	3 日（Day 1/8/29）	sEMG 28 单极 / 2048 Hz	手势识别 + 多日生物认证	CC BY 4.0 / 开放	本体
GRABMyoFlow	侧重腕部	63（43+20）	多日	sEMG	连续认证 + 手势事件分割	开放	同一家族扩展版（静态→加动态）
Ninapro 系列	前臂	数十至上百	多为单期	sEMG（部分含 IMU）	手势分类（大规模）	申请制/开放视版本	互补：规模大 vs 多日生物特征
多日生物特征 sEMG（泛指）	前臂	常 <11	多日	sEMG	生物认证	各异	GRABMyo 以 43 人补强样本
单日 sEMG 手势数据（泛指）	前臂/腕	常数十	单日	sEMG	手势分类	各异	GRABMyo 补强跨日维度

选型建议：

1. 做手势分类的极大规模训练 → 优先 Ninapro 家族；
2. 做跨日生物认证 / 免标定 / 电极位移不变 → 优选 GRABMyo；
3. 做动态动作 / 连续认证 / 手势事件分割 → 用 GRABMyoFlow；
4. 需要腕带产品形态的公开数据 → GRABMyo / GRABMyoFlow 的腕部通道。

口径提示：上表中「泛指」行代表该方向的一类数据集而非单一数据集，具体数字请以对应官方页面为准；本表只对本条（GRABMyo）与姊妹条目（GRABMyoFlow）承担数字准确性责任。

附录 L：sEMG 信号特征与频带解析

sEMG 的能量分布与处理方法决定了 GRABMyo「2048 Hz」采样的意义，本节补齐信号侧背景。

L.1 能量频带

频带	范围	含义	常用处理
主导能量	20-500 Hz	sEMG 主体能量区	带通滤波首选
工频干扰	50/60 Hz 及谐波	市电噪声	陷波（notch）
运动伪迹	< 20 Hz	电极/导线移动	高通滤除
高频细节	500-1000 Hz	部分瞬态成分	高采样率保留

2048 Hz 的意义：满足对 20-500 Hz 主体能量的奈奎斯特采样，并为频分技术（FDT）等需要较高带宽的特征方法保留余量。相较部分同类数据集的 1000 Hz，GRABMyo 在频域分辨率上更从容。

L.2 常用特征族

类别	代表特征	计算方式	备注
时域	RMS、MAV、WL	滑窗均方根/平均绝对值/波形长度	计算快，基线首选
频域	MNF、MDF、PSD	功率谱均值/中值频率	需 FFT，反映疲劳
时频	小波、STFT	多尺度分解	捕捉非平稳
频分	FDT 系数	官方脚本 grabmyo_feature_extraction.m	GRABMyo 官方推荐

L.3 非平稳性的工程含义

sEMG 随电极位移、汗液、皮肤干湿、疲劳、体位变化而漂移，本质非平稳。因此：

• 固定特征 + 固定分类器在跨日场景会衰减；
• 需要位移不变特征、域适配 / 迁移学习、或在线自校准策略；
• GRABMyo 的 Day 1/8/29 正是量化这种衰减的标准测试床。

附录 M：生物特征任务深化

M.1 认证 vs 识别

任务	英文	检索规模	典型指标	难点
认证	authentication	1:1	EER、FAR、FRR	跨日稳定性
识别	identification	1:N	Rank-1 准确率、CMC	类间可分性

GRABMyo 论文报告的核心指标是认证的 EER（前臂 0.017 / 腕 0.025）；识别难度更高，需多日大样本才可信——这正是数据集规模价值的体现。

M.2 为什么 sEMG 适合当生物特征

1. 内在性：来自体内肌肉电活动，难以仿冒（相比指纹可翻模、人脸可照片攻击）；
2. 活性：需活体肌肉收缩才产生，天然抗「死人/假体」攻击；
3. 免手性：可与手势指令共用同一传感器，实现「边操作边认证」。

M.3 多码融合（multi-code）

官方提到「多码 EMG 融合策略」：把多个手势/动作的肌电当作多把钥匙组合验证，进一步提升安全性与鲁棒性。GRABMyo 的多手势多重复设计（17 类 × 7 次）天然支持这种融合实验。

附录 N：数据血缘与版本关系图

Sci Data 9:733 (2022)  ← 一手论文（方法学与协议）
        │
        ▼
   GRABMyo  v1.0.0 ──► v1.0.1 ──► v1.0.2 ──► v1.1.0 (2024-06-07, 当前)
   （43 人，静态，前臂+腕部）                        │
        │                                            ├──► 库内条目 grabmyo（本条）
        │                                            │
        └──► GRABMyoFlow (extension) ───────────────┴──► 库内条目 grabmyo-flow（姊妹）
             （+20 人，腕部，加动态 trial，合并 63 人）
        │
        └──► IEEE Dataport 镜像（.mat，doi 10.21227/82v9-2b79）

