背景介绍

表面肌电（sEMG）信号能反映脊髓运动神经元活动，广泛应用于人机交互（HMI）中的运动意图识别。现有研究多集中于前臂肌肉的离散手势识别，但在日常多变环境中稳定性不足，且难以实现多自由度连续控制。高密度sEMG（HD-sEMG）可分解运动单位动作电位，提升控制鲁棒性。当前公开数据库缺乏同时包含前臂与手腕HD-sEMG及手部运动学的数据，限制了手腕可穿戴设备与神经驱动控制算法的发展。为此，本研究提出了HD-FW KIN数据集，包含448通道HD-sEMG（前臂192通道、手腕256通道）、手指关节角度与握力数据，涵盖21名受试者的20种手势与9种手指按压任务，旨在推动手势识别、连续运动控制与神经接口技术的发展。

01论文摘要

本文提出了一个公开的多模态数据集HD-FW KIN，用于基于sEMG的手部运动意图识别研究。数据集包含21名健康受试者在执行20种手势（包括手指单独/组合运动、手腕动作）和9种手指按压任务（20%与40%最大自主收缩力）时的448通道HD-sEMG信号，同时采集了数据手套记录的手指关节角度与自定义力传感器记录的握力数据。研究验证了手腕（远场）与前臂（近场）sEMG在手势分类、手指角度预测与握力回归中的有效性，并展示了基于运动单位分解的神经驱动分析潜力。该数据集支持手势识别、连续运动控制、肌电分解等多个研究方向，适用于假肢控制、可穿戴设备与人机交互等领域。
 

02研究方法

研究招募21名健康右利手受试者，使用OT Bioelettronica公司的电极阵列同步采集前臂与手腕HD-sEMG信号：前臂采用3个8×8电极网格（型号GR10MM0808，电极间距10 mm，共192通道）；手腕采用4个5×13电极网格（型号GR04MM1305，电极间距4 mm，共256通道）。

信号通过quattrocento+,以2000 Hz采样率记录。手部运动学数据通过SDT Data Glove 14 Ultra数据手套（200 Hz）采集14个关节角度；握力通过定制力传感器（RFP 602，1000 Hz）记录五指的等长收缩力。实验分为两部分：第一部分执行20种手势（含动态与静态收缩）；第二部分执行9种手指按压任务（20%与40% MVC）。数据经50 Hz陷波滤波、0.13 Hz高通与1 kHz低通预处理后，以WFDB格式公开。

03实验结果

研究通过多组实验验证数据质量与应用潜力：

1、手势分类：基于前臂与手腕HD-sEMG，使用LDA分类器对14种手部手势与6种手腕动作进行分类，平均准确率分别达90%以上（图3）。
 

 
2、手部运动学预测：采用RMS特征与运动单位（MU）分解方法预测手指关节角度。前臂sEMG的预测相关性（R值）为0.8959（RMS）与0.7756（MU），手腕sEMG分别为0.8554与0.7409（图4、图5），显示手腕信号在连续角度预测中具有可比性能。
 

 
3、握力回归与肌电分解：使用多元线性回归（MLR）预测握力，前臂与手腕sEMG在20% MVC下的平均RMSE分别为6.25%与6.46%。基于卷积核补偿（CKC）的肌电分解结果显示，前臂平均解码MU数为27.79，手腕为14.25；握力拟合相关性前臂达0.90，手腕为0.78（表4，图7）。
 

04总结与展望

HD-FW KIN数据集首次提供了同步采集的前臂-手腕HD-sEMG、手部运动学与握力数据，填补了该领域公开数据的空白。实验验证了手腕sEMG在手势分类、连续运动控制与神经驱动分析中的有效性，为手腕可穿戴设备提供了数据支持。

未来研究可基于该数据集开发鲁棒的手势识别算法、连续比例控制模型与运动单位分解方法，推动智能假肢、康复机器人及消费电子人机交互的发展。数据集的局限在于未包含手腕动作的动态运动学数据，未来可通过惯性传感器补充。数据与代码已开源，便于学术界进一步探索与应用。
 

原文链接：
 
https://doi.org/10.1038/s41597-025-04749-8

研究团队介绍

本研究团队来自上海交通大学机器人研究所与机械系统与振动国家重点实验室，由Chaowei Guo、Zeming Zhao、Zeyu Zhou、Bin Fang、Yang Yu与Xingjun Sheng组成。团队长期专注于机器人学、人机交互、肌电信号处理与神经工程领域的前沿研究，致力于通过高密度表面肌电与多模态传感技术，实现对手部运动意图的精准解码与自然交互。

在本研究中，团队设计并完成了多被试、多手势、多力级的实验，构建了首个同步包含前臂-手腕HD-sEMG、手部运动学与握力的开放数据集，为智能假肢、可穿戴设备与人机交互算法的发展提供了重要数据与技术支持。

 
联系我们

电话: 15920901903
官网：https//www.ruihongan.cn