UNB StepUP-P150

UNB StepUP-P150是加拿大新不伦瑞克大学生物医学工程学院创建的一个步态压力数据集，包含150名参与者在不同行走速度和鞋类条件下的20万多个脚步数据。数据集采用高分辨率压力传感瓷砖收集，旨在支持步态分析和识别研究，同时为生物力学和深度学习等领域提供新的研究机会。

UNB StepUP-P150 is a gait pressure dataset developed by the School of Biomedical Engineering at the University of New Brunswick, Canada. It contains over 200,000 footstep data points from 150 participants under varying walking speeds and footwear conditions. The dataset was collected using high-resolution pressure-sensitive tiles, and it aims to support research on gait analysis and recognition, while providing new research opportunities for fields such as biomechanics and deep learning.

搜集汇总

数据集介绍

构建方式

UNB StepUP-P150 数据集的构建方式采用了高分辨率压力传感瓷砖，这些瓷砖具有 4 个传感器/平方厘米的分辨率，尺寸为 1.2 米 x 3.6 米。数据集的收集涉及超过 200,000 个脚步，来自 150 个个体，涵盖了不同的行走速度（包括正常速度、慢速到停止、快速和慢速）和鞋类类型（包括赤脚、标准鞋和两种个人鞋）。数据收集过程中，参与者需要走过高分辨率压力瓷砖，以捕获每个脚步的压力分布。此外，还记录了多角度的视频，以及数字脚印和鞋印，这些将在未来作为独立的补充数据集共享。

特点

UNB StepUP-P150 数据集的特点是它是一个大型且全面的数据集，包含了详细的脚部压力测量数据。它还探索了各种协变量因素，并涉及大量参与者，涵盖了大量的行走试验。数据集的多样性对于开发通用的模型至关重要，这些模型能够在不同的群体中准确执行。此外，数据集还包括原始试验数据和预处理后的数据，用户可以选择直接使用原始数据或利用预处理数据进行快速原型设计和分析。

使用方法

UNB StepUP-P150 数据集的使用方法包括两个主要步骤：数据预处理和数据分析。数据预处理涉及对原始压力数据进行分割、对齐和标准化。数据分析可以使用提供的 Python 和 MATLAB 脚本进行，这些脚本可以帮助用户提取标准步态特征，如峰值压力图像、COP 和 GRF 时间序列以及步态参数。此外，数据集还包括详细的元数据，提供了参与者的背景信息和数据收集条件，这对于研究人员进行深入分析非常有用。

背景与挑战

背景概述

步态分析长期以来一直是生物识别学、生物力学、体育和康复领域的研究重点。由于人体步态的独特性，它可以提供有关个体身份、健康状况、运动表现以及潜在医疗状况的宝贵信息。尽管传统的步态分析方法严重依赖于基于视频的系统、运动捕捉技术和可穿戴设备，但近年来传感器技术的进步为捕捉和分析步态模式开辟了新的途径。其中，足下压力测量作为一种有前景的方法，其潜力在于能够提供关于足部压力分布和步态周期中这些模式随时间变化的详细见解。然而，由于缺乏大型、公开可用的数据集，步态分析领域对足下压力的研究仍然不足。为了解决这一问题，UNB StepUP数据库被创建，其中包括使用高分辨率压力感应瓷砖（每平方厘米4个传感器，1.2米×3.6米）收集的步态压力数据。UNB StepUP-P150是该数据库的第一个版本，包括来自150个不同步行速度（舒适、慢到停止、快、慢）和鞋类类型（赤脚、标准鞋和个人鞋）的200,000多个步态数据。作为同类数据集中规模最大、最全面的，它支持生物识别步态识别，并为生物力学和深度学习领域的研究提供了新的机会。UNB StepUP-P150数据集为基于压力的步态分析和识别设定了新的基准。

当前挑战

UNB StepUP-P150数据集面临的挑战包括：1) 该数据集解决的领域问题：尽管步态分析在生物识别学、生物力学、体育和康复领域得到了广泛应用，但由于缺乏大型、公开可用的数据集，步态分析领域对足下压力的研究仍然不足。UNB StepUP-P150数据集旨在填补这一空白，为研究人员提供大量的步态压力数据，并探索各种协变量因素，涉及大量的参与者，并涵盖大量的步行试验。2) 构建过程中所遇到的挑战：构建一个大规模的步态数据集需要解决许多技术和方法上的挑战。首先，需要设计一个可靠的实验协议，以确保收集的数据质量。其次，需要开发有效的数据预处理和标注方法，以生成可用于分析和识别的格式化的数据。最后，需要确保数据集的多样性和代表性，以便研究人员能够开发出通用于不同人口群体的模型。

常用场景

经典使用场景

UNB StepUP-P150数据集的经典使用场景是步态分析和识别。步态是指行走时产生的肢体运动模式，由于生理和行为特征的不同，每个人的步态都是独特的。步态模式在生物识别、生物力学、运动和康复等领域得到了广泛的研究。传统的步态分析方法依赖于视频和运动捕捉技术，而UNB StepUP-P150数据集提供了基于足底压力的高分辨率步态数据，为步态分析提供了更深入的了解。该数据集包括来自150个人的超过200,000个步态压力数据，涵盖了不同的行走速度（正常、慢速、快速和慢速停止）和鞋类类型（赤脚、标准鞋和两种个人鞋）。这使得该数据集成为步态识别和生物力学研究中新的研究机会，并支持生物特征步态识别。

衍生相关工作

UNB StepUP-P150数据集的发布推动了基于压力的步态分析和识别技术的发展。该数据集的详细和全面的步态压力数据为研究人员提供了新的研究机会，可以用于训练和测试新的模型，探索足底压力与其他步态指标之间的关系，以及研究各种因素（如性别、年龄、行走速度或鞋类）对步态模式的影响。此外，UNB StepUP-P150数据集可以作为比较不同步态分析和识别技术的基准，从而为该领域的方法标准化做出贡献。该数据集的发布也促进了步态分析和步态识别技术的发展，为相关领域的研究提供了新的方向和机会。

数据集最近研究

最新研究方向

UNB StepUP-P150数据集为步态分析和识别提供了丰富的压力数据，其高分辨率和多样性为步态识别领域的研究开辟了新的方向。该数据集支持生物识别步态识别，并提供了新的研究机会，特别是在生物力学和深度学习领域。研究前沿包括开发新的机器学习和深度学习模型，以更准确地识别个体步态模式，探索步态指标与其他生物力学参数之间的关系，以及研究不同因素（如性别、年龄、步行速度或鞋类）如何影响步态模式。此外，该数据集可以作为比较不同步态分析和识别技术的基准，有助于标准化该领域的方法。

相关研究论文

• UNB StepUP: A footStep database for gait analysis and recognition using Underfoot Pressure

  加拿大新不伦瑞克大学, 生物医学工程学院 · 2025年