数据集：我本意如此：在干扰下确定动作意图
该数据集来自 Dryad，对应一项关于人类手臂指向运动意图建模的研究。研究提出一种新方法，从受到意外力干扰的指向运动中推断运动意图，通过数学反演前馈（预测）与反馈控制以获得意图轨迹，并检验模型对参数不确定性的敏感性，发现关节刚度不确定性影响最大
基本信息
资源简介
数据集：我本意如此：在干扰下确定动作意图
Data from: I meant to do that: determining the intentions of action in the face of disturbances
该数据集来自 Dryad，对应一项关于人类手臂指向运动意图建模的研究。研究提出一种新方法，从受到意外力干扰的指向运动中推断运动意图，通过数学反演前馈（预测）与反馈控制以获得意图轨迹，并检验模型对参数不确定性的敏感性，发现关节刚度不确定性影响最大。数据可用于研究运动控制、内部模型、前馈与反馈机制以及上肢指向行为，支持对意图推断模型的复现与验证（来源 DOI 解析，Creative Commons Zero v1.0 Universal 许可）。
【数据集背景】
源站首次发布：2015。
【数据内容】
源站描述（机器翻译，仅供参考）：当存在湍流等外部干扰时，我们的动作往往与意图不符。我们推导出一种新的建模方法，用于从受到意外力干扰的指向运动中确定这种运动意图。首先，我们展示了如何通过数学方法反演前馈（预测）和反馈控制，以获得意图轨迹。接着，我们考察了模型对现实范围内参数不确定性的敏感性，发现由所有可能的参数误估计导致的预期不准确性小于人类指向相似目标时常见的逐次运动变化。最大的敏感性主要来自关节刚度的不确定性。人类在获得感觉反馈之前无法改变其意图，因此我们检验了以下假设：直线意图应至少在 t
【主题与分类】
主题标签：human、Feedback、feedforward、control of movement、internal model、arm reaching、error、upper extremity、intention。本站分类：神经系统疾病。
【获取与许可】
源站页面：https://datadryad.org/dataset/doi:10.5061/dryad.1257p
使用许可：Creative Commons Zero v1.0 Universal。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5061/dryad.1257p
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 201.1 MB。
数据说明
当存在诸如湍流等外部干扰时，我们的行动往往与意图不符。我们推导出一种新颖的建模方法，用于从受到意外力干扰的目标导向伸展运动中确定这种运动意图。首先，我们展示了如何通过数学方法反演前馈（预测性）和反馈控制，以获得意图轨迹。接着，我们检验了模型对现实范围内参数不确定性的敏感性，并发现由所有可能的参数误估所导致的预期不准确性，小于人类在伸向相似目标时常见的动作间变异。最大的敏感性主要源自关节刚度不确定性。人类在获得感觉反馈之前无法改变其意图，因此我们测试了这样一个假设：在干扰发生后的至少前120毫秒内，应能观察到直线意图。正如预期，意图轨迹在干扰发生后的150毫秒以上时间内，与未受干扰的伸展运动相比没有变化。
然而，超过这一点后，我们在八名受试者中的五名身上检测到了意图的变化，令人惊讶的是，即使手已接近目标也是如此。了解这种意图信号具有广泛的应用价值：增强人机交互、研究神经障碍中的意图受损、训练中错误的实时确定（及操控），以及体现规划的复杂系统，如脑机接口、团队运动、人群或集群。此外，观察意图如何变化可能成为洞察规划、纠正和学习机制的一扇窗口。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
