© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
杭州澜鑫诺科技有限公司
企业杭州澜鑫诺科技有限公司围绕相关业务开展运营。面向脑电信号、专注状态识别、脑电信号放松状态评估等领域提供数据服务，开放脑电信号专注状态识别特征数据（脑电信号、专注状态识别）、脑电信号放松状态评估特征数据（脑电信号放松状态评估、职业压力与心理健康）、肌电信号手部动作识别特征数据（肌电信号动作识别、人机交互），支撑交通监测与通行研判。
脑电信号专注状态识别脑电信号放松状态评估
数据集列表
微环谐振光谱数据集
本数据集主要用于微环谐振光谱分析算法和光子传感系统的研发、训练及性能验证。通过对光谱波长、光强响应、噪声水平和谐振中心波长等数据进行处理，可解决微环谐振光谱中谐振峰自动识别、中心波长定位、弱信号提取、噪声干扰抑制以及不同样本间波长漂移量计算等问题，为待测物折射率变化和浓度变化的定量分析提供数据基础。
在具体应用中，该数据集可用于生物医学检测中的蛋白质、葡萄糖、抗体等生物标志物响应分析；环境监测中的水体污染物浓度变化识别；食品安全检测中的目标成分筛查和浓度反演；工业过程检测中的材料折射率、溶液浓度及工艺状态变化监测。同时，可用于微环谐振光子传感芯片的结构优化、光谱解调算法训练、无光谱仪数字化读出模型开发及传感系统稳定性验证，从而提高谐振中心识别精度、复杂噪声条件下的信号提取能力和检测结果的一致性。（1）加工前的数据说明
本数据集为微环谐振器连续波长扫描形成的局部光谱原始响应数据，以单个样本的谐振中心波长为基准，记录不同扫描波长对应的光强响应及噪声水平。
（2）处理及计算规则
第一阶段：确定谐振中心波长。
为每个样本确定谐振中心波长，记为λc，写入center_wavelength_nm字段。
第二阶段：生成扫描波长点。
以谐振中心波长λc为基准，按照0.01nm的固定间隔生成10个连续波长采样点。各采样点相对于中心波长的偏移量依次为−0.05、−0.04、−0.03、−0.02、−0.01、0、+0.01、+0.02、+0.03、+0.04 nm，计算公式为：
wavelength_nm = center_wavelength_nm + Δλ
其中，Δλ为对应采样点的波长偏移量。
第三阶段：计算光强响应值。
根据采样波长与谐振中心波长之间的差值，采用高斯型谐振衰减模型计算理论光强响应。计算规则为：
I(λ) = I₀ − A × exp[−(λ−λc)²/(2σ²)] + ε
其中，I(λ)为intensity_db，单位dB；I₀为基线光强，约−10dB；A为谐振衰减深度，约5dB；λ为扫描波长；λc为谐振中心波长；σ为光谱宽度控制参数，约0.02nm；ε为模拟采集波动和环境干扰的随机扰动项。当λ等于λc时，光强接近−15dB；偏离λc后逐渐回升至约−10dB。
第四阶段：噪声水平指标。
噪声水平指标noise_level在光强响应生成阶段独立产生，用于量化每个采样点的背景噪声和信号波动程度。其数值按照均值0.20、标准差0.05的正态分布随机生成，取非负值并保留四位小数，计算规则为noise_level=|N(0.20,0.05²)|。
第五阶段：编号和精度统一。
每条记录赋予MRR-SR-XXXXXX格式的record_id，每组光谱赋予S-XXXX格式的sample_id，数值统一保留四位小数。
（3）数据内容说明
record_id为记录唯一编号；sample_id为光谱样本编号；wavelength_nm为扫描波长；intensity_db为叠加随机扰动后的光强响应值；noise_level为噪声水平指标；center_wavelength_nm为第一阶段确定的谐振中心波长，是波长采样和光强计算的基准参数。
浙江省数据知识产权登记平台2026-08-11 更新00
肌电信号肢体动作分类数据
