Gait Kinematics in Healthy Participants: A Motion Capture Dataset Under Weight Load and Knee Brace Conditions

该数据集名为“健康参与者在负重和膝支架条件下的步态运动学数据集”，由K. N. Toosi 理工大学电气工程学院创建。数据集包含11名健康参与者在不同步行条件下的运动捕捉数据，包括正常步行、手持重物步行、膝支架步行和同时负重与膝支架步行。数据集大小为11名参与者，每个参与者在不同条件下完成多次步行任务。数据创建过程包括使用无线IMU模块进行数据采集，确保高时间分辨率的关节角度及其导数的监测。该数据集旨在为研究人员、临床医生和工程师提供资源，用于分析步态模式和提取与移动性和平衡相关的指标，主要用于评估步态对称性和神经肌肉协调性。

This dataset, titled *Gait Kinematics Dataset of Healthy Participants Under Weight-Bearing and Knee Brace Conditions*, was developed by the School of Electrical Engineering, K. N. Toosi University of Technology. The dataset contains motion capture data from 11 healthy participants across four walking conditions: normal walking, walking with external load bearing, walking with a knee brace, and walking with both weight-bearing and a knee brace. The dataset comprises data from 11 participants, with each participant completing multiple walking trials under various conditions. The data acquisition process employs wireless IMU modules to enable high-temporal-resolution monitoring of joint angles and their derivatives. This dataset aims to provide a valuable resource for researchers, clinicians, and engineers to analyze gait patterns and extract mobility- and balance-related metrics, with primary applications in evaluating gait symmetry and neuromuscular coordination.

搜集汇总

数据集介绍

构建方式

该数据集通过使用APEX运动捕捉系统，收集了11名健康参与者在不同步行条件下的运动捕捉数据。参与者在圆形路径上完成了包括正常步行、手持重量步行、佩戴膝盖护具步行以及同时手持重量和佩戴护具步行等任务。数据收集过程中使用了10个无线IMU模块，分别安装在躯干、骨盆、前臂、大腿、小腿和脚部，以监测关节角度及其变化。数据集包括原始传感器输出和处理后的信息，如欧拉角和关节运动学数据。

特点

该数据集的显著特点在于其全面性和详细性。它不仅包含了原始传感器数据，还提供了处理后的数据，如欧拉角和关节运动学数据，这为深入分析步态不对称性提供了丰富的信息。此外，数据集的设计考虑了多种步行条件，包括不同速度和负重情况，这使得研究者能够更全面地理解步态动力学。无线IMU模块的使用提高了数据的准确性和可靠性，相较于视频捕捉方法，具有更高的精度。

使用方法

研究者和临床医生可以通过访问公开的CSV文件，获取原始传感器数据和处理后的信息。这些数据可以用于分析步态模式、提取相关指标，以及评估移动性和平衡性。具体使用方法包括加载CSV文件，提取时间戳、加速度、陀螺仪和磁力计数据，以及处理后的欧拉角和关节运动学数据。通过这些数据，研究者可以进行详细的步态不对称性分析，并开发针对性的康复策略。

背景与挑战

背景概述

在生物机电系统领域，步态运动学的客观评估对于评估人类运动、指导临床决策以及推动康复和辅助技术的发展至关重要。特别是步态对称性的评估，在临床康复中具有重要意义，因为它反映了神经和肌肉在人类行走过程中的复杂协调。本研究由伊朗K. N. Toosi大学的技术学院的Hanieh Moradi等人于近期创建，旨在通过收集健康参与者在不同负重和膝关节支撑条件下的运动捕捉数据，来提高对步态运动学的理解。该数据集包括11名健康参与者在完成各种行走任务时的运动捕捉数据，这些任务包括正常行走、手持重物行走、膝关节支撑行走以及同时手持重物和膝关节支撑行走。这些任务旨在模拟与常见健康状况相关的步态不对称性，从而揭示个体行走模式中的不规则性，并反映神经和肌肉之间的协调。

当前挑战

该数据集在构建过程中面临多项挑战。首先，模拟步态不对称性的任务设计需要精确，以确保数据的有效性和可靠性。其次，数据收集过程中使用的无线惯性测量单元（IMU）模块需要高精度的校准和同步，以避免数据采集中的误差。此外，尽管参与者均为健康个体，但样本量相对较小，可能限制了数据集的广泛适用性。最后，尽管IMU模块提供了高精度的数据，但在捕捉复杂运动和环境因素对步态参数的影响方面仍存在局限性。未来的研究应考虑增加参与者多样性和探索更多行走条件，以增强数据集的鲁棒性。

常用场景

经典使用场景

该数据集的经典使用场景主要集中在步态动力学的分析与评估。通过收集健康参与者在不同负重和膝关节支撑条件下的运动捕捉数据，研究人员能够深入探讨步态对称性及其在神经肌肉协调中的作用。这些数据不仅有助于理解正常步态的复杂性，还能为临床决策提供科学依据，特别是在康复和辅助技术领域。

实际应用

在实际应用中，该数据集为临床康复和辅助技术的发展提供了重要支持。通过分析步态对称性和关节动态，临床医生能够更准确地评估患者的康复进展，并制定个性化的治疗方案。此外，这些数据还为设计更有效的辅助设备和可穿戴技术提供了科学依据，帮助改善患者的移动性和平衡能力。

衍生相关工作

该数据集的发布激发了多项相关研究工作。例如，研究人员利用这些数据开发了新的步态对称性评估算法，进一步提高了步态分析的准确性。此外，基于该数据集的研究还推动了可穿戴设备和辅助技术的设计与优化，特别是在模拟不同负重和支撑条件下的步态表现。这些衍生工作不仅丰富了步态动力学的研究内容，还为临床实践提供了新的工具和方法。