FoG-STAR

该数据集包含从22名帕金森病患者收集的可穿戴惯性传感器记录和临床/人口统计信息，旨在支持冻结步态检测、严重程度估计、活动识别和数字生物标志物的研究。数据集包含两个CSV文件：sensor_data.csv（同步惯性传感器信号与FoG标签和任务注释）和clinical_data.csv（受试者人口统计和临床评估）。

This dataset contains wearable inertial sensor recordings and clinical and demographic information collected from 22 patients with Parkinson's disease, designed to support research on freezing of gait (FoG) detection, severity estimation, activity recognition, and digital biomarkers. The dataset includes two CSV files: sensor_data.csv (synchronized inertial sensor signals paired with FoG labels and task annotations) and clinical_data.csv (subject demographics and clinical assessments).

原始信息汇总

FoG-STAR 数据集概述

数据集简介

FoG-STAR（Freezing of Gait Severity, Tasks, Activities, and Ratings）是一个包含帕金森病患者可穿戴惯性传感器记录和临床/人口统计信息的数据集，旨在支持冻结步态（FoG）检测、严重程度估计、活动识别和数字生物标志物的研究。

关键特征

• 参与者：22名帕金森病患者
• 传感器位置：左踝、右踝、背部、手腕
• IMU数据：6轴（加速度计（g）+陀螺仪（°/s））
• 采样率：60 Hz
• 运动任务：7项设计用于诱发冻结步态的任务
• 专家标注：冻结步态存在和严重程度级别
• 临床评估：H&Y、MDS-UPDRS III、FoG-Q、MoCA、FES-I、PDQ-8

数据集结构

数据集包含两个CSV文件：

• sensor_data.csv：同步的传感器信号与标注（119.6 MB）
• clinical_data.csv：受试者人口统计和临床评分

数据描述

传感器数据（sensor_data.csv）

31列，采样率60 Hz：

• timestamp：时间戳（毫秒）
• 传感器信号：格式为[位置]_[传感器]_[轴]
• activity：活动代码（1-7）
• fog：二进制冻结步态标签（0/1）
• fog_severity：冻结步态期间的严重程度（1-3）
• subjectID：受试者标识符（1-22）
• sessionID：记录会话ID
• taskID：任务代码（1-7）

传感器命名约定：

• 位置：ankleL、ankleR、back、wrist
• 传感器：acc（加速度计）、gyro（陀螺仪）
• 轴：x、y、z

活动代码：

1. 行走
2. 坐
3. 站
4. 坐到站过渡
5. 站到坐过渡
6. 右转
7. 左转

冻结步态严重程度级别：

1. 拖步前进
2. 原地颤抖
3. 完全运动不能

任务代码：

1. 定时起走测试（TUG）
2. 站立1分钟
3. 来回行走
4. 穿过门口行走
5. 携带水行走
6. 倒数行走
7. 360°转身

临床数据（clinical_data.csv）

22名受试者的10个变量：

• subjectID：受试者标识符（1-22）
• age：年龄（岁）
• gender：性别（M/F）
• disease_duration：帕金森病诊断后的年数
• h_y：Hoehn & Yahr分期（0-5）
• updrs_iii：MDS-UPDRS Part III评分（0-76）
• fog_q：冻结步态问卷（0-24）
• moca：蒙特利尔认知评估（0-30）
• fes_i：国际跌倒效能量表（16-64）
• pdq_8：帕金森病问卷-8（0-32）

研究应用

1. 冻结步态检测
2. 严重程度估计
3. 活动识别
4. 预测建模
5. 数字生物标志物
6. 多模态融合

引用信息

如果使用此数据集，请引用：

• Borzì, Luigi 等（2025）。FoG-STAR: Freezing of Gait Severity, Tasks, Activities, and Ratings。Zenodo。https://doi.org/10.5281/zenodo.16989602
• Borzì, Luigi 等（2025）。Freezing of gait detection: The effect of sensor type, position, activities, datasets, and machine learning model。《Journal of Parkinsons Disease》，15(1)，163–181。
• Demrozi, Florenc 等（2023）。A low-cost wireless body area network for human activity recognition in healthy life and medical applications。《IEEE Transactions on Emerging Topics in Computing》，11(4)，839–850。

