Загрузка
Загружаем соревнования
В этом соревновании вам предстоит работать с временными рядами электромиографии (ЭМГ) и движений пальцев кисти.
Датасет содержит записи электрической активности мышц предплечья и соответствующие им углы суставов. Ваша задача — построить модель, которая по сигналам ЭМГ сможет предсказывать эти углы.
Данные получены от одного участника в разные дни и в нескольких сеансах записи. Это позволяет исследовать не только качество предсказаний на знакомых данных, но и способность модели работать с новыми записями.
Каждая запись представляет собой отдельный временной ряд с частотой дискретизации около 500 Гц.
Для обучающих записей доступны два массива:
Данные | Форма массива | Описание |
|---|---|---|
ЭМГ |
| Шесть каналов электрической активности мышц |
Углы |
Датасет ограничен
CSV67,5 МБ5 строк12 колонок
| # | row_idobject | recording_idobject | sample_indexobject | angle_00object | angle_01object | angle_02object | angle_03object | angle_04object | angle_05object | angle_06object | angle_07object | angle_08object |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 0 | rec_0e6eb624b58117aa | 1000 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 2 | 1 | rec_0e6eb624b58117aa | 1001 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 3 | 2 | rec_0e6eb624b58117aa | 1002 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 4 | 3 | rec_0e6eb624b58117aa | 1003 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| 5 | 4 | rec_0e6eb624b58117aa | 1004 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
Первые 5 строк · только просмотр
(T, 20)
Двадцать углов суставов кисти в радианах |
Здесь T — количество временных отсчётов в записи.
Каждая строка массива ЭМГ соответствует одному моменту времени и содержит шесть значений — по одному на канал.
Соответствующая строка массива углов содержит положение пяти пальцев в этот же момент времени.
Важно:
.npy с типом float64.float32.Данные предоставляются в двух пакетах, соответствующих этапам соревнования.
После распаковки обоих пакетов в общую папку структура будет следующей:
data/
├── train/
│ ├── signals/
│ │ ├── rec_....npy
│ │ └── ...
│ ├── targets/
│ │ ├── rec_....npy
│ │ └── ...
│ ├── metadata.csv
│ └── angle_info.json
│
├── phase1_test/
│ ├── rec_....npy
│ └── ...
│
├── test/
│ ├── rec_....npy
│ └── ...
│
├── phase1_sample_submission.csv
└── phase2_sample_submission.csvПапка test/ и файл phase2_sample_submission.csv становятся доступны на втором этапе.
train/Обучающая выборка содержит 80 записей, для каждой из которых доступны:
train/signals/ — массив ЭМГ формы (T, 6);train/targets/ — соответствующий массив углов формы (T, 20).Сигналы и углы сопоставляются по имени файла.
Например:
train/signals/rec_abc123.npy
train/targets/rec_abc123.npyЭти файлы относятся к одной записи. Их первые измерения (axis=0) соответствуют одним и тем же временным отсчётам.
Идентификаторы файлов анонимизированы и сами по себе не несут информации о движении, дне или сеансе.
Файл train/metadata.csv содержит дополнительную информацию о каждой обучающей записи.
Столбец | Значение |
|---|---|
| Идентификатор записи, совпадающий с именем |
| Анонимный идентификатор дня записи |
| Анонимный идентификатор сеанса |
| Название выполняемого движения |
| Количество временных отсчётов |
В данных представлены восемь типов движений:
Движение | Описание |
|---|---|
| Движение указательного пальца |
| Движение среднего пальца |
| Движение безымянного пальца |
| Движение мизинца |
| Движение большого пальца |
| Сжатие кисти в кулак |
| Раскрытие кисти |
| Закрытие кисти |
Метаданные можно использовать для анализа данных, организации обучения и валидации.
Особенно полезно различать сеансы и дни записи:
session_id означает принадлежность записей к одному сеансу.day_id означает, что записи были сделаны в один день.При проверке качества модели рекомендуется разделять данные по сеансам или дням, а не случайно перемешивать отдельные временные отсчёты.
Так вы сможете лучше оценить способность модели работать с новыми записями.
Каждый целевой отсчёт содержит 20 значений — по четыре угла для каждого из пяти пальцев.
