肌电信号分类数据集与代码：从切窗到LDA基线的可复现流水线

简介这份资源面向生物医学工程、康复医学与人机交互方向的学习者和研究者围绕表面肌电信号sEMG分类任务提供从特征抽取到分类器训练的完整实践材料。压缩包共7个文件以6个Python脚本和1个数据压缩包为主整体约14.8MB脚本分别对应主成分分析、支持向量机递归消除法、相关性热力图等特征处理方法以及KNN、SVM、随机森林三种分类算法的实现数据包则用于训练与测试。已有537人学习下载。读者可借助这些代码理解PCA降维去噪、SVM-RFE特征筛选与相关性热力图去冗余的具体思路并对比不同分类器在小样本、高维肌电数据上的表现进而将整套流程迁移到假肢控制、运动分析或医疗诊断等实际课题中适合具备一定机器学习基础、希望快速上手sEMG分类实验的读者参考。1. 肌电信号分类数据集与代码从一段手臂信号到可复现的分类流水线肌电信号分类数据集及相关代码这个标题背后其实是一条很典型的落地链路把表面肌电sEMG采集下来切成窗口提特征或直接喂给模型最后输出手势/动作类别。它解决的不是能不能分类这种虚问题而是我手上有一批肌电数据怎么整理成数据集、怎么跑通一个能复现的基线。适合两类人做康复辅具、假肢控制、人机交互的嵌入式与算法工程师以及想拿肌电做课程设计或论文实验的学生。热搜里肌电信号分类数据集代码三个词恰好对应了这条链路的三个卡点——信号怎么读、标签怎么对齐、代码怎么组织。我做过几轮这类项目最深的体会是模型从来不是瓶颈数据切分和标签对齐才是。下面按数据集长什么样 → 特征与模型怎么选 → 代码怎么落地 → 坑在哪的顺序讲透。2. 肌电分类数据集到底长什么样通道、采样率与标签对齐2.1 一条 sEMG 记录里到底有哪些字段先别急着写模型先把一条记录拆开看。表面肌电是贴在皮肤上的电极采集到的肌肉电活动本质是一段随时间变化的电压序列幅度通常在微伏到毫伏级。一个典型的数据集每条样本至少包含这几样东西多通道的原始信号常见 4、8、16 通道、采样率常见 1000Hz 或 2000Hz、每个通道对应的电极位置、以及最关键的——动作标签和它的时间区间。很多人第一次拿到数据会懵为什么信号是一大段连续的标签却是一个个离散的动作名因为采集时通常是做一次动作停一下再做下一次中间有静息段。所以数据集的组织方式一般是一段连续信号 一张事件表event table事件表里记录每个动作的起始采样点和类别。分类任务要做的就是把连续信号按事件表切成一个个窗口再打上标签。这里有个容易被忽略的点标签对齐的精度直接决定上限。如果事件表的时间戳和信号起点差了 200ms在 1000Hz 下就是 200 个采样点的偏移切出来的窗口可能一半是上一个动作的尾巴。我一般会先画一段信号叠上事件标记肉眼确认对齐再往下做。2.2 采样率、窗口长度、重叠率三个参数怎么定这三个参数是肌电分类里最常被问、也最容易拍脑袋定的。给一组我实际用过的经验值再解释为什么。参数常用取值说明采样率1000 Hz肌电主要能量在 20–450Hz1000Hz 满足奈奎斯特且不浪费窗口长度150–250 ms太短特征不稳太长动作切换会糊在一起重叠率50%–75%增加样本量缓解小数据集过拟合滤波带通20–450 Hz去运动伪迹和工频干扰窗口长度为什么是 150–250ms因为肌电的幅值和频率特征需要一定时间才能稳定统计出来。窗口短于 100msRMS、MAV 这类时域特征抖动很大窗口长于 300ms快速动作切换时一个窗口里混了两个动作标签就脏了。重叠率则是小数据集的救命稻草——原始采集可能只有几百次动作重叠切窗后样本量能翻几倍。采样率不是越高越好。有人觉得 4000Hz 更精细但肌电有效频带就那么多高采样率只会带来更多数据量和工频噪声训练还更慢。1000Hz 是绝大多数公开数据集和商用采集设备的选择跟着走不会错。2.3 从连续信号到监督样本的最小切分脚本下面这段代码做一件事读入一段连续信号和事件表按窗口切分并打标签。这是整条流水线的地基写清楚后面才好复用。import numpy as np def segment_emg(signal, events, fs1000, win_ms200, overlap0.5): signal: (n_samples, n_channels) 连续肌电信号 events: list of dict, 每项 {onset: 起始采样点, label: 类别} fs: 采样率 win_ms: 窗口长度(毫秒) overlap: 重叠率 0~1 返回 X: (n_windows, win_len, n_channels), y: (n_windows,) win_len int(fs * win_ms / 1000) step int(win_len * (1 - overlap)) # 滑动步长 X, y [], [] for ev in events: start ev[onset] # 每个事件只取一个动作段长度按经验取 1 秒 end start fs seg signal[start:end] if len(seg) win_len: continue for s in range(0, len(seg) - win_len 1, step): X.append(seg[s:s win_len]) y.append(ev[label]) return np.array(X), np.array(y)逻辑说明外层遍历每个动作事件内层在动作段内滑动切窗。