K2MUSE: A human lower limb multimodal dataset under diverse conditions for facilitating rehabilitation robotics
作者: Jiwei Li, Bi Zhang, Xiaowei Tan, Wanxin Chen, Zhaoyuan Liu, Juanjuan Zhang, Weiguang Huo, Jian Huang, Lianqing Liu, Xingang Zhao
分类: cs.RO, cs.AI, cs.HC
发布日期: 2025-04-20
备注: 23 pages, 13 figures,4 tables
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
K2MUSE：用于康复机器人的多模态人体下肢运动数据集
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 下肢运动 多模态数据集 康复机器人 生物力学 肌电图 超声成像 步态分析
📋 核心要点
- 现有下肢数据集缺乏多模态数据和大规模步态样本，难以有效支持数据驱动的康复机器人研究。
- K2MUSE数据集通过同步采集运动学、动力学、超声和肌电等多模态数据，全面记录下肢运动。
- 该数据集包含不同坡度、速度和非理想条件下的数据，更贴近真实应用场景，具有重要研究价值。
📝 摘要（中文）
本文提出了K2MUSE数据集，旨在为下肢康复机器人的开发提供支持。该数据集包含全面的多模态数据，包括运动学、动力学、幅度模式超声(AUS)和表面肌电图(sEMG)测量。数据集涵盖了30名健康参与者在不同坡度（0°，±5°和±10°）、不同速度（0.5 m/s，1.0 m/s和1.5 m/s）以及不同非理想采集条件（肌肉疲劳、电极移位和日间差异）下的下肢运动数据。运动学和地面反作用力数据通过Vicon运动捕捉系统和带有嵌入式测力台的测力跑台采集，而sEMG和AUS数据则同步记录双侧下肢的13块肌肉。该数据集为设计康复机器人的控制框架和进行下肢运动的生物力学分析提供了一个新的资源。
🔬 方法详解
问题定义：现有下肢数据集在多模态数据覆盖和数据规模上存在不足，难以满足数据驱动的康复机器人研究需求。此外，真实应用场景中存在的采集干扰（如肌肉疲劳、电极移位等）也被现有数据集所忽略，导致模型泛化能力受限。
核心思路：通过构建一个包含多种模态数据的大规模下肢运动数据集，并模拟真实应用场景中的非理想采集条件，为康复机器人的控制策略设计和生物力学分析提供更可靠的数据基础。核心在于数据的全面性和真实性。
技术框架：K2MUSE数据集的构建主要包括以下几个阶段：1) 招募30名健康受试者；2) 设计实验方案，包括不同的坡度、速度和非理想采集条件；3) 使用Vicon运动捕捉系统、测力跑台、sEMG和AUS设备同步采集运动学、动力学、肌电和超声数据；4) 对采集到的数据进行预处理和标注，形成最终的数据集。
关键创新：K2MUSE数据集的关键创新在于其多模态数据的全面性和对非理想采集条件的模拟。与现有数据集相比，K2MUSE不仅包含了运动学和动力学数据，还同步采集了sEMG和AUS数据，能够更全面地反映下肢运动的生物力学特征。此外，K2MUSE还考虑了肌肉疲劳、电极移位和日间差异等非理想采集条件，更贴近真实应用场景。
关键设计：在实验设计方面，选择了0°，±5°和±10°的坡度以及0.5 m/s，1.0 m/s和1.5 m/s的速度，以覆盖不同的步态模式。为了模拟非理想采集条件，设计了肌肉疲劳诱导方案、电极移位操作，并进行了多日数据采集。sEMG和AUS数据采集选择了双侧下肢的13块肌肉，以尽可能全面地覆盖下肢肌肉活动。
🖼️ 关键图片
📊 实验亮点
K2MUSE数据集包含30名受试者在多种条件下的多模态数据，包括运动学、动力学、sEMG和AUS。通过模拟肌肉疲劳、电极移位等非理想条件，该数据集更贴近真实应用场景。该数据集为康复机器人控制和生物力学分析提供了宝贵的数据资源，有望推动相关领域的研究进展。
🎯 应用场景
K2MUSE数据集可广泛应用于下肢康复机器人控制策略的设计、步态分析、生物力学建模等领域。通过利用该数据集，研究人员可以开发更智能、更自然的康复机器人控制算法，提升康复训练的效果和患者的体验。此外，该数据集还可以用于研究不同运动条件下肌肉的活动模式，为运动科学研究提供数据支持。
📄 摘要（原文）
The natural interaction and control performance of lower limb rehabilitation robots are closely linked to biomechanical information from various human locomotion activities. Multidimensional human motion data significantly deepen the understanding of the complex mechanisms governing neuromuscular alterations, thereby facilitating the development and application of rehabilitation robots in multifaceted real-world environments. However, currently available lower limb datasets are inadequate for supplying the essential multimodal data and large-scale gait samples necessary for effective data-driven approaches, and they neglect the significant effects of acquisition interference in real applications.To fill this gap, we present the K2MUSE dataset, which includes a comprehensive collection of multimodal data, comprising kinematic, kinetic, amplitude-mode ultrasound (AUS), and surface electromyography (sEMG) measurements. The proposed dataset includes lower limb multimodal data from 30 able-bodied participants walking under different inclines (0$^\circ$, $\pm$5$^\circ$, and $\pm$10$^\circ$), various speeds (0.5 m/s, 1.0 m/s, and 1.5 m/s), and different nonideal acquisition conditions (muscle fatigue, electrode shifts, and inter-day differences). The kinematic and ground reaction force data were collected via a Vicon motion capture system and an instrumented treadmill with embedded force plates, whereas the sEMG and AUS data were synchronously recorded for thirteen muscles on the bilateral lower limbs. This dataset offers a new resource for designing control frameworks for rehabilitation robots and conducting biomechanical analyses of lower limb locomotion. The dataset is available at https://k2muse.github.io/.