读图要点：一手论文是方法学锚点；PhysioNet 版本链是平台侧演化；GRABMyoFlow 是数据族扩展（新增被试 + 动态动作），与本条并列而非替代。

附录 O：复现检查清单（Checklist）

上手前逐项打勾，可避免绝大多数踩坑：

• [ ] 已确认下载的是 v1.1.0（或明确记录所用版本）；
• [ ] 已知悉许可为 CC BY 4.0，并计划署名；
• [ ] 读取 .dat 时成对读取 .hea；
• [ ] 已剔除 4 个未使用通道（列 17/24/25/32）；
• [ ] 已按官方头文件确认有效通道映射（前臂 16 / 腕 12）；
• [ ] 评估设置明确标注为 within-session / cross-session / cross-subject；
• [ ] 报告 EER 时确认是认证任务而非手势识别；
• [ ] 区分本条（43 人静态）与 GRABMyoFlow（63 人含动态）；
• [ ] 引用时写明论文 DOI 与 PhysioNet 版本 DOI；
• [ ] 若用频分特征，跑过官方 grabmyo_feature_extraction.m 或等价实现。

附录 P：常见错误与修复速查

症状	可能原因	修复
模型输入维度不对	用了 32 列而非 28 列	剔除列 17/24/25/32
准确率异常高	用了同会话同人的乐观划分	改 cross-session/subject
性能远低于论文	未做带通/陷波，噪声污染	20-500 Hz 带通 + 工频陷波
复现结果对不上	版本不同	统一到 v1.1.0
「63 人」对不上	混用了 GRABMyoFlow	原始版是 43 人
认证指标算不出来	当成分类任务了	EER 需 1:1 配对协议
.dat 读不出	只读信号没读头文件	WFDB 成对读取

附录 Q：术语缩写总表

缩写	全称	中文
sEMG	surface electromyography	表面肌电
HGR	hand gesture recognition	手势识别
EER	equal error rate	等错误率
FAR	false acceptance rate	错误接受率
FRR	false rejection rate	错误拒绝率
FDT	frequency division technique	频分技术
RMS	root mean square	均方根
MAV	mean absolute value	平均绝对值
WL	waveform length	波形长度
MNF	mean frequency	平均频率
MDF	median frequency	中值频率
PSD	power spectral density	功率谱密度
WFDB	waveform database	PhysioNet 波形库格式
DUA	data use agreement	数据使用协议
ORE	Office of Research Ethics	研究伦理办公室（批号 ORE# 31346）
RRID	research resource identifier	研究资源标识（SCR_007345）

附录 R：本条目与金标准的对齐说明

本条目在结构与纪律上对齐库内金标准 panda-plus：

• frontmatter：title 带站点后缀「千方病案医数集」；subtitle/description/data_source.name ≤255/170；双引号串内无英文直引号（用「」）；cr:RecordSet 节点式；URL 占位 /0；
• 正文骨架：§0 导读 → §1 十问十答 → §2 规格 → §3 任务与标注 → §4 论文团队 → §5 评估基准 → §6 获取许可 → §7 生态影响 → §8 方法学 → §9 与库内条目关系 → §10 避坑清单 → §11 总结；
• 附录：FAO/事实清单/术语表 + DAIMS 全表 + 逐项证据链自证 + 使用指南；
• 纪律：坑点编号制 ≥5（本条目 10 条）；相关数据集对照表；参考文献与来源；存照附录；血缘仅写正文不入 frontmatter。

使用指南：从下载到第一个基线

本节给出可直接复现的上手流程，覆盖「下载 → 读取 → 剔除无效通道 → 构造特征 → 跑基线」全链路。示例以 Python 为主，兼顾 MATLAB 用户（IEEE Dataport 版为 .mat）。

指南 1：环境准备

# 推荐 Python 3.9+，安装 WFDB 与常用科学计算栈
pip install wfdb numpy scipy scikit-learn matplotlib pandas
# 可选：sEMG 专用工具箱
pip install libemg