(如手臂抬起、手臂弯曲、腿部抬起等)产生的肌电信号进行特征提取与模式分析，可识别不同动作对应的肌肉激活特征模式。该数据可应用于神经康复训练系统中的动作评估与训练反馈、人机交互系统中的动作控制识别、假肢控制系统中的动作意图识别以及智能运动监测设备中的动作分析等场景。通过对肌电特征数据的分类分析，可辅助相关系统实现对用户肢体动作的自动识别与控制指令生成。一、加工前数据说明
加工前数据来源于多通道表面肌电信号（sEMG）采集设备，通过贴附于人体四肢相关肌群（肱二头肌、股四头肌等）表面的电极，实时记录肌肉收缩产生的生物电位变化。原始数据表现为多路连续的高频时间序列电压信号，反映了神经肌肉系统的活动状态。由于采集环境复杂，原始信号中叠加了工频干扰、电极移动产生的运动伪迹以及传感器底噪。
二、处理规则与安全匿名化
在处理规则上，采用4阶巴特沃斯带通滤波器（通常为20-450Hz）消除低频漂移与高频噪声，确保信号频谱纯净；利用50Hz陷波器剔除环境电磁干扰。在特征提取阶段，采用重叠滑动窗口技术将连续信号切分为独立分析单元，计算时频域特征。
三、数据内容描述
处理完成后的数据集为结构化的肢体动作特征矩阵，主要包含以下内容：一是时域特征指标，反映肌肉收缩强度的RMS和MAV，以及描述信号复杂度的WL和ZC；二是频域能量分布特征，用于表征肌肉疲劳度及运动单位募集情况；三是动作类别标签，涵盖手臂抬起、弯曲、伸展及腿部抬起、伸展等多种标准动作。该数据集通过统一量纲后的多维特征向量，刻画了不同肢体动作背后的肌肉激活模式，为下游的运动意图识别和人机交互模型提供了高质量、安全合规的输入支撑。
sample_id: 样本唯一识别码。
emg_rms: 均方根值，反映肌肉收缩的物理强度与有效功率
emg_mav: 平均绝对值，用于评估肌电信号的整体活动水平
emg_waveform_length: 波形长度，描述信号在时间窗口内的累积复杂度和波动性。
emg_zero_crossing: 过零率，指信号经过零点的次数，反映信号的频率特性。
emg_mean_frequency: 平均频率，频域特征指标，常用于评估肌肉疲劳状态
emg_activation_level: 肌肉激活程度，经归一化处理后的相对收缩强度指标。
limb_action_label: 肢体动作标签，“手臂抬起”为 Arm_Raise；“手臂弯曲”为 Arm_Bend；“手臂伸展”为 Arm_Extension；针对下肢动作，“腿部抬起”标注为 Leg_Raise；“腿部伸展”标注为 Leg_Extension
feature_version: 特征算法版本号。
浙江省数据知识产权登记平台2026-08-08 更新10
微环谐振光谱数据集
本数据集主要用于微环谐振光谱分析算法和光子传感系统的研发、训练及性能验证。通过对光谱波长、光强响应、噪声水平和谐振中心波长等数据进行处理，可解决微环谐振光谱中谐振峰自动识别、中心波长定位、弱信号提取、噪声干扰抑制以及不同样本间波长漂移量计算等问题，为待测物折射率变化和浓度变化的定量分析提供数据基础。
在具体应用中，该数据集可用于生物医学检测中的蛋白质、葡萄糖、抗体等生物标志物响应分析；环境监测中的水体污染物浓度变化识别；食品安全检测中的目标成分筛查和浓度反演；工业过程检测中的材料折射率、溶液浓度及工艺状态变化监测。同时，可用于微环谐振光子传感芯片的结构优化、光谱解调算法训练、无光谱仪数字化读出模型开发及传感系统稳定性验证，从而提高谐振中心识别精度、复杂噪声条件下的信号提取能力和检测结果的一致性。
浙江省数据知识产权登记平台2026-07-28 更新20
肌电信号肢体动作分类数据
(如手臂抬起、手臂弯曲、腿部抬起等)产生的肌电信号进行特征提取与模式分析，可识别不同动作对应的肌肉激活特征模式。该数据可应用于神经康复训练系统中的动作评估与训练反馈、人机交互系统中的动作控制识别、假肢控制系统中的动作意图识别以及智能运动监测设备中的动作分析等场景。通过对肌电特征数据的分类分析，可辅助相关系统实现对用户肢体动作的自动识别与控制指令生成。
