运动适应后泛化机制研究数据集

数据集获取

源站：https://search.dataone.org/view/sha256%3Adf643e8b6bef18f331ade96a583e2c04f1388a472960f3e306d67c6fd2e75d8d

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

我们的神经系统具有非凡的能力，能够调整我们的步态以适应身体或环境的变化。然而，我们适应后的行走模式在不同情境之间往往只能部分泛化（或完全不泛化）。在此，我们试图理解神经系统如何将适应后的步态模式从一个情境泛化到另一个情境。通过一系列分带跑步机行走实验，我们评估了不同的机制性假说（即机制特异性假说、信用分配假说和慢切换假说），以解释适应后的步态模式从分带跑步机到地面行走的部分泛化现象。支持信用分配假说的实验揭示了核心发现：适应涉及1）对身体前向模型的重新校准，该模型可泛化至地面行走；以及2）对跑步机模型的重新校准，该模型不泛化。参与者在一台带有两条独立跑带的分带跑步机（Motek，阿姆斯特丹，荷兰）上行走，每条跑带的速度通过自定义编写的D-Flow程序独立控制。参与者还在一条6米长的步道上进行地面行走。

步长不对称性及其他运动学指标由Vicon运动捕捉系统（英国牛津）采集的运动捕捉数据计算得出，该系统使用红外发射标记；或由Zeno步道（ProtoKinetics，美国宾夕法尼亚州哈弗敦）采集的数据计算得出，该系统使用测力板。我们还采用调整法知觉任务获取知觉指标，以测量适应后被感知为“速度相等”的跑带速度差。所有方法均在手稿中描述。Â , , # 项目标题：理解运动适应后泛化的机制。 ## 基本信息 作者：Cristina Rossi(a,b), Ryan T. Roemmich(b,c), Amy J. Bastian(a,b,*) (a) 美国马里兰州巴尔的摩市约翰斯·霍普金斯大学医学院神经科学系，邮编21205；(b) 肯尼迪克里格研究所运动研究中心，B

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。