高分辨率足底压力数据集UNB StepUP-P150：多鞋型与步速条件下的步态分析与识别新基准

本研究针对足底压力步态分析领域缺乏大规模公开数据集的瓶颈，开发了包含150名参与者、20万步足迹的UNB StepUP-P150数据集。通过1.2×3.6米高分辨率压力传感走道（4 sensors/cm2），研究人员系统采集了裸足、标准鞋及个性化鞋类在四种步速（自选/快/慢/急停）下的动态压力分布，为生物识别、生物力学及深度学习研究提供了迄今最全面的足底压力基准。该数据集通过R-score质量控制与多模态验证，显著推进了个体化步态特征解析与跨条件识别的研究边界。

　　

行走，这个看似简单的日常动作，实则蕴含着每个人独特的生物密码。从康复医学到运动科学，从身份识别到神经疾病早期筛查，步态分析一直是多学科交叉研究的热点。然而传统依赖视频和动作捕捉的技术难以捕捉足底压力的精细变化，而现有压力传感数据集又普遍存在样本量小（如CASIA-D仅88人）、鞋型单一（如CAD WALK仅裸足数据）或传感分辨率低（如SFootBD传感器间距达27mm）等局限。这种数据匮乏严重制约了深度学习模型在步态识别中的性能提升，也阻碍了鞋型、步速等干扰因素影响机制的深入研究。

加拿大新不伦瑞克大学（University of New Brunswick）生物医学工程研究所的Robyn Larracy团队在《Scientific Data》发表了突破性解决方案——UNB StepUP-P150数据集。这项历时18个月的研究构建了迄今规模最大、维度最丰富的足底压力数据库：通过12块模块化压力传感瓷砖（总传感面积1.2×3.6米，172,800个压阻传感器）采集了150名19-91岁参与者（72男/78女，含28%少数族裔）在裸足、标准鞋和两双个人鞋（共8类鞋型）下的行走数据，包含四种步速条件下的200,000余步足迹。研究团队创新性地采用SORT（Simple Online and Realtime Tracking）算法实现步态相位自动分割，结合R-score（21）离群值检测和七视角视频校验，确保数据质量。该数据集首次实现单次行走捕获4-6个连续步态周期，空间分辨率较主流设备提升50%，并配套提供两种预处理流程（时空归一化/压力振幅标准化）和21项元数据标签。

关键技术方法包括：1）基于Stepscan Technologies压敏走道系统（100Hz采样率，10kPa灵敏度）的高通量数据采集；2）SORT-Kalman滤波器的步态事件时空追踪；3）双阶段人工校验（修正13.7%算法标记错误）；4）多模态标准化管道（支持NPZ/MAT格式输出）。参与者队列来自本地社区招募，排除神经系统疾病或近期外伤者，通过随机化试验顺序控制疲劳效应。

主要研究结果

数据质量验证

通过峰值压力图像（peak pressure images）对比显示，该数据集5×5mm传感器密度显著优于既往研究（图12）。与力板数据库（GaitRec/Gutenberg）的GRF（ground reaction force）波形比对证实其生物力学合理性（图13），而较CASIA-D增加300%的步态序列长度（4-6步vs 1-2步）使步长、步宽等参数提取更可靠（图15）。

步态参数变异分析

裸足状态下步长（1.43±0.21m）与CASIA-D存在显著差异（p<0.05），反映大尺寸走道对自然步态的保留优势（图15）。鞋型影响尤为突出：个人鞋类使步宽变异增加47%（图16），工作靴与高跟鞋产生独特压力分布（图8），证实鞋底特性是步态识别的关键干扰项。

人口统计学特征

亚洲参与者（占24%）的步速标准差较白人组低12%（图5），非二元性别者步态动力学呈现特殊模式，突显数据集在消除人口偏见的价值（表2）。BMI与平均压力（MeanPressure）的强相关性（r=0.82）为肥胖相关步态研究提供新维度。

结论与展望

UNB StepUP-P150通过三个创新确立了新标准：1）首个覆盖鞋型-步速四因素交叉影响的大规模数据集；2）基于R-score（21）的质量控制体系；3）开源预处理脚本支持12种归一化组合（表3）。该资源不仅推动步态生物识别系统在真实场景（如安检门禁）的应用，更为足踝康复评估、运动损伤预防等医学领域提供量化工具。研究团队特别建议采用Pipeline 2（空间重采样+压力归一化）处理跨鞋型比较，而保留原始尺寸的Pipeline 1更适合个体识别。未来工作将探索步态特征与肌肉骨骼疾病的关联，并基于该数据集举办生物识别竞赛以促进算法创新。

（注：全文数据可通过FRDR平台获取，DOI:10.20383/103.01285）