step由重叠率决定overlap0.5 时步长是窗口的一半。参数上win_ms和overlap就是 2.2 里说的那两个关键值fs必须和采集时一致否则窗口长度会算错。失败时先看什么如果X为空多半是end - start小于win_len说明动作段太短或采样率填错了。这个函数不涉及任何模型但它是后面所有实验的前提值得单独测一遍。3. 特征工程还是端到端肌电分类的模型选型与基线3.1 时域频域特征为什么至今没被深度学习淘汰肌电分类有两条路线一条是手工特征 传统分类器SVM、LDA、随机森林另一条是原始信号直接喂 CNN/LSTM。热搜里分类数据集代码往往让人以为必须上深度学习但实际项目里手工特征路线在中小数据集上经常打赢深度学习。原因很实在肌电公开数据集普遍不大一个受试者几百到几千个样本深度学习容易过拟合而时域特征MAV、RMS、WL、ZC和频域特征中值频率、平均功率频率是有物理意义的泛化更稳。我一般会先跑一个特征 LDA的基线如果它已经到 90% 以上深度学习提升空间有限就没必要上大模型。常用特征里RMS均方根反映信号能量和肌肉发力大小强相关WL波形长度反映信号复杂度ZC过零率反映频率特性。这几个组合起来配合一个线性判别分析就是很扎实的基线。3.2 用 RMSMAV 特征跑通一个 LDA 基线下面这段代码把切好的窗口转成特征再训练一个 LDA。这是我最推荐的第一个可复现实验。import numpy as np from sklearn.discriminant_analysis import LinearDiscriminantAnalysis from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score def extract_features(X): X: (n_windows, win_len, n_channels) - (n_windows, n_channels*2) feats [] for w in X: rms np.sqrt(np.mean(w ** 2, axis0)) # 每通道 RMS mav np.mean(np.abs(w), axis0) # 每通道 MAV feats.append(np.concatenate([rms, mav])) return np.array(feats) X_feat extract_features(X) X_tr, X_te, y_tr, y_te train_test_split( X_feat, y, test_size0.3, random_state42, stratifyy) clf LinearDiscriminantAnalysis() clf.fit(X_tr, y_tr) pred clf.predict(X_te) print(accuracy:, accuracy_score(y_te, pred))逻辑说明extract_features对每个窗口的每个通道算 RMS 和 MAV拼成一个特征向量。stratifyy保证训练测试集类别比例一致这对类别不均衡的肌电数据很重要。参数上test_size0.3是常规起点如果样本很少可以降到 0.2。失败时看什么如果准确率异常高比如 99%先怀疑数据泄漏——同一个动作段切出的窗口同时进了训练和测试集。正确做法是按动作段或受试者划分而不是按窗口随机划分这一点在 5.1 会展开。3.3 什么时候该上 CNN端到端路线的适用边界如果你的数据量够大比如多个受试者、上万样本或者要做跨受试者泛化端到端 CNN 值得一试。典型结构是几层一维卷积 池化 全连接输入就是原始窗口。它的优势是省去手工特征能学到人没设计出来的模式代价是需要更多数据和调参。我的判断标准很简单单受试者、样本少于 2000先用手工特征多受试者、要做迁移再考虑 CNN 或迁移学习。别一上来就搭 ResNet肌电信号不是图像通道数少、时序性强一维卷积足够。常见做法是把每个通道当独立序列卷积核沿时间轴滑动最后全局池化。4. 代码工程化数据集封装、训练循环与复现要点4.1 把切分逻辑封装成可复用的 Dataset实验能跑通不代表能复现。真正要交付的代码应该把数据加载、切分、特征提取封装成清晰的模块。下面是一个最小但完整的 PyTorch Dataset 封装方便切换到深度学习路线。import torch from torch.utils.data import Dataset class EmgDataset(Dataset): def __init__(self, X, y, transformNone): # X: (n, win_len, n_channels), y: (n,) self.X torch.tensor(X, dtypetorch.float32).permute(0, 2, 1) # - (n, ch, len) self.y torch.tensor(y, dtypetorch.long) self.transform transform def __len__(self): return len(self.y) def __getitem__(self, idx): x self.X[idx] if self.transform: x self.transform(x) return x, self.y[idx]逻辑说明permute(0, 2, 1)把维度从(样本, 时间, 通道)转成(样本, 通道, 时间)这是一维卷积的标准输入格式通道在前。