杭州澜鑫诺科技有限公司本次登记的数据知识产权肌电信号手部动作识别特征数据，该数据主要用于基于肌电信号的手部动作识别与人机交互控制分析。通过对不同手部动作（如握拳、张开手掌、屈指等）产生的肌电信号进行特征提取和模式分析，可识别不同动作对应的肌肉激活特征模式。 该数据可应用于康复训练设备中的动作识别与训练反馈、人机交互系统中的手势控制识别、假肢控制系统中的动作意图识别以及智能设备中的肌电手势控制等场景。通过对肌电特征数据进行分析，可支持相关系统实现对用户手部动作的自动识别与控制指令生成。加工前的数据来源于肌电信号采集设备采集的表面肌电信号（sEMG）。采集电极贴附于前臂相关肌群位置，在用户执行不同手部动作时实时记录肌肉收缩产生的电位变化。原始数据为连续时间序列信号，包含不同肌群的电活动信息，同时可能受到环境电磁干扰、运动伪迹及个体差异等因素影响，因此需进行标准化预处理与特征提取。 在数据处理过程中，首先对原始 sEMG 信号 (x(t)) 进行带通滤波处理，滤波频段一般设定为 20–450 Hz，用于去除低频运动伪迹及高频噪声；同时结合工频陷波滤波（50 Hz 或 60 Hz）抑制电源干扰。随后采用长度为 (N) 的滑动时间窗口对离散信号序列 (x_i) 进行分段处理，并提取以下关键特征： 均方根值（RMS），用于表征肌肉激活强度和信号能量水平。 平均绝对值（MAV），用于反映肌电信号平均幅值特征。 波形长度（Waveform Length, WL），用于描述信号波形复杂度及变化程度。 过零点数（Zero Crossing, ZC），用于反映信号频率变化特征。 中值频率（Median Frequency, MDF），基于功率谱密度 (P(f)) 计算。 肌肉激活水平（Activation Level），基于 RMS 特征经归一化处理获得。 最终，将上述时域及频域特征进行归一化处理后构建多维特征向量。 该特征向量用于描述不同手部动作对应的肌肉激活模式，并通过监督学习分类算法生成动作标签（如握拳、手腕伸展、手腕屈曲等），形成最终的动作识别特征数据。
登记内容：
_1769672084863.jpg)