Pathological Gait Datasets

包含正常、疼痛性、僵硬腿、摇摆、步态异常和特伦德伦堡步态等六种病理步态的骨骼数据集。数据集由10人参与，每种步态120个实例，数据格式包括时间戳和关节坐标。

This skeletal dataset encompasses six pathological gait patterns, including normal, painful, stiff-legged, waddling, abnormal gait, and Trendelenburg gait. The dataset was collected from 10 participants, with 120 instances for each gait type. The data format includes timestamps and joint coordinates.

原始信息汇总

Pathological Gait Datasets 概述

数据集内容

• 类型：骨骼数据集，包含六种步态：正常、疼痛性、僵硬腿、摇摆、踏步和特伦德伦堡。
• 数据量：10人 × 6种步态 × 120实例。

数据格式

• 结构：时间戳，关节坐标（x, y, z）序列。
• 示例：time, 0, joint0_x, joint0_y, joint0_z, 1, joint1_x, joint1_y, joint1_z, 2, joint2_x, joint2_y, joint2_z, ...

数据收集

• 设备：使用6台Kinect v2系统。
• 校准：通过ArUco标记校准所有传感器的坐标系统。

参考文献

• K. Jun, Y. Lee, S. Lee, D. Lee and M. S. Kim, "Pathological Gait Classification Using Kinect v2 and Gated Recurrent Neural Networks," in IEEE Access, vol. 8, pp. 139881-139891, 2020, doi: 10.1109/ACCESS.2020.3013029.

联系方式

• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

病理步态数据集通过使用多个Kinect v2系统进行构建，涵盖了正常、疼痛步态、僵硬腿步态、蹒跚步态、步态抬高和Trendelenburg步态等六种步态类型。数据集的采集过程中，研究人员通过ArUco标记物对所有传感器的坐标系统进行了精确校准，确保了数据的准确性和一致性。每种步态类型由10名参与者完成，每名参与者产生120个实例，总计7200个数据点。

特点

该数据集的显著特点在于其多样性和精细度。首先，它包含了六种不同的病理步态类型，每种类型都反映了不同的病理特征，为步态分析提供了丰富的样本。其次，数据以时间序列的形式记录，包含了多个关节的三维坐标信息，使得研究者能够深入分析步态的动态变化。此外，数据集的构建过程中采用了高精度的Kinect v2系统和坐标校准技术，确保了数据的可靠性和准确性。

使用方法

该数据集适用于步态分析、病理步态分类以及步态识别等研究领域。研究者可以通过分析时间序列数据中的关节坐标变化，来识别和分类不同的步态类型。此外，数据集还可以用于训练和验证机器学习模型，特别是基于深度学习的步态分类模型。使用时，研究者应首先加载数据集，并根据需要进行预处理，如数据标准化或特征提取。随后，可以应用各种分类算法或深度学习模型进行步态分类和识别。

背景与挑战

背景概述

病理步态数据集（Pathological Gait Datasets）是由韩国GIST（Gwangju Institute of Science and Technology）的研究团队创建，专注于通过Kinect v2系统采集多种病理步态的骨骼数据。该数据集涵盖了正常、疼痛步态、僵硬腿步态、蹒跚步态、步态抬高和Trendelenburg步态等六种步态类型，旨在为步态分析和病理步态分类提供丰富的数据支持。研究团队通过多Kinect系统采集数据，并使用ArUco标记进行坐标校准，确保数据的精确性和一致性。该数据集的发布为步态分析领域的研究提供了宝贵的资源，特别是在病理步态的自动识别和分类方面，具有重要的应用价值。

当前挑战

病理步态数据集的构建面临多重挑战。首先，步态数据的采集需要在不同环境和条件下进行，确保数据的多样性和代表性。其次，由于病理步态的复杂性和个体差异，数据的标注和分类需要高度的专业知识和经验。此外，多Kinect系统的同步和坐标校准也是一个技术难题，要求精确的设备校准和数据处理技术。最后，如何有效地利用这些数据进行步态分类和识别，尤其是在引入深度学习模型时，仍需进一步研究和优化。这些挑战不仅影响了数据集的构建过程，也对后续的数据分析和模型训练提出了更高的要求。

常用场景

经典使用场景

病理步态数据集（Pathological Gait Datasets）在步态分析领域具有广泛的应用，尤其在识别和分类不同类型的病理步态方面表现出色。该数据集包含了六种典型的病理步态：正常步态、疼痛步态、僵硬腿步态、蹒跚步态、步态抬高和特伦德伦堡步态。通过分析这些步态的骨骼数据，研究人员能够开发出高效的步态分类算法，为临床诊断和康复治疗提供科学依据。

实际应用

在实际应用中，病理步态数据集为医疗健康领域提供了宝贵的资源。例如，在康复治疗中，医生可以通过分析患者的步态数据，制定个性化的康复计划，帮助患者恢复正常的行走能力。此外，该数据集还可用于开发智能辅助设备，如步态矫正器和康复机器人，这些设备能够根据患者的步态特征进行实时调整，从而提高康复效果。

衍生相关工作

病理步态数据集的发布催生了一系列相关的经典工作。例如，基于该数据集的研究已经成功应用于开发步态分类模型，如使用Kinect v2和门控循环神经网络（GRU）进行病理步态分类的研究。这些研究不仅提高了步态分类的准确性，还为未来的步态分析技术奠定了基础。此外，该数据集还激发了更多关于步态动力学和运动控制的深入研究，推动了步态分析领域的技术进步。