浙江省数据知识产权登记平台2026-07-23 更新20
脑电信号注意力水平评估特征数据
本数据基于多频段功率特征与频谱复杂度指标，对个体的注意力水平进行量化分析，可广泛应用于智能康复训练、学习与认知评估、脑机接口人机交互以及驾驶与操作安全监测等场景。在实际系统中，通过实时采集EEG信号并计算注意力指数与频谱熵等特征，实现对用户专注程度的动态监测与分级判定，从而为任务难度自适应调整、神经反馈干预以及风险预警提供数据支持。一、加工前的数据说明
原始数据为 18-65 岁健康人群的非侵入式脑电信号，采集于室内静态注意力任务场景（温度 18-26℃、电磁干扰≤30dB），通过多通道采集连续时域信号（采样率≥256Hz），单采集周期 5-10 分钟（含静息校准、注意力任务执行阶段，任务含持续性注意测试、选择性注意分辨等类型）。
二、处理规则
预处理：采用 0.5-40Hz 带通滤波去除工频、肌电、眼电干扰，通过独立成分分析剔除伪迹，保留信噪比≥15dB 的有效信号段；2. 特征提取：经傅里叶变换计算 δ/θ/α/β/γ 波能量值，通过熵值算法得到谱熵，结合脑电信号节律稳定性分析生成注意力指数，根据任务正确率与信号特征标注专注状态标签；3. 匿名化处理：消除个体生理特征唯一性，确保无法通过算法或数据关联还原原始脑电信号及个人身份；4. 数据筛选：剔除特征值超健康人群注意力状态生理基准区间、任务执行异常的样本，保障数据有效性。
三、数据内容描述
加工后为结构化数据集，可直接作为注意力水平评估算法的输入数据，且无法反向推导原始采集对象。
字段名 中文解释
record_id ：记录编号（用于区分不同采集记录的匿名唯一编号）
channel_id：通道标识（表示脑电信号采集通道编号，例如 CH07，用于区分不同脑电电极位置）
delta_power：δ波能量值（反映低频脑电活动强度，与深度放松、困倦等状态相关）
theta_power：θ波能量值（反映较低频脑电活动强度，用于评估注意力波动、疲劳及认知状态变化）
alpha_power：α波能量值（反映放松与静息状态下的脑电活动水平，常用于评估专注与放松平衡状态）
beta_power：β波能量值（反映较高频脑电活动强度，与注意力集中、认知加工和任务执行相关）
gamma_power：γ波能量值（反映高频脑电活动强度，用于描述高级认知处理与信息整合活动）
spectral_entropy：谱熵（衡量脑电信号频谱复杂度和无序程度，反映脑活动状态的复杂性）
attention_index：注意力指数（指数范围为0-100，[0, 30]对应低注意力状态，(30, 70]对应正常状态，(70, 100]对应高注意力状态）
focus_label：专注状态标签（当前样本对应的注意力水平分类结果，低 / 正常 / 高注意力状态）
浙江省数据知识产权登记平台2026-06-12 更新10
微环谐振峰特征参数数据
本数据集合主要应用于微环谐振光子传感芯片的器件性能评估、谐振特征识别、参数标定、异常状态筛查及检测算法训练。通过对谐振中心波长、半高全宽、品质因子、峰深、拟合优度和谐振模式等特征参数进行联合分析，可解决原始光谱数据量大、谐振特征难以直接提取、不同谐振模式难以区分以及器件性能难以量化评价等问题。在光子传感芯片研发与标定过程中，本数据集合可用于识别有效谐振峰，评价谐振器的峰形质量、能量损耗、耦合状态和运行稳定性，为器件结构优化、工艺一致性分析、芯片性能分级及异常谐振模式筛查提供数据依据。（1）加工前的数据说明 本数据集来源于微环谐振光子传感芯片在光谱扫描过程中产生的原始光学响应信号，经峰值检测与信号拟合算法处理后形成结构化特征参数。原始输入为连续波长扫描信号（单位：nm），对应输出为光强响应（单位：dB）。当光波在微环谐振器中发生共振时，会在特定波长位置形成明显的能量下降（谐振谷），该位置即为“谐振中心波长”。