Gait2Hip-60

Gait2Hip-60是一个来自60名健康受试者的多节奏步态动力学数据集。该数据集提供试验级别的OpenSim衍生的步态生物力学数据，包括逆运动学、逆动力学和静态优化衍生的肌肉力输出，以及用于机器学习和深度学习应用的NPZ文件。Gait2Hip-60 is a multi-rhythmic gait dynamics dataset collected from 60 healthy subjects. This dataset provides trial-level OpenSim-derived gait biomechanical data, including inverse kinematics, inverse dynamics, static optimization-derived muscle force outputs, and NPZ files suitable for machine learning and deep learning applications.

原始信息汇总

数据集概述

Gait2Hip-60 是一个包含60名健康受试者的多节奏步态动力学数据集。

数据来源与内容

• 受试者: 60名健康成年人，编号为H01至H60。
• 数据内容: 包含基于OpenSim导出的步态生物力学数据，具体为逆运动学（IK）、逆动力学（ID）以及通过静态优化得出的肌肉力输出。
• 步态条件: 受试者在三种节拍器引导的节奏条件下进行步行试验：
  • slow: 78步/分钟
  • med: 115步/分钟
  • fast: 135步/分钟
• 有效试验数: 公开的NPZ文件中包含713个有效步态试验。
• 数据格式: NPZ文件，适用于机器学习和深度学习应用。
• 完整数据集: 可在Zenodo上获取。

数据文件

文件	描述
Gait2Hip-60.zip	包含试验级别OpenSim输出结果的完整数据集归档文件
Gait2Hip_MF60.npz	用于右侧髋关节相关肌肉力分析和预测的NPZ文件
Gait2Hip_JM60.npz	用于右侧髋关节力矩分析和预测的NPZ文件
subject_info.csv	受试者信息

NPZ文件格式

NPZ文件包含以下字段：

键	描述
X	输入序列数组
Y	目标序列数组
subject_id	每个样本的受试者ID
height_m	受试者身高（米）
weight_kg	受试者体重（千克）
speed_label	条件标签：slow、med 或 fast
in_cols	输入变量名称
out_cols	输出变量名称

典型数组维度为：X: (N, 180, D_in)，Y: (N, 180, D_out)。

• N: 有效步态样本数量
• 180: 序列长度
• D_in: 输入运动学变量数量
• D_out: 输出变量数量

输入与输出变量

• 输入变量（10个下肢运动学变量）：hip_flexion_r、hip_adduction_r、hip_rotation_r、hip_flexion_l、hip_adduction_l、hip_rotation_l、knee_angle_r、ankle_angle_r、knee_angle_l、ankle_angle_l
• 肌肉力输出（Gait2Hip_MF60.npz，14个右侧髋关节相关肌肉力输出）：addbrev_r、addlong_r、addmag_r、grac_r、iliopsoas_r、recfem_r、sart_r、glmax_r、bflh_r、hamstring_r、glmed_r、glmin_r、tfl_r、piri_r
• 关节力矩输出（Gait2Hip_JM60.npz，3个右侧髋关节力矩输出）：hip_flexion_r_moment、hip_adduction_r_moment、hip_rotation_r_moment

单位

• 输入关节运动学：度（degrees）
• 肌肉力输出：牛顿（N）
• 关节力矩输出：牛顿·米（N·m）
• 受试者体重：千克（kg）
• 受试者身高：米（m）

在提供的训练脚本中，模型训练前目标输出会通过体重进行归一化（肌肉力预测：N/kg；关节力矩预测：Nm/kg）。

基准模型与协议

• 基准模型: LSTM、Transformer、Mamba
• 评估协议: 使用受试者级别的数据划分。先分离受试者保留测试集，然后在剩余的训练/验证池上进行5折GroupKFold交叉验证以选择周期。
• 评估指标: RMSE、MAE、R²、受试者级别平均指标、特定步态节奏测试指标。

推荐用途

• 步态生物力学研究
• 肌肉骨骼建模
• 髋关节动力学分析
• 基于机器学习的生物力学估计
• 时间序列建模
• 深度学习模型开发与评估

联系方式

• 联系人: Jiaqi Zhang (Capital University of Physical Education and Sports)
• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

Gait2Hip-60数据集源自对60名健康成年受试者的步态动力学数据采集，涵盖从H01至H60的个体标识。受试者在节拍器引导下完成三种不同节奏的步行实验，分别对应慢速（78步/分钟）、中速（115步/分钟）和快速（135步/分钟）状态。每名受试者在每种节奏下重复试验多达四次，经过严格的质量控制和文件一致性核查，最终发布包含713次有效步态试验的NPZ文件。数据处理依托OpenSim肌肉骨骼建模流水线，生成逆运动学、逆动力学及静态优化导出的肌肉力输出。