指南 2：下载数据（三条路径任选其一）

# 路径 A：wget 递归（PhysioNet 官方提供，无注册墙）
wget -r -N -c -np https://physionet.org/files/grabmyo/1.1.0/

# 路径 B：AWS S3 免签名同步（云端/大规模首选）
aws s3 sync --no-sign-request s3://physionet-open/grabmyo/1.1.0/ ./grabmyo/

# 路径 C：网页点击 ZIP（9.1 GB 下载包）
# https://physionet.org/content/grabmyo/1.1.0/

指南 3：读取一个 WFDB 记录并剔除 4 个无效通道

import wfdb
import numpy as np

# 读取单个记录（.dat + .hea 成对，只需传无扩展名的前缀）
rec = wfdb.rdrecord("grabmyo/Session1/subject1/session1_subject1_gesture1_trial1")

sig = rec.p_signal          # 形状 (10240, 32)
print("原始形状:", sig.shape)  # (10240, 32)

# 关键：剔除 4 个未使用通道（0-based 列 16, 23, 24, 31）
unused_idx = [16, 23, 24, 31]      # 对应 1-based 列 17/24/25/32
valid_idx = [i for i in range(32) if i not in unused_idx]
emg = sig[:, valid_idx]
print("有效形状:", emg.shape)      # (10240, 28)

# 前 16 列为前臂 F1-F16，后 12 列为腕部 W1-W12
forearm = emg[:, :16]
wrist   = emg[:, 16:]
print("前臂:", forearm.shape, "腕部:", wrist.shape)

务必核对列号：不同版本的头文件可能略有差异，以上机读 .hea 与官方脚本为准。若官方转换脚本已剔除，则无需手动处理。

指南 4：预处理与特征（时域 + 频域）

from scipy.signal import butter, filtfilt, welch

def bandpass(x, fs=2048, lo=20, hi=500):
    b, a = butter(4, [lo / (fs / 2), hi / (fs / 2)], btype="band")
    return filtfilt(b, a, x, axis=0)

def rms_feature(x, win=256, step=128):
    # 滑窗 RMS，得到基础时域特征
    n = x.shape[0]
    feats = []
    for s in range(0, n - win, step):
        feats.append(np.sqrt(np.mean(x[s:s + win] ** 2, axis=0)))
    return np.array(feats)

emg_f = bandpass(forearm)
feat  = rms_feature(emg_f)
print("RMS 特征形状:", feat.shape)  # (窗口数, 16)

官方另提供**频分技术（FDT）**特征脚本 grabmyo_feature_extraction.m，可将信号分解到多个频带做特征，省去自行设计。

指南 5：最小手势分类基线

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.model_selection import cross_val_score
import glob, os

# 以「同会话、同受试者」为例：跨日/跨人会显著更难
X, y = [], []
for g in range(1, 17):                       # 16 类手势
    for t in range(1, 8):                    # 每类 7 次
        path = f"grabmyo/Session1/subject1/session1_subject1_gesture{g}_trial{t}"
        r = wfdb.rdrecord(path)
        s = r.p_signal[:, valid_idx]
        X.append(rms_feature(bandpass(s)).mean(axis=0))  # 每记录压成一个特征向量
        y.append(g)
X, y = np.array(X), np.array(y)

clf = LinearDiscriminantAnalysis()
scores = cross_val_score(clf, X, y, cv=5)
print("同会话同受试者 LDA 准确率: %.3f ± %.3f" % (scores.mean(), scores.std()))

重要提醒：上面的示例是同会话同受试者（within-session）的乐观设置。真实可用性评估必须改做 cross-session（Train on Session1, Test on Session2/3）与 cross-subject（留一受试者），准确率会明显下降——这正是 §5.2 的三条读基准纪律。

指南 6：跨会话评估骨架

# 受试者无关/跨日：按会话切分
def collect(session, subject):
    X, y = [], []
    for g in range(1, 17):
        for t in range(1, 8):
            p = f"grabmyo/Session{session}/subject{subject}/session{session}_subject{subject}_gesture{g}_trial{t}"
            r = wfdb.rdrecord(p)
            X.append(rms_feature(bandpass(r.p_signal[:, valid_idx])).mean(axis=0))
            y.append(g)
    return np.array(X), np.array(y)

Xtr, ytr = collect(1, 1)
Xte, yte = collect(2, 1)          # 换一天
clf = LinearDiscriminantAnalysis().fit(Xtr, ytr)
print("跨会话准确率:", clf.score(Xte, yte))

指南 7：LibEMG 一键加载（第三方）

from libemg.datasets import get_dataset_list

api = get_dataset_list()
# 在返回的数据集清单中定位 grabmyo 并加载（具体 API 以 LibEMG 版本为准）
print([d.name for d in api] if hasattr(api, "__iter__") else api)

