论文摘要
 
PhysioMio是目前规模最大的卒中患者手部动作HD‑sEMG公开数据集（4.42 GB，329个文件）。研究纳入48例偏瘫患者（女20/男28，中位年龄69岁），在康复住院期间纵向记录（平均每例3次，共237次患臂评估及92次健臂参考）。采用64通道干电极阵列（OT Bioelectronics Quattrocento，采样率2048 Hz）采集16种手势（含休息基线）的肌电信号，并同步记录Fugl‑Meyer评分。数据处理提取每个手势中央4秒片段，保存为Parquet格式。质量筛选后剔除6例及45个劣质记录，最终数据集包含42例患者的双侧/纵向信号。技术验证显示：健臂平均信噪比13.49±5.53 dB，患臂10.22±5.38 dB；正态性相关系数（CCN）健臂0.896±0.087，患臂0.828±0.112；功率谱密度呈现典型20‑500 Hz肌电带宽，患臂幅值系统性降低。基于PSD与SNR特征的随机森林分类器可有效区分健患臂（留一患者交叉验证准确率85.1%），验证了数据的生理有效性和区分度。数据集托管于Hugging Face（DOI: 10.57967/hf/6783），代码开源。

研究方法

设备与采集

采用MDR认证的OT Bioelectronics Quattrocento系统，以2048 Hz采样率进行单极模式记录。定制64通道混合刚柔电极阵列（图1a），由16列×4电极的刚性PCB条通过柔性PCB连接，两端配置弹性绑带（图1b）以适应不同前臂围度。电极编号从01至64（图2）。采集软件为OT BioLab⁺，同步记录脚踏触发信号标记动作起止，并使用自定义Python模块控制标准化存储。为消除工频干扰，电脑由直流移动电源供电，未连接市电。

实验流程
 
阵列置于肘窝下2 cm处，左侧前臂以第15列对准尺骨，右侧以第2列对准尺骨（图4）。每位患者首次session记录健臂1‑2次评估作为基线，后续仅记录患臂（1‑2次/次）。每次评估执行16种手势（图5）：1个休息态及15个动作（其中手势3‑10需与主试互动抗阻）。主试按FMA三级评分（0‑2）。每手势持续7秒，提取中间4秒。数据经10‑500 Hz带通滤波（未用陷波，德国50 Hz需用户自行处理），导出CSV后转Parquet，含时间、64通道（mV）、FMA评分及动作类型列。
 

 
数据分割与质量控制
 
基于触发信号分割动作，剔除过渡段。二次人工筛查采用可视化摘要（图7为保留示例，图8为剔除示例——多通道失效），剔除SNR<2.5 dB、通道缺失>10%或异常高变异的记录。最终保留42例患者数据（表2为人口学统计，表3为各患者健/患臂SNR均值与标准差）。
 

 
实验结果
 
信噪比（SNR）：以休息态为噪声N，其余15个动作为信号，计算每通道每动作SNR = 20log₁₀(mean(||mᵢⱼ||)/mean(||Nⱼ||))。全数据集健臂平均SNR 13.49±5.53 dB，患臂10.22±5.38 dB（表3），表明患臂肌电幅值显著衰减但仍有有效信号。对比年轻健康Ninapro数据集（17.90±6.84 dB），卒中患者信号强度下降符合预期。

正态性检验（CCN）：计算经验幅值直方图与同均值方差高斯分布的皮尔逊相关系数。健臂CCN=0.896±0.087，患臂=0.828±0.112（表4），均接近1，表明信号质量良好，与Ninapro（0.848±0.075）可比。

频谱分析：经20 Hz高通及50 Hz陷波滤波后，Welch法估计PSD（1024点Hann窗，50%重叠）。图10显示健臂（蓝）与患臂（红）均呈现典型20‑500 Hz肌电主频带，峰值频率相近，但患臂全频带谱幅值系统性低于健臂（阴影区为25‑75百分位），反映运动单位募集减少。
 

 
分类验证：以每记录PSD（20频段）+SNR均值/标准差为特征（归一化后选取68‑92 Hz与236‑260 Hz两频段），随机森林（类平衡）在患者留出测试中达准确率87.8%，平衡准确率87.7%，AUROC 0.890；5折交叉验证平均准确率85.5%；留一患者交叉验证微平均准确率85.1%。表明即使简单模型也能稳健区分健患臂，证实数据差异的生理根源而非噪声伪迹。
 
总结与展望
 
PhysioMio提供了首个大规模、纵向、双侧卒中HD‑sEMG基准数据集，具有三大独特优势：①纵向追踪——覆盖康复不同阶段（中位35.5天，范围13‑2308天），可分析恢复动力学；②双侧对照——同一患者健臂作为内参，消除个体差异；③临床标注——每动作附FMA评分，便于关联功能预后。技术验证证明信号质量可靠，且患臂信号幅值、SNR、频谱功率均显著低于健臂，与临床偏瘫严重程度吻合。未来应用方向包括：基于深度学习的动作意图解码（尤其针对弱信号鲁棒性）、个体化康复疗效预测、代偿运动模式识别，以及迁移学习联合健康数据集提升泛化性。局限性包括电极脱落导致部分通道丢失（已人工剔除）、样本年龄偏大且病程异质，后续可扩展至亚急性/慢性分层研究。数据集及代码已开源，鼓励社区用于开发新型神经康复评估指标与智能人机交互系统。
 
产品介绍
 

 
联系我们

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