每一个数据记录对应一个独立谐振事件（即一个可识别的谐振峰），用于描述该光学结构在不同环境扰动或样本条件下的响应变化。 （2）处理规则 数据通过标准化光谱处理流程生成，主要步骤如下：① 谐振峰定位 对原始光谱曲线进行峰值检测，确定最低点对应的波长位置作为谐振中心波长（单位：nm）。波长越大 → 表示谐振点向长波方向漂移，波长变化通常反映折射率或环境变化。② 峰宽计算（FWHM）：通过拟合曲线计算半高全宽（Full Width at Half Maximum，FWHM，单位：nm）。FWHM 越小，峰越“尖锐”，系统稳定性越高；FWHM 越大，信号越分散，噪声或耦合损耗较高。③ 品质因子计算（Q值）：Q = λ / Δλ，其中：λ = 谐振中心波长（nm），Δλ = FWHM（nm）。Q值越高，表示谐振器能量损耗越低、灵敏度越高；Q > 10⁴：高性能光子器件水平，Q < 10³：低稳定性或强损耗系统。④ 峰深计算（Peak Depth）：峰深（单位：dB）表示谐振谷相对于背景光强的下降幅度。数值越“负”（绝对值越大）， 信号越明显；峰深越大 → 检测信号越清晰，抗干扰能力越强。⑤ 拟合优度（R²）：用于衡量光谱拟合曲线与真实信号的匹配程度，无单位。R² ≈ 1， 拟合非常精确；R² < 0.9， 拟合误差较大；本数据集 R² ≥ 0.85，符合工程可用范围。⑥ 谐振模式编号（mode_index）：用于区分不同谐振模式：1，基模（主谐振模式，最稳定，数据质量最高）；2，高阶模式（轻微扰动）；3，混合模式（复杂耦合或多峰叠加，信号复杂度最高，难度最大）。 （3）数据内容描述：record_id（记录编号），sample_id（样本编号），resonant_wavelength_nm（谐振中心波长），fwhm_nm（峰宽），q_value（品质因子），peak_depth_db（峰深），r2（拟合优度），mode_index（谐振模式类别）。
浙江省数据知识产权登记平台2026-08-08 更新00
基于眨眼伪迹的脑电信号数据集
该数据集主要应用于脑电信号伪迹识别、信号预处理优化以及脑机接口系统中的信号净化任务。在算法层面，可用于训练监督学习模型，如支持向量机、随机森林以及轻量级神经网络模型，用于实现眨眼伪迹的自动检测与分类。此外，该数据也可用于验证脑电信号在低信噪比条件下的鲁棒性与稳定性分析。一、加工前的数据说明
本数据集来源于3名健康受试者（S01–S03），所有受试者均签署数据采集与使用授权协议。数据采集在实验室环境下进行，使用可穿戴非侵入式脑电采集设备，通过多通道电极采集脑电信号。采集过程中，受试者按照实验范式完成眨眼任务（包括自然眨眼与自主控制眨眼），同时记录静息状态脑电信号作为对照数据。脑电信号采样率为256 Hz，数据通过无线蓝牙模实时传输至计算机终端进行存储。原始数据以连续时间序列形式记录，并在采集后进行统一编号与时间对齐处理。
二、数据处理规则说明
原始脑电信号首先进行基础预处理，包括带通滤波用于去除低频漂移与高频噪声，其频率范围设置为0.5–40 Hz。随后采用滑动时间窗口对连续信号进行分段处理，每个窗口长度为2秒，重叠率为50%，以增强样本密度与时间连续性。眨眼事件通过阈值检测与人工校验相结合的方法进行标注，确保标签准确性，其中label=1表示眨眼伪迹，label=0表示非眨眼状态。数据进一步计算统计特征，包括均值（Mean）、标准差（Standard Deviation，STD）与峰值（Peak Value），用于后续机器学习模型训练与分类分析。
三、数据内容与算法规则说明
本数据集包含脑电信号的结构化特征数据与对应标签信息，主要字段包括受试者编号（Subject ID，受试者标识）、时间窗口起始点（Window Start Time，时间片起点）、脑电统计特征（EEG Mean：脑电均值；EEG STD：脑电标准差；EEG Peak：脑电峰值）以及眨眼状态标签（Label）。
