傳統(tǒng)基于肌電的人機接口研究往往在實驗室理想環(huán)境下采集肌電信號，然而在實際交互應(yīng)用中受到諸多非理想因素干擾，極大降低了肌電識別模型的準確性及交互控制系統(tǒng)的穩(wěn)定性和魯棒性。針對非理想肌電的意圖識別研究有望解決實驗室與實際應(yīng)用之間的鴻溝，具有重要意義，而當前這一領(lǐng)域研究的瓶頸問題是急需大規(guī)模、包含多種非理想情形的肌電信號數(shù)據(jù)集。

　　該研究團隊在國際上首次構(gòu)建了一個非理想手勢肌電信號數(shù)據(jù)集（SeNic），設(shè)計了針對電極偏移、個體差異、不同時段差異、肌肉疲勞、手臂姿態(tài)影響等五種非理想因素干擾的新型采集范式，并對應(yīng)采集了36名被試共計超過100小時的7類手勢肌電信號數(shù)據(jù)。該數(shù)據(jù)集根據(jù)CSV格式標準進行整理并開源（https://github.com/bozhubo/SeNic），提供五種非理想類型肌電數(shù)據(jù)以滿足不同研究者的需求。該項工作為基于非理想肌電信號的意圖識別研究提供了重要的基準數(shù)據(jù)集和技術(shù)支持，將促進肌電交互接口系統(tǒng)的發(fā)展，推動其在神經(jīng)康復(fù)和智能機器人領(lǐng)域的廣泛應(yīng)用。

　　研究團隊長期專注于腦/肌電信號解碼、人機/腦機智能交互等關(guān)鍵技術(shù)及系統(tǒng)研發(fā)，在非理想腦肌電信號識別、運動意圖解碼、肌電交互、腦機接口等方面取得多項創(chuàng)新研究成果。近年來多篇研究成果分別發(fā)表在IEEE Transactions on Neural Systems and Rehabilitation Engineering (2021，2022)、Biomedical Signal Processing and Control (2022)、Frontiers in Neurorobotics (2021)、IEEE Journal of Biomedical and Health Informatics (2021)、Journal of Neural Engineering (2020)、Frontiers in Neuroscience (2018)和IEEE Transactions on Systems Man Cybernetics-Systems (2016)上。

　　該研究工作得到了國家自然科學(xué)基金聯(lián)合基金重點項目、面上項目，遼寧省興遼英才計劃項目的支持。