Точный порядок приведён в train/angle_info.json.
Столбцы | Палец |
|---|---|
| Указательный (Index) |
| Средний (Middle) |
| Мизинец (Little) |
| Безымянный (Ring) |
| Большой (Thumb) |
Для каждого пальца порядок четырёх углов одинаков:
mcp_thetamcp_fipipdipMCP соответствует суставу у основания пальца (для него представлены две угловые компоненты), а PIP и DIP — следующим суставам пальца в используемой модели кисти.
Обратите внимание: мизинец идёт перед безымянным пальцем. Не следует предполагать другой порядок пальцев.
Все углы измеряются в радианах.
Целевые значения находятся в диапазоне от −π до π. При этом метрика сравнивает численные значения углов напрямую, поэтому предсказания, отличающиеся на полный оборот (2π), не считаются эквивалентными.
Порядок углов можно учитывать при разработке модели — например, использовать отдельные выходные блоки или функции потерь для разных пальцев.
Для чтения файлов достаточно NumPy и любой библиотеки для работы с CSV, например pandas.
import numpy as np
import pandas as pd
from pathlib import Path
data_dir = Path("data")
metadata = pd.read_csv(data_dir / "train/metadata.csv")
recording_id = metadata.iloc[0]["recording_id"]
emg = np.load(data_dir / "train/signals" / f"{recording_id}.npy")
angles = np.load(data_dir / "train/targets" / f"{recording_id}.npy")
print("EMG:", emg.shape)
print("Angles:", angles.shape)Ожидаемые формы:
EMG: (T, 6)
Angles: (T, 20)При подготовке данных для PyTorch обратите внимание на порядок измерений: многие модели, например torch.nn.Conv1d, ожидают форму (batch, channels, time), а исходные массивы имеют форму (time, channels).
phase1_test/На первом этапе доступны 8 небольших синтетических записей ЭМГ.
Каждый файл содержит искусственно сгенерированный сигнал формы (1008, 6).
Правильные углы для этих записей также сгенерированы искусственно и не предоставляются участникам.
Этот набор предназначен для технической проверки:
Результат на синтетическом тесте не отражает качество модели на реальных записях.
Для сравнения моделей используйте собственную валидацию на обучающих данных.
test/На втором этапе становятся доступны 32 реальные тестовые записи ЭМГ.
Формат входных данных тот же, что и при обучении: массивы (T, 6).
Но для тестовых записей не предоставляются:
Модель должна сформировать предсказания по доступным сигналам ЭМГ.
Для каждой тестовой записи первые 1000 отсчётов (около 2 секунд) не участвуют в расчёте метрики.
Они остаются в массиве ЭМГ и могут использоваться моделью как начальный контекст.
Предсказания необходимо предоставить для всех индексов:
1000, 1001, 1002, ..., T-1Для каждого такого индекса нужно предсказать 20 углов.
Для каждого этапа предусмотрен собственный образец:
phase1_sample_submission.csvphase2_sample_submission.csvФайл предсказаний должен содержать следующие столбцы:
row_id,recording_id,sample_index,angle_00,...,angle_19Их назначение:
Столбец | Описание |
|---|---|
| Уникальный идентификатор строки предсказания |
| Идентификатор тестовой записи |
| Временной индекс внутри записи |
| Предсказанные значения 20 углов в радианах |
Необязательно изменять непосредственно файл-образец: ваша программа может создать новый CSV с нуля.
Главное, чтобы он содержал все требуемые строки и правильно связывал row_id, recording_id, sample_index и предсказанные углы.
Для надёжности рекомендуем сохранять порядок строк и три идентификационных столбца из образца без изменений, заполняя только значения углов.
Все предсказания должны быть конечными числами — без NaN, Inf и пропущенных значений.
Не добавляйте дополнительные столбцы.
Несколько практических идей, которые могут пригодиться:
Вам не обязательно использовать какой-то определённый подход. Можно экспериментировать с классическими методами машинного обучения, признаками ЭМГ, свёрточными нейронными сетями и другими архитектурами.
Главное — корректно оценивать качество своих решений и помнить, что итоговая задача состоит в предсказании движений на новых записях.