傳統基于肌電的人機接口研究往往在實驗室理想環境下采集肌電信號，然而在實際交互應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的穩定性和魯棒性。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用之間的鴻溝，具有重要意義，而當前這一領域研究的瓶頸問題是急需大規模、包含多種非理想情形的肌電信號數據集。

　　該研究團隊在國際上首次構建了一個非理想手勢肌電信號數據集（SeNic），設計了針對電極偏移、個體差異、不同時段差異、肌肉疲勞、手臂姿態影響等五種非理想因素干擾的新型采集范式，并對應采集了36名被試共計超過100小時的7類手勢肌電信號數據。該數據集根據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據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據集和技術支持，將促進肌電交互接口系統的發展，推動其在神經康復和智能機器人領域的廣泛應用。

　　研究團隊長期專注于腦/肌電信號解碼、人機/腦機智能交互等關鍵技術及系統研發，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新研究成果。近年來多篇研究成果分別發表在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基金聯合基金重點項目、面上項目，遼寧省興遼英才計劃項目的支持。