特点

该数据集以多节奏步态动力学分析为核心特色，提供涵盖10个下肢运动学变量、14个右髋相关肌肉力输出及3个右髋关节力矩输出的时序数据。NPZ文件格式统一，序列长度为180，便于深度学习模型直接加载。除原始物理单位（度、牛顿、牛顿·米）外，脚本支持按体质量归一化处理，以适应不同研究需求。数据集同时保留受试者身高、体重及节奏标签等辅助信息，增强了跨步态模式的比较能力。

使用方法

用户可通过Zenodo平台获取完整数据集，将Gait2Hip_MF60.npz和Gait2Hip_JM60.npz文件置于data目录下。GitHub仓库提供示例脚本和基准代码，涵盖LSTM、Transformer和Mamba等模型的训练与预测流程。基于留出法按受试者划分独立测试集，剩余数据采用5折分组交叉验证进行调参。用户可直接运行预设脚本完成模型训练或利用预训练权重进行推断，结果以CSV格式保存，便于后续可视化与分析。

背景与挑战

背景概述

步态生物力学是理解人体运动控制与肌肉骨骼系统功能的关键窗口，而髋关节作为下肢运动的核心枢纽，其动力学特性在运动康复、假肢设计及运动表现评估中具有重要价值。Gait2Hip-60数据集由首都体育学院的Jiaqi Zhang团队于2024年创建，旨在填补多节奏步态条件下髋关节动力学数据的空白。该数据集从60名健康受试者采集713次有效步态试验，涵盖慢速（78步/分）、中速（115步/分）和快速（135步/分）三种节奏，通过OpenSim肌肉骨骼建模流水线生成逆运动学、逆动力学及静力优化导出的肌力与关节力矩数据。数据集以NPZ格式提供，可直接应用于机器学习与深度学习模型，为步态研究提供了标准化、可复现的基准资源。

当前挑战

该数据集的核心挑战在于解决从体表运动学信号精确估计髋关节内部肌力与关节力矩的逆问题。由于肌力与关节力矩无法通过非侵入手段直接测量，传统方法依赖复杂肌肉骨骼模型与优化算法，但模型参数不确定性及个体差异常导致估计偏差。构建过程中，研究人员面临多节奏步态下运动变异性的准确捕获难题，需在实验设计上平衡节拍器引导的节奏同步性与自然步态的生态效度。此外，数据预处理需严格处理标记点遮挡、运动伪影及OpenSim建模中的奇异构型，确保713个有效试验的质量一致性，最终通过主体级交叉验证协议提升模型泛化能力，为时序深度学习模型提供可靠的数据地基。

常用场景

经典使用场景

在步态生物力学与肌肉骨骼建模领域，Gait2Hip-60数据集为研究多节奏步行模式下的髋关节动力学特征提供了标准化的高质量数据源。该数据集由60名健康受试者在三种节拍器引导的步频条件（78、115、135步/分钟）下完成713次有效行走试验，并经由OpenSim逆向运动学、逆向动力学及静态优化流程生成涵盖10项下肢运动学变量、14项髋关节相关肌肉力及3项髋关节力矩的时序数据。其经典使用场景集中于基于深度学习模型的序列学习任务，如利用LSTM、Transformer及Mamba等架构，以输入的步态运动学序列预测对应的髋关节肌肉力与关节力矩，为无创性人体动力学估计提供数据驱动的替代方案。

衍生相关工作

围绕Gait2Hip-60数据集已涌现出一系列具有启发性的衍生研究工作，尤其是其提供的标准NPZ文件格式与基准代码库，极大地降低了深度学习在生物力学领域的应用门槛。研究者基于该数据开发了多个高性能时间序列预测基线，包括LSTM、Transformer及Mamba结构，并通过主体级别的数据划分与五折交叉验证建立了一套严谨的评估协议。这些工作不仅验证了不同架构在步态动力学预测中的优劣特性，还推动了肌力-关节力矩联合预测的方向。此外，该数据集所采用的输入输出变量命名规范与单位标准化方案，为后续跨数据集迁移学习与多模态融合研究奠定了坚实基础。

数据集最近研究

最新研究方向

随着可穿戴传感与深度学习技术的深度融合，基于步态动力学数据的人体运动功能评估正成为生物力学与人工智能交叉领域的前沿热点。Gait2Hip-60数据集以其包含60名健康受试者在三种节律条件下713次有效步态试次的OpenSim模拟输出，为构建高精度髋关节肌肉力与关节力矩预测模型提供了标准化的数据基准。当前研究聚焦于利用LSTM、Transformer及Mamba等序列模型挖掘步态运动学序列与动力学参数之间的复杂映射关系，推动步态分析从传统实验室测量向智能化、实时代估计的方向演进，对于运动康复、假肢优化及人机协作等应用具有重要价值。