ProGait

ProGait数据集由匹兹堡大学的研究团队创建，旨在支持视频目标分割、2D人体姿态估计和步态分析等视觉任务。数据集包含412个视频片段，记录了4位截肢者在使用不同假肢进行行走试验时的运动情况。视频片段涵盖了不同的场景，包括在平行杆内独立行走和在有辅助的情况下在走廊行走。每个视频片段都有详细的标注，包括边界框、分割掩码和姿态关键点，以及研究人员提供的步态分析文本描述。该数据集旨在提高视觉模型对截肢者步态的检测和分析能力，为假肢设计和优化提供支持。The ProGait dataset was created by a research team at the University of Pittsburgh, aiming to support visual tasks such as video object segmentation, 2D human pose estimation and gait analysis. It contains 412 video clips recording the movements of 4 amputees during walking trials using different prostheses. The video clips cover diverse scenarios including independent walking within parallel bars and corridor walking with assistance. Each video clip is accompanied by detailed annotations, including bounding boxes, segmentation masks, pose keypoints, as well as gait analysis text descriptions provided by researchers. This dataset is intended to enhance the detection and analysis capabilities of visual models for amputee gaits, providing support for prosthetic design and optimization.

搜集汇总

数据集介绍

构建方式

ProGait数据集通过系统化的实验设计，采集了四名膝上截肢患者在测试新装配假肢时的行走视频数据。研究团队采用双摄像头同步采集策略，分别记录矢状面和冠状面的行走影像，分辨率设定为1920×1080像素，帧率为30fps。数据采集涵盖平行杠内独立行走和走廊辅助行走两种典型康复场景，通过控制假肢类型（机械式、液压式、计算机控制式）、关节角度和支柱长度等变量，确保了数据在视觉外观和运动模式上的多样性。所有视频均经过严格的去标识化处理，采用基于Grounded SAM2的半自动标注流程，结合人工校验，生成了包括边界框、分割掩膜、23个关键点姿势标注以及专业步态分析文本描述的多模态标注体系。

特点

该数据集的核心价值在于其针对假肢用户的专业性和多任务适用性设计。412段视频样本完整记录了不同假肢配置下截肢者的步态特征变异，包含9类典型步态偏差的临床描述。数据特点体现在三个方面：多视角同步采集提供了运动分析的立体维度；半自动标注流程确保了分割掩膜和姿势关键点的精确性；临床文本注释建立了视觉特征与康复建议的桥梁。特别值得注意的是，数据集涵盖了假肢特有的视觉特征（如不同膝关节机制的外观差异）和运动模式（如异常步态补偿动作），有效弥补了现有视觉模型在假肢检测方面的性能缺陷。

使用方法

ProGait数据集支持三种典型计算机视觉任务的基准测试：基于平均交并比（mIoU）指标的视频目标分割、遵循COCO-WholeBody标准的2D人体姿势估计（AP@[0.5,0.95]），以及采用Top-1准确率的步态分类。研究者可采用端到端流程，先通过微调的YOLO11模型获取目标分割结果，再利用RTMPose进行姿势估计，最终通过LSTM网络实现步态模式分类。实验表明，矢状面视角数据对步态分类具有显著优势（准确率达81.2%），而仅使用下肢12个关键点即可保持分类性能。数据集已提供在HuggingFace平台，并配套开源了基准模型代码，支持零样本评估和微调实验。

背景与挑战

背景概述

ProGait数据集由匹兹堡大学的Xiangyu Yin等研究人员于2025年创建，旨在解决基于视觉的机器学习方法在分析下肢假肢用户步态时面临的独特挑战。该数据集包含412个视频片段，记录了四名大腿截肢者在测试新装配假肢时的行走试验，涵盖了多种场景和视角。ProGait不仅支持视频对象分割、2D人体姿态估计和步态分析等多重视觉任务，还提供了详细的注释和基准模型，显著提升了视觉模型在假肢特定任务中的泛化能力。这一数据集的推出填补了现有数据集中缺乏假肢用户代表性的空白，为临床康复和假肢优化研究提供了重要资源。

当前挑战

ProGait数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，当前视觉模型难以准确检测和分析假肢的独特外观和运动模式，这限制了步态分析的准确性和下游任务（如康复评估和假肢优化）的应用效果。在构建过程中，数据收集涉及假肢用户的特殊群体，样本量有限且多样性要求高；同时，标注过程需解决假肢检测、人员区分和遮挡处理等复杂问题，尤其是姿态估计中假肢关键点的准确标注需要大量人工修正。这些挑战需要通过创新的数据收集和标注流程来克服，以确保数据集的质量和实用性。

常用场景

经典使用场景

ProGait数据集在临床康复和假肢设计领域具有广泛的应用价值，尤其在基于视觉的步态分析中表现突出。该数据集通过提供高质量的标注视频，支持视频对象分割、二维人体姿态估计和步态分析等多种任务。研究人员可以利用这些数据优化假肢设计，提升假肢使用者的舒适度和移动效率。数据集中的多视角视频和详细标注为假肢动态对齐研究提供了丰富资源。

实际应用

在实际应用中，ProGait数据集为假肢临床评估和个性化调整提供了重要支持。医疗专业人员可以利用数据集中的步态分析结果，快速识别假肢对齐问题并做出精确调整。数据集还支持开发非侵入式、可扩展的步态分析系统，降低传统运动捕捉技术的成本和使用门槛。此外，该数据集为智能假肢的研发奠定了基础，有望提升假肢使用者的生活质量。

衍生相关工作

ProGait数据集推动了多个相关领域的研究进展。基于该数据集，研究者开发了针对假肢使用者的改进版YOLO11和RTMPose模型，显著提升了视觉任务的性能。数据集还启发了步态分类方法的研究，如结合LSTM网络的分类器。这些工作不仅完善了假肢使用者的步态分析技术，也为计算机视觉与康复医学的交叉研究提供了新思路。