许可证

本数据集采用知识共享署名4.0国际许可协议（CC BY 4.0）许可。

贡献者

包括来自都灵理工大学、斯塔万格大学、维罗纳大学等机构的研究人员。

搜集汇总

数据集介绍

构建方式

在帕金森病步态冻结研究领域，FoG-STAR数据集通过精心设计的实验协议构建而成。研究团队招募22名帕金森病患者，在其身体四个关键部位佩戴六轴惯性测量单元传感器，以60Hz采样率采集运动数据。实验设计包含七种特定诱发步态冻结的标准化运动任务，由临床专家同步进行视频标注，记录步态冻结事件及其严重程度分级。所有传感器数据与临床评估数据通过时间戳精确同步，形成多模态数据集。

特点

该数据集的核心特征体现在其多维度的数据集成体系。传感器数据包含加速度计和陀螺仪在三个轴向的完整运动信息，覆盖左右踝部、背部和手腕四个测量点位。临床数据维度涵盖人口统计学特征、疾病病程及多项标准化评估量表，包括Hoehn & Yahr分期、MDS-UPDRS III评分等专业指标。数据集特别标注了步态冻结的三种严重等级：拖步前行、原地震颤和完全运动不能，为严重程度量化研究提供精细标注。

使用方法

研究人员可通过解析CSV格式的结构化数据文件开展多项研究。传感器数据文件包含时间序列信号与对应的事件标注，可直接用于机器学习模型训练。配套提供的分析示例代码演示了数据可视化、特征提取和统计分析方法。数据集支持步态冻结检测、严重程度分级预测、运动活动识别等多任务研究，临床数据文件则可用于数字生物标志物与临床评分的相关性分析。使用者需遵循CC BY 4.0许可协议，在成果中规范引用数据集来源。

背景与挑战

背景概述

帕金森病运动障碍研究领域长期关注冻结步态现象的动态监测与量化评估。FoG-STAR数据集由意大利都灵理工大学联合多所医疗研究机构于2025年创建，核心研究团队包括Luigi Borzì和Florenc Demrozi等学者。该数据集通过多模态传感器采集22名帕金森患者的运动生理数据，旨在构建冻结步态严重程度分级、运动任务识别与临床评估关联分析的基准平台，为数字生物标志物开发提供重要数据支撑，推动帕金森病运动症状的客观化评估体系发展。

当前挑战

在冻结步态检测领域，该数据集需解决运动模式突变识别、多等级严重程度量化、以及不同活动场景下症状表现的异质性等核心难题。数据构建过程中面临多传感器时序同步校准、专家标注一致性控制、临床数据与传感器信号的跨模态对齐等技术挑战，同时需确保患者在诱发任务中的安全性约束与数据采集质量的平衡。

常用场景

经典使用场景

在帕金森病运动障碍研究领域，FoG-STAR数据集通过多传感器同步采集的惯性测量单元数据，为冻结步态检测提供了标准化评估框架。研究者利用其包含的七种诱发任务和专家标注的严重程度分级，能够构建机器学习模型对运动模式进行精确分类，特别适用于跨被试泛化性能验证和实时监测算法开发。

解决学术问题

该数据集有效解决了帕金森病研究中冻结步态定量化评估的难题，通过融合多模态传感器数据与临床评分，建立了运动症状与数字生物标志物的关联模型。其价值在于提供了标准化数据范式，支持症状严重程度分级预测、运动活动模式识别以及药物疗效客观评估等核心研究方向的推进。

衍生相关工作

基于该数据集衍生的经典研究包括多传感器融合的深度学习方法FoG-Net、基于时序卷积网络的严重程度预测模型，以及跨数据集迁移学习框架TransferFoG。这些工作显著推动了《IEEE Transactions on Biomedical Engineering》等期刊在运动障碍分析领域的算法创新与临床验证标准建立。