LibEMG 把 GRABMyo 归入内置数据集，可直接用于其在线/离线评估流水线，适合快速搭 baseline。

指南 8：MATLAB 用户（IEEE Dataport 版）

% IEEE Dataport 版本为 .mat，直接 load；或先用官方脚本转 WFDB→MAT
load('session1_subject1_gesture1_trial1.mat');   % 变量名以实际文件为准
unused = [17 24 25 32];                          % 1-based
valid  = setdiff(1:32, unused);
data   = data(:, valid);                          % 10240 × 28

---

使用指南小结：下载认准 v1.1.0；读文件认准 WFDB 成对；建模前务必剔 4 列；评估必做跨会话/跨受试者。四点做到，GRABMyo 就能直接支撑一个可信的 sEMG 基线。

附录 G：逐项证据链自证

本表逐条列出核心硬数字及其三源互证情况（源 1=PhysioNet 内容页；源 2=IEEE Dataport 元数据；源 3=Sci Data 论文）。

硬数字	源 1 PhysioNet	源 2 IEEE Dataport	源 3 Sci Data 论文	结论
受试者 43 人	✔	✔	✔	三源一致
性别 23 男/20 女	✔	—	✔	二源一致
平均年龄 26.35±2.89	—	—	✔	单源（论文）
会话 3 天	✔（3 days）	✔（Day 1/8/29）	✔	三源一致（口径同）
手势 16 + 静息 = 17	✔	✔	✔	三源一致
每类 7 次	✔	—	✔	二源一致
电极 28 单极	✔	✔	✔	三源一致
前臂 16 / 腕 12	✔	✔	✔	三源一致
环间 2 cm	✔	—	✔	二源一致
采样率 2048 Hz	✔	✔	✔	三源一致
单次 5 秒	✔	—	✔	二源一致
矩阵 10240 × 32	✔	✔	✔	三源一致
未用通道 4（17/24/25/32）	✔	—	✔	二源一致
体积 9.4 GB / ZIP 9.1 GB	✔	✔	—	二源一致
许可 CC BY 4.0	✔	✔	✔	三源一致
EER 前臂 0.017 / 腕 0.025	—	✔	✔	二源一致
版本 v1.1.0	✔	—	—	单源（平台口径）
伦理 ORE# 31346	—	—	✔	单源（论文）

说明：「单源」不代表存疑，而是该数字仅在一个权威源披露（其余源未重复）；「三源一致」为最高置信级别。冲突项见 §9 与「存照附录」。

附录 H：双源逐字段对照（PhysioNet vs IEEE Dataport）

字段	PhysioNet（v1.1.0）	IEEE Dataport	是否冲突
分发格式	WFDB（.dat/.hea）	.mat	否（格式镜像）
设备	侧重电极（Ambu 单极 28 枚）	EMGUSB2+（OT Bioelettronica）	否（互补）
会话日	3 different days	Day 1 / Day 8 / Day 29	否（细化）
体积	9.4 GB 未压缩	9.1 GB 包	否（口径不同）
DOI	10.13026/89dm-f662（版本）	10.21227/82v9-2b79	否（各自平台标识）
性能	页面摘要含 EER	摘要含 EER 0.017/0.025	否（一致）

结论：两源为同源双分发，无实质冲突；差异均为「口径/表述」层面，已逐条存照。

附录 I：评估设置难度梯度

设置	训练/测试划分	难度	用途
within-session（同会话同人）	同会话内 5 折	★	上界参考
cross-session（跨日同人）	Session1→Session2/3	★★★	日常可用性
cross-subject（跨受试者）	留一受试者	★★★★	免标定泛化
cross-DAY biometrics	一日注册→他日验证	★★★★	生物认证（EER 口径）

报告纪律：写论文务必注明用的是哪一档；不同档的准确率/ EER 不可横向比较。

附录 J：中文术语—英文对照索引

中文	英文	首现位置
表面肌电	surface electromyography (sEMG)	§0
手势识别	hand gesture recognition (HGR)	§3.1
生物特征识别	biometric recognition	§3.1
生物认证/识别	authentication / identification	§3.1
等错误率	equal error rate (EER)	§5.1
电极位移	electrode shift	§7.1
免标定	calibration-free	§3.3
频分技术	frequency division technique (FDT)	§2.3
连续认证	continuous authentication	§7.1
手势事件分割	gesture-event segmentation	§7.1
双极配置	bipolar configuration	§2.2
单极电极	monopolar electrode	§2.2
静息	resting	§2.4
收缩	contraction	§2.5

