任务情境对脑机接口手指运动预测的影响

数据集获取

源站：https://search.dataone.org/view/sha256%3A9e50e246ab38b51b38c670dae3379939caddd3bf8b6cf0cee9335bd5cdea97be

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

脑机接口（BMI）用于恢复手部运动功能的临床转化，一个关键因素是其对任务变化的鲁棒性。以功能性电刺激（FES）为例，患者自己的手将在其他方面相似的动作中产生各种不同的力。为了研究任务变化对BMI性能的影响，我们训练了两只恒河猴用其真实手控制虚拟手，同时我们在每个手指组（食指或中指-无名指-小指）上添加弹簧，或改变其腕部姿势。利用同步记录到的皮层内神经活动、手指位置和肌电图，我们发现跨情境预测手指运动学和手指相关肌肉激活会导致预测误差显著增加，尤其是对肌肉激活的预测。

然而，就虚拟手的在线BMI控制而言，在线控制过程中改变训练任务情境或手的物理情境……有关数据采集与处理的描述，请参见相关预印本 https://doi.org/10.1101/2022.08.26.505422。在两只猴子分别单独移动两个手指组（2自由度）或所有手指一起移动（1自由度）的任务中，记录了两个手指组（食指和中指-无名指-小指）、EMG以及皮层内神经活动的同步手指运动。数据以约100至400次试验为一个运行段进行采集，然后通过给每个手指组添加弹簧和/或将手腕旋转至屈曲状态来改变任务情境。每个会话进行了3至7个试验运行段，每个文件包含多个会话。记录神经数据中的阈值穿越，然后转换为阈值穿越放电率（TCFR）。神经数据还以2ks/s采样，在300-1000Hz滤波后进行整流。手指角度（0为伸展至1为屈曲）用弯曲传感器记录。从8块肌肉记录16通道EMG，奇数通道以其双极对为参考（偶数

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。