sEMG数据集Ninapro解读和处理

1、数据集介绍

做sEMG信号的常用数据集是NinaPro（http://ninapro.hevs.ch/），目前包含DB[1-10]个完整数据集，其中包含截肢者和非截肢者的sEMG信号文件。所有数据集的描述都类似，熟悉单个数据集的数据组成即可，该文主要以NinaproDB1数据集来介绍。

2、NinaproDB1

该 DB1数据集包括 27 名完整受试者重复 52 次手部动作以及休息位置时的表面肌电图和运动学数据。

3、采集设备

sEMG 数据使用 10 个 Otto Bock MyoBock 13E200 电极获取，而运动学数据使用 Cyberglove 2 数据手套获取。

4、采集动作

该数据集包括 52 个不同动作的10次重复。受试者被要求重复在笔记本电脑屏幕上以电影形式显示的动作。

实验分为三个练习：

• 手指的基本动作。

• 等距、等张的手部配置和基本的手腕运动。

• 抓握和功能性动作。

5、文件数据描述

下载其中s1受试者的数据文件，解压后：

可以使用matlab或者python来读取文件内容。使用matlab直接双击mat文件就可以在变量区获得数据了，这里仅演示用python来读取文件数据。

# 安装所需要的库：pip install scipy

import scipy.io as scipy

path = '你的mat文件路径'
file = scipy.loatmat(path)

# file是个字典类型，查看所有的键值
print(file.keys())

# 输出：
dict_keys(['__header__', '__version__', '__globals__', 'emg', 'stimulus', 'glove', 'subject', 'exercise', 'repetition', 'restimulus', 'rerepetition'])

接下来解释每个键的含义：

1. __header__：文件头信息，包含文件创建时间等信息。
2. __version__：文件版本信息。
3. __globals__：为空，对后续实验没影响。
4. emg：是一个二维矩阵，横坐标是时间戳，纵坐标代表通道，S1_A1_E1.mat的emg数据形状为(101014, 10)，第 1-8 列是在桡肱关节高度处围绕前臂等距分布的电极。第 9 列和第10列包含来自指浅屈肌和伸肌的主要活动点的信号。
5. stimulus：是一个二维矩阵，横坐标是时间戳，纵坐标仅有一列，值代表受试者根据所显示的电影重复的动作。
6. glove：是一个二维矩阵，横坐标是时间戳，纵坐标代表（22个）通道。网络手套 22 个传感器的未校准信号。
7. subject：受试者编号。
8. exercise：训练编号，前面说了DB1共有三个训练，这个就是三个训练的编号。
9. repetition：是一个二维矩阵，横坐标是时间戳，纵坐标仅有一列。代表每个时间戳所对应手势重复执行的次数，最大为10，最小为0，0表示休息阶段。
10. restimulus：是一个二维矩阵，横坐标是时间戳，纵坐标仅有一列。每个值表示训练A、B、C的手势编号。具有事后细化的运动标签的持续时间，以便更好地对应于真实的运动。可以作为手势分类标签来用。
11. rerepetition：与repetition有相似的含义，是一个二维矩阵，横坐标是时间戳，纵坐标仅有一列。代表每个时间戳所对应手势重复执行的次数，最大为10，最小为0，0表示休息阶段。

6、数据处理

6.1 获取数据

data = file['emg']      # (times, channel)
label = file['restimulus']  # (times, 1)

6.2 数据处理

data中包含很多休息段的semg数据，我们可以根据label来获取休息段的下标值，之后根据下标值来获取data中所有活动段的数据。

active_index = (label != 0).flatten()
data = data[active_index]
label = label[active_index]

6.3 特征提取

import numpy as np
'''
    feature: 
        平均绝对值MAV, 加权平均绝对值WMAV, 斜率符号变化
        过零点率ZC, 威利森幅值WA, 波形长度WL, 均方根RMS
        标准差STD, 简单方形积分SSI, 方差VAR, 平均幅度改变AAC
        均值MEAN
'''

def MAV(data):
    '''
        data.shape: (n, ch)
        return shape: (ch, )
    '''
    return np.mean(np.abs(data), axis=0)

def WMAV(data):
    n = data.shape[0]
    w = np.logical_and(0.25*n <= data, data <= 0.75*n)
    w = np.where(w, 1.0, 0.5)
    return np.mean(w * np.abs(data), axis=0)

def SSC(data, threshold=10e-7):
    delta = np.flip(np.diff(np.flip(data, axis=0), axis=0)[:-1], axis=0) * \
            np.diff(data, axis=0)[:-1]
    return np.sum(np.where(delta >= threshold, 1.0, 0.), axis=0)

def ZC(data, threshold=10e-7):
    abs_diff = np.abs(np.diff(data, axis=0))
    sign = np.diff(np.sign(data), axis=0)
    log = np.logical_and(sign != 0, abs_diff > threshold)
    return np.sum(log, axis=0)

def WA(data, threshold=10e-7):
    return np.abs(np.fft.fft2(data))**2

def WL(data):
    return np.sum(np.abs(np.diff(data, axis=0)), axis=0)

def RMS(data):
    return np.sqrt(np.mean(data**2, axis=0))

def STD(data):
    return np.std(data, axis=0)

def SSI(data):
    return np.sum(data**2, axis=0)

def VAR(data):
    return np.var(data, axis=0)

def AAC(data):
    return np.mean(np.diff(data, axis=0), axis=0)

def MEAN(data):
    return np.mean(data, axis=0)

6.4 信号的降噪

sEMG有效信号处于20-300Hz之间，可以用巴特沃斯滤波器进行处理，并采用50Hz的陷波滤波器消除工频干扰。

from scipy.signal import butter, filtfilt, iirnotch

# 4阶的巴特沃斯滤波器，20-300Hz滤波
def butter_bandpass_filter(data, lowcut=20, highcut=300, fs=1024, order=4):
    nyquist = 0.5 * fs
    low = lowcut / nyquist
    high = highcut / nyquist
    b, a = butter(order, [low, high], btype='band')
    y = filtfilt(b, a, data)
    return y

# 定义50 Hz 陷波滤波器函数
def notch_filter(data, cutoff=50.0, Q=30.0, fs=1024):
    nyquist = 0.5 * fs
    freq = cutoff / nyquist
    b, a = iirnotch(freq, Q)
    y = filtfilt(b, a, data)
    return y

7、踩坑

7.1 标签无法对应的问题

有数据集的文件存在手势标签不对的情况，这里建议每次读取label后，打印一下包含哪类标签值。训练A、B、C和D文件的标签一定要对应上手势数量，需要进行后面的处理。

unique_labels = np.unique(label)
print(unique_labels)

# 由于我读取的是训练1的文件，因此包含12个手势标签，这里是没问题的
# 输出：
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12], dtype=uint8)

7.2 restimulus键缺失

使用stimulus代替即可。

之后怎么处理可以根据自己的实验来进行，如果需要帮助可在评论区留言，记得点赞+收藏+关注哦😀！