参数上dtype用 float32 是训练默认标签用 long 才能进交叉熵损失。这个封装的好处是切分逻辑和模型解耦换模型不用动数据代码。失败时看什么如果训练报维度错误八成是 permute 方向搞反了打印一下x.shape确认。4.2 训练循环里必须固定的随机种子与划分策略复现性在肌电项目里特别重要因为数据量小随机划分不同结果能差十几个百分点。我一般会固定三样东西Python/NumPy/PyTorch 的随机种子、数据划分方式、以及归一化参数的来源。import random, numpy as np, torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) set_seed(42)逻辑说明这个函数把各库的随机源统一固定。注意归一化必须用训练集的均值和方差再应用到测试集否则测试集信息泄漏指标虚高。参数上seed 取多少不重要重要的是全程一致。失败时看什么如果两次运行结果还是不同检查有没有用到没固定的库或者 DataLoader 的 shuffle 没设种子。4.3 交叉验证与受试者独立划分怎么选单次划分的评估方差太大尤其是小数据集。常见做法是 k 折交叉验证k 取 5 或 10。但肌电有个特殊点如果目标是跨受试者泛化必须做留一受试者交叉验证LOSO即每次留一个受试者的数据做测试其余受试者训练。这两种评估回答的是不同问题——k 折回答同一批人内部分类行不行LOSO 回答换个人还能不能用。我见过太多论文只报 k 折结果实际部署换个人就崩。如果你的项目要落地到真实用户LOSO 才是该看的指标。代价是训练次数多、耗时长但这是必要的诚实。5. 避坑与排查肌电分类里最容易翻车的五件事5.1 数据泄漏窗口随机划分导致的虚高准确率现象准确率轻松到 98% 以上但换个数据集或换个人就掉到 60%。原因同一个动作段切出的多个窗口高度相关随机划分时它们同时进了训练和测试集模型等于在背答案。解决按动作段或受试者划分保证同一段的所有窗口只出现在一个集合里。用GroupShuffleSplit或手动按事件分组。5.2 工频干扰没滤干净50Hz 噪声让特征失真现象频谱图上 50Hz 处有个尖峰模型对某些类别特别敏感。原因市电工频干扰通过电极和导线耦合进信号没做陷波。解决带通滤波 20–450Hz 之后再加一个 50Hz 陷波notch。用 scipy 的iirnotch即可注意陷波带宽别太宽否则会削掉有用频段。5.3 电极偏移与通道顺序错乱现象训练好的模型换一次采集就失效或者某些通道特征明显异常。原因电极贴的位置和上次不一致或者多通道数据的通道顺序在读取时被打乱。解决采集时用固定模板标记电极位置读数据时核对通道顺序最好在数据集里显式记录通道名。这个坑没有代码能救只能靠流程规范。5.4 类别不均衡导致模型偏向多数类现象整体准确率还行但少数类几乎全错。原因某些动作采集次数远多于其他动作。解决训练时用类别权重class_weightbalanced或者对少数类做过采样。评估时别只看准确率看混淆矩阵和每类召回率。5.5 归一化用了全体数据现象离线评估很好在线部署时输入分布一变就崩。原因归一化时用了包含测试集的全体数据统计量测试集信息泄漏。解决只用训练集算均值和方差保存下来推理时用同一组参数。这是工程上线的基本纪律。6. 进阶技巧用受试者自适应把跨人准确率拉回来前面反复提到跨受试者是肌电分类最大的难点。这里给一个我实际用过、性价比很高的技巧受试者自适应subject adaptation。思路不复杂——先用其他受试者的数据训练一个基础模型再用目标受试者的少量标注数据做微调或校准。具体做法有两种。第一种是微调冻结前面的卷积层只训练最后的分类层用目标受试者 10%–20% 的数据通常能把 LOSO 准确率提升 10 个点以上。第二种更轻量叫均值对齐把目标受试者无标签数据的特征均值对齐到训练集的均值上不需要任何标签就能缓解分布偏移。def align_features(X_target, X_source): 无标签对齐把目标域特征平移到源域均值 mu_s X_source.mean(axis0) mu_t X_target.mean(axis0) return X_target - mu_t mu_s逻辑说明这个函数只做均值平移假设两个域的协方差相近。参数上不需要调但前提是目标域数据要覆盖各类动作否则均值估计有偏。失败时看什么如果对齐后反而变差说明两个域差异不只是均值偏移得考虑更复杂的对齐方法。验证自适应是否有效别只看一个受试者。至少取 3–5 个受试者做 LOSO对比自适应前后的准确率。我一般会画一张表行是受试者列是无自适应/微调/均值对齐一眼就能看出哪种方法在哪些人身上有效。经验是受试者之间差异越大自适应收益越明显如果所有人数据本来就接近收益有限别硬上。最后说个习惯。我做肌电项目永远先跑通切窗 RMS/MAV LDA这条最土的基线把它当作标尺。后面不管上什么花哨模型都得先赢过这个基线否则就是自欺欺人。数据划分、归一化、随机种子这三样每次实验前先固定好别等结果对不上才回头查。肌电这行没有银弹把数据对齐和评估做扎实比换十个模型都管用。希望帮到你。本文还有配套的精品资源点击获取