浙江省数据知识产权登记平台2026-08-08 更新10
基于眨眼伪迹的脑电信号数据集
该数据集主要应用于脑电信号伪迹识别、信号预处理优化以及脑机接口系统中的信号净化任务。在算法层面，可用于训练监督学习模型，如支持向量机、随机森林以及轻量级神经网络模型，用于实现眨眼伪迹的自动检测与分类。此外，该数据也可用于验证脑电信号在低信噪比条件下的鲁棒性与稳定性分析。
浙江省数据知识产权登记平台2026-07-23 更新00
微环谐振峰特征参数数据
本数据集合主要应用于微环谐振光子传感芯片的器件性能评估、谐振特征识别、参数标定、异常状态筛查及检测算法训练。通过对谐振中心波长、半高全宽、品质因子、峰深、拟合优度和谐振模式等特征参数进行联合分析，可解决原始光谱数据量大、谐振特征难以直接提取、不同谐振模式难以区分以及器件性能难以量化评价等问题。在光子传感芯片研发与标定过程中，本数据集合可用于识别有效谐振峰，评价谐振器的峰形质量、能量损耗、耦合状态和运行稳定性，为器件结构优化、工艺一致性分析、芯片性能分级及异常谐振模式筛查提供数据依据。
浙江省数据知识产权登记平台2026-07-23 更新20
运动想象脑电信号特征数据集
主要应用于脑机接口系统中的运动意图识别与脑电信号解码任务，可用于构建基于脑电信号的分类模型，实现对不同运动想象状态的自动识别。同时，该数据集可应用于神经康复辅助系统开发，用于支持上肢或下肢运动功能障碍患者的辅助控制与训练反馈。在人机交互领域，该数据也可用于开发基于脑电信号的交互控制系统，为智能设备控制提供基础数据支持。此外，该数据集还可用于算法性能评估与模型鲁棒性验证研究。1、加工前的数据说明：
本数据来源于单名健康受试者在受控实验环境下完成的连续脑电信号采集。实验任务包括左手运动想象、右手运动想象以及静息状态三类任务。脑电信号通过可穿戴设备进行连续采集，并以时间序列形式记录。原始数据包含多通道脑电信号记录，每条记录均对应明确的实验任务阶段，并通过时间戳进行同步标记。数据在采集过程中完成初步编号与任务区分，用于后续处理与分析。
2、数据处理规则：
原始脑电信号首先进行带通滤波处理（Band-pass Filtering，带通滤波），用于保留有效脑电频段并去除低频漂移与高频噪声干扰。随后采用滑动时间窗口方法（Sliding Window，滑动窗口切分方法），将连续信号划分为固定长度的时间片段，每个窗口长度为两秒。
每个时间窗口样本根据实验任务进行标签标注（Labeling，数据标注），其中：
left_hand（左手运动想象，用0表示）
right_hand（右手运动想象，用1表示）
rest（静息状态，用2表示）
为提高数据可用性，对每个时间窗口提取统计特征，包括：
eeg_mean（EEG Mean，脑电均值）
eeg_std（EEG Standard Deviation，脑电标准差）
eeg_peak（EEG Peak，脑电峰值）
数据处理过程中对受试者信息进行编号化处理（Subject ID，受试者编号），避免任何直接身份关联信息，从而实现数据去标识化（De-identification，去身份识别处理），确保无法通过可逆方式还原至真实个体。
3、数据内容描述：
处理后的数据由结构化特征字段组成，包括 sample_id（样本编号）、subject_id（受试者编号）、session_id（实验轮次编号）、task_type（任务类型）、window_start（时间窗口起点）、window_end（时间窗口终点）以及脑电统计特征字段。
其中 task_type 包含三种类别：left_hand（左手运动想象）、right_hand（右手运动想象）以及 rest（静息状态），用于描述不同脑电认知任务状态。特征字段 eeg_mean、eeg_std 与 eeg_peak 分别用于表征脑电信号在时间窗口内的平均水平、波动程度以及瞬时峰值变化。
浙江省数据知识产权登记平台2026-06-03 更新50