K2MUSE

K2MUSE数据集是由中国科学院沈阳自动化研究所等机构创建的多模态人体下肢运动数据集，包含运动学、动力学、幅度模式超声（AUS）和表面肌电图（sEMG）等多种模态数据。该数据集收集了30名健康志愿者在不同倾斜角度（0°、±5°、±10°）、不同速度（0.5 m/s、1.0 m/s、1.5 m/s）以及不同非理想采集条件（肌肉疲劳、电极移位、跨日差异）下的下肢运动数据，使用Vicon运动捕捉系统和带有嵌入式力平台的跑步机收集运动学和地面反应力数据，同步记录双侧下肢的sEMG和AUS数据。该数据集适用于下肢康复外骨骼、主动假肢和人形机器人的控制算法开发，以及下肢运动的意图识别和生物力学分析。The K2MUSE Dataset is a multi-modal human lower extremity motion dataset developed by the Shenyang Institute of Automation, Chinese Academy of Sciences, and other institutions. It encompasses multi-modal data such as kinematic, kinetic, amplitude-mode ultrasound (AUS), and surface electromyography (sEMG). This dataset collected lower extremity motion data from 30 healthy volunteers under diverse conditions: varying treadmill incline angles (0°, ±5°, ±10°), different walking speeds (0.5 m/s, 1.0 m/s, 1.5 m/s), and multiple non-ideal acquisition scenarios including muscle fatigue, electrode displacement, and inter-day variability. Kinematic and ground reaction force data were acquired using a Vicon motion capture system and a treadmill with an embedded force platform, while sEMG and AUS data from bilateral lower extremities were synchronously recorded. This dataset is applicable to the development of control algorithms for lower extremity rehabilitation exoskeletons, active prostheses and humanoid robots, as well as lower extremity movement intention recognition and biomechanical analysis.

搜集汇总

数据集介绍

构建方式

K2MUSE数据集构建采用了多模态数据采集方法，包括运动学、动力学、A型超声（AUS）和表面肌电图（sEMG）测量。数据采集通过Vicon运动捕捉系统和带有嵌入式力板的仪器化跑步机完成，同时同步记录双侧下肢13块肌肉的sEMG和AUS数据。数据集涵盖了30名健康参与者在不同坡度（0°、±5°和±10°）、速度（0.5 m/s、1.0 m/s和1.5 m/s）以及非理想采集条件（肌肉疲劳、电极移位和日间差异）下的行走活动。

特点

K2MUSE数据集的特点在于其全面性和多样性。它不仅包含了传统的运动学和动力学数据，还集成了AUS和sEMG信号，提供了肌肉活动和机械输出的多维视角。数据集覆盖了20种行走条件，包括不同坡度和速度的组合，以及多种非理想条件，为康复机器人控制算法的开发和生物力学分析提供了丰富的资源。此外，数据集还包含了参与者的详细人体测量信息，增强了数据的可解释性和应用价值。

使用方法

K2MUSE数据集的使用方法包括数据加载、预处理和分析。数据集以MATLAB结构文件（P*.mat）的形式提供，包含了原始数据和归一化后的步态周期数据。用户可以通过提供的MATLAB和Python脚本进行数据可视化和机器学习模型的训练，如支持向量回归（SVR）、高斯过程回归（GPR）和多层感知机（MLP）用于关节角度预测。数据集适用于康复机器人控制算法开发、意图识别和下肢运动生物力学分析，用户可参考数据集官网的详细说明和代码示例进行具体应用。

背景与挑战

背景概述

K2MUSE数据集由中国科学院沈阳自动化研究所机器人学国家重点实验室的Jiwei Li、Bi Zhang等研究人员于2025年发布，旨在解决康复机器人领域对多模态下肢运动数据的需求。该数据集包含30名健康受试者在不同坡度（0°、±5°、±10°）、速度（0.5 m/s、1.0 m/s、1.5 m/s）及非理想采集条件（肌肉疲劳、电极位移、日间差异）下的运动学、动力学、A型超声（AUS）和表面肌电（sEMG）数据。通过整合Vicon运动捕捉系统、测力跑台、无线肌电设备和超声传感器，K2MUSE填补了现有下肢数据集在复杂环境表征和生理信号融合方面的空白，为康复外骨骼控制算法开发和生物力学分析提供了重要资源。

当前挑战

K2MUSE数据集面临的挑战主要体现在两方面：领域问题层面，现有下肢数据集难以支撑数据驱动方法所需的多样化步态样本和跨模态关联分析，尤其在非理想条件下的运动意图识别精度受限；构建过程层面，多设备同步采集（运动捕捉、肌电、超声、测力台）需解决硬件时钟同步难题，而肌肉疲劳实验设计、电极位移模拟等非理想条件引入的生理信号变异对数据一致性提出更高要求。此外，受试者个体差异和运动模式多样性（如斜坡行走时的动力学突变）进一步增加了数据标准化处理的复杂度。

常用场景

经典使用场景

K2MUSE数据集在康复机器人领域具有广泛的应用价值，尤其在多模态数据融合和复杂环境下的步态分析中表现突出。该数据集通过整合运动学、动力学、A型超声和表面肌电信号，为研究人员提供了全面的下肢运动信息。在经典使用场景中，K2MUSE被用于开发基于数据驱动的康复机器人控制算法，特别是在不同坡度（0°、±5°和±10°）和速度（0.5 m/s、1.0 m/s和1.5 m/s）条件下的步态分析。此外，数据集还涵盖了肌肉疲劳、电极移位和日间差异等非理想条件，为实际应用中的干扰因素提供了研究基础。

衍生相关工作

K2MUSE数据集衍生了一系列经典研究工作。基于其多模态数据，研究人员开发了多种意图识别算法，如支持向量回归（SVR）和高斯过程回归（GPR），用于预测下肢关节角度。此外，数据集还被用于验证肌肉疲劳和电极移位对信号特征的影响，推动了鲁棒性算法的研究。在生物力学领域，K2MUSE支持了肌肉协同作用的研究，为运动控制机制提供了新的见解。这些衍生工作不仅扩展了数据集的应用范围，还为康复机器人和生物力学研究的进一步发展奠定了基础。

数据集最近研究

最新研究方向

在康复机器人领域，K2MUSE数据集作为首个同时包含运动捕捉位置、力板数据、A型超声（AUS）和表面肌电（sEMG）的多模态下肢运动数据集，为数据驱动的康复机器人控制策略开发提供了重要支持。该数据集覆盖了多种行走条件，包括不同坡度、速度以及非理想采集条件（如肌肉疲劳、电极移位和日间差异），为研究者在复杂环境下开发适应性强的控制算法提供了丰富的数据资源。前沿研究方向包括基于多模态信号融合的意图识别、肌肉疲劳状态下的自适应控制，以及跨日数据一致性的研究。这些研究不仅推动了康复机器人技术的进步，也为临床康复提供了新的评估和治疗工具。

相关研究论文

• K2MUSE: A human lower limb multimodal dataset under diverse conditions for facilitating rehabilitation robotics

  中国科学院沈阳自动化研究所 · 2025年