附录 K：一句话速记卡（可打印）

• 是谁：滑铁卢大学 Ning Jiang 组的 sEMG 手势 + 生物特征数据集。
• 多大：43 人 × 3 天 = 129 条记录；17 类手势 × 7 次；9.4 GB。
• 什么信号：28 单极电极（前臂 16 + 腕 12，4 环）、2048 Hz、10240×32。
• 什么许可：CC BY 4.0，无 DUA，四条直链。
• 什么亮点：多日生物认证中位 EER 前臂 0.017 / 腕 0.025。
• 注意什么：剔 4 列无效通道；129 是「人-会话」数；EER≠手势准确率；GRABMyoFlow 才是 63 人。

附录 S：双口径与非冲突差异全解

本节把三源核验中出现的所有「看似冲突」逐条拆解，供引用时口径统一。

项目	口径 A	口径 B	性质	本条采用
DOI	版本 DOI 10.13026/89dm-f662	通用 DOI 10.13026/cadk-kw71	语义不同	主用版本，注脚通用
会话日	3 different days	Day 1/8/29	抽象 vs 具体	统一写 3 日（Day 1/8/29）
设备	电极规格（Ambu 28 枚）	设备型号（EMGUSB2+）	互补	并列记录
体积	9.4 GB（未压缩）	9.1 GB（ZIP）	口径不同	并列记录
分发	PhysioNet WFDB	IEEE Dataport .mat	格式镜像	并列记录
记录数	129（人-会话）	上万（信号文件）	计数对象不同	明确 129 口径

一句话原则：三源之间没有实质矛盾，全部差异都能归结为「不同维度/不同口径」；写作与引用时标明口径即可，不必取此舍彼。

附录 T：补充问答（进阶）

补充 1：为什么论文强调「记录总数最大」而不用「受试者最多」？
因为 sEMG 领域既有更大的受试者样本，但多为单日；GRABMyo 的独特组合是「43 人 × 3 天」，以「记录总数（人-会话）」计达到该领域领先——这是一种诚实的口径选择，避免与规模更大的单日数据集直接比人头数。

补充 2：能不能只取腕部 12 通道做产品原型评估？
可以。腕部 12 通道贴近手环形态，EER 0.025 已具参考价值；但其空间分辨率低于前臂 16 通道，性能会略逊，需在「产品形态」与「性能」间取舍。

补充 3：动态 trial 缺失对我有影响吗？
若只做静态手势分类，无影响；若涉及连续认证或手势事件分割（需要过渡段），原始 GRABMyo 无法直接支撑，应改用 GRABMyoFlow。

补充 4：43 人里能否做「留一人」跨被试评估？
可以。43 人规模足够支撑 leave-one-subject-out 协议；但作为公开基准，建议报告多次随机划分的均值与方差，避免单次划分偏差。

补充 5：信号需要重采样吗？
多数情况下不必。2048 Hz 足够覆盖 sEMG 主体频带；若上游模型有固定输入采样率要求，再统一降采样并记录。

补充 6：如何与指纹/人脸性能对比？
用 EER 口径对齐：GRABMyo 前臂 0.017 与成熟模态同量级。可比性建立在**同一指标（EER）与可比协议（跨日验证）**之上，不可拿 sEMG 准确率去比人脸 EER。

尾注

本条目所有硬数字以 PhysioNet 内容页（v1.1.0）+ IEEE Dataport 元数据 + Scientific Data 9:733 (2022) 三源互证为准；凡冲突或单源项已在 §9 与「存照附录」逐条记录。正文血缘说明（与 grabmyo-flow 的关系）仅写在本条目内，frontmatter 的 relatedLink 采用 /0 占位，具体互链 rid 由发布侧按 DB url_name 反查后填入。

版本锚定：本条目锚定 PhysioNet v1.1.0（2024-06-07）。若后续平台发布新版本，请以最新官方页为准并复核通道定义与会话口径。

许可与署名：使用本数据集须遵守 CC BY 4.0 署名要求，建议引用——
Pradhan A, He J, Jiang N. Multi-day dataset of forearm and wrist electromyogram for hand gesture recognition and biometrics. Scientific Data 9, 733 (2022). doi:10.1038/s41597-022-01836-y. PhysioNet v1.1.0, doi:10.13026/89dm-f662.

编辑说明：本条由千方病案医数集 AI-Ready Wikipedia 编辑部整理，最后复核日期 2026-10-10。凡与官方页面不一致处，一律以官方来源为准。

---

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：

• kinecal — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• accelerometry-walk-climb-drive — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• scientisst-move — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• sisfall — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• wisdm — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• hospital-activity-bosch — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• ppg-dalia — 共享标签：生理信号 / 可穿戴传感 / 步态与运动
• rehab-motion-capture — 共享标签：生理信号 / 可穿戴传感 / 步态与运动 / 评测基准
• ninapro — 共享标签：生理信号 / 步态与运动 / 脑机接口
• pamap2 — 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。