A dataset of high-resolution plantar pressures for gait analysis across varying footwear and walking speeds

Deze paper introduceert het UNB StepUP-P150-dataset, een grote openbare bron van hoogwaardige plantaire drukgegevens van 150 personen onder verschillende loop- en schoeiselcondities, die een nieuwe standaard vormt voor ganganalyse en -herkenning.

De kern

De "Stap-Boek" van de Voet: Een Nieuwe Schat voor Looponderzoek

Stel je voor dat elke keer dat je een stap zet, je een unieke vingerafdruk achterlaat. Maar in plaats van in inkt op papier, laat je deze afdruk achter in de vorm van druk op de grond. Een nieuwe, enorme dataset genaamd UNB StepUP-P150 is nu beschikbaar, en het is alsof we eindelijk een complete bibliotheek hebben geopend met de "stap-prints" van 150 verschillende mensen.

Hier is wat deze studie inhoudt, vertaald naar begrijpelijke taal:

1. Het Probleem: De "Blinde Vlek" onder onze Voeten

Vroeger keken onderzoekers naar hoe mensen liepen door video's te maken of door mensen met sensoren vol te hangen. Dat is als proberen te begrijpen hoe een auto rijdt door alleen naar de bestuurder te kijken, zonder naar de banden te kijken.
We weten nu dat de druk onder onze voeten (plantaire druk) heel veel zegt over wie we zijn, hoe gezond we zijn en hoe we lopen. Maar er was een groot probleem: er waren geen grote, openbare verzamelingen van deze data. Het was alsof je een recept voor een taart wilde maken, maar de keukenkastjes waren leeg. Onderzoekers konden dus geen slimme computers (AI) trainen om deze patronen te herkennen.

2. De Oplossing: De "Super-Loopbaan"

Om dit op te lossen, hebben wetenschappers van de Universiteit van New Brunswick een speciale loopbaan gebouwd.

• De Vloer als een Digitaal Net: Ze hebben een loopbaan van 3,6 meter lang gelegd, bedekt met 240 kleine tegels. Elke tegel is een enorm fijnmazig net van 14.400 mini-sensoren.
• De Resolutie: Het is zo gevoelig dat het elke kleine drukverandering kan meten, alsof je een regenwolk op de grond ziet landen, pixel voor pixel.
• De Deelnemers: 150 mensen (van 19 tot 91 jaar oud, mannen, vrouwen, verschillende achtergronden) liepen hierop. Ze liepen niet alleen, maar deden het op vier manieren:
  1. Normaal: Hun eigen tempo.
  2. Snel: Alsof ze de bus net nog wilden halen.
  3. Langzaam: Alsof ze door een museum lopen.
  4. Stoppen: Ze liepen en stopten plotseling (alsof ze bij een metro-poortje aankwamen).
• De Schoenen: Ze liepen blootsvoets, met een standaard sportschoen, en met hun eigen persoonlijke schoenen (van hoge hakken tot wandelschoenen en sandalen).

Het resultaat? Meer dan 200.000 stappen zijn opgetekend. Dat is tien keer zoveel als de vorige grootste verzameling.

3. Waarom is dit zo speciaal? (De Analogie)

Vergelijk dit met het leren van een taal.

• Oude datasets waren als een woordenboek met slechts 50 woorden. Je kon geen zinnen maken.
• Deze dataset is als een complete bibliotheek met duizenden boeken in verschillende stijlen. Omdat ze zoveel variatie hebben (verschillende leeftijden, schoenen, snelheden), kunnen computers nu echt leren hoe mensen lopen, in plaats van alleen te raden.

4. Wat kunnen we hiermee doen?

Met deze "stap-boek" kunnen onderzoekers nu veel nieuwe dingen ontdekken:

• Veiligheid & Identiteit: Net zoals je een vingerafdruk gebruikt om een telefoon te ontgrendelen, kun je in de toekomst misschien je telefoon ontgrendelen door er gewoon overheen te lopen.
• Gezondheid: Als iemand een lichte hersenschudding heeft of een ziekte zoals Parkinson, verandert hun looppatroon heel subtiel. Deze sensoren kunnen die veranderingen zien voordat een arts het ziet.
• Schoenenontwerp: Schoenfabriekers kunnen zien precies waar hun schoenen druk geven en hoe ze de loopervaring kunnen verbeteren.
• AI Training: Het helpt slimme computers om beter te worden in het analyseren van beweging, wat nuttig is voor sportwetenschap en revalidatie.

5. De "Gereedschapskist"

De onderzoekers hebben niet alleen de data neergelegd; ze hebben ook een "gebruiksaanwijzing" en gereedschappen gemaakt.

• Ze hebben de ruwe data (zoals een onbewerkte film) en de opgeschoonde data (zoals een film met ondertiteling en geknipte scènes).
• Ze hebben zelfs video's gemaakt om te controleren of de sensoren het goed deden (als een dubbelcheck).
• Alles is beschikbaar voor iedereen, zodat elke onderzoeker, van een student tot een tech-gigant, ermee aan de slag kan.

Kortom:
De UNB StepUP-P150 dataset is als het openen van de deuren naar een wereld die we onder onze voeten hadden, maar nooit echt konden zien. Het is een gigantische stap (letterlijk!) vooruit in het begrijpen van hoe wij mensen bewegen, en het legt de basis voor een toekomst waar technologie ons helpt om gezonder en veiliger te lopen.

Technische samenvatting

Probleemstelling

Ganganalyse is een cruciaal onderzoeksgebied in biometrie, biomechanica, sportwetenschap en revalidatie. Hoewel traditionele methoden vaak vertrouwen op videosystemen en motion capture, biedt plantaire drukmeting (voetdruk) diepere inzichten in looppatronen. Echter, de ontwikkeling van geavanceerde deep learning-algoritmen voor gangherkenning en -analyse wordt gehinderd door het gebrek aan grote, publiek toegankelijke datasets met hoge resolutie. Bestaande datasets zijn vaak beperkt in omvang, hebben een lage sensorresolutie, missen variatie in covariaten (zoals schoeisel en loopsnelheid), of bevatten te weinig proefpersonen om realistische scenario's te dekken. Er is dus een dringende behoefte aan een uitgebreide, gestandaardiseerde dataset om de staat van de techniek voor gangherkenning op basis van voetdruk te verbeteren.

Methodologie

1. Dataverzameling (UNB StepUP-P150)

• Deelnemers: Er zijn 150 deelnemers opgenomen (na uitsluiting van 30 vanwege hardwarefouten of protocolafwijkingen). De groep is divers qua geslacht (74 man, 76 vrouw), leeftijd (19-91 jaar), etniciteit en lichaamsgrootte (BMI 17-39 kg/m²).
• Apparatuur: Gebruik werd gemaakt van een gespecialiseerde loopbaan van 1,2 m x 3,6 m, bestaande uit een raster van 240 x 720 piezoresistieve sensoren (24 sensoren/cm²). Dit biedt een ruimtelijke resolutie van 5x5 mm.
• Protocol: Elke deelnemer voerde 16 loopcondities uit (4 loopsnelheden × 4 schoeiselcondities) gedurende 90 seconden per conditie, plus evenwichtstesten.
  • Schoeisel: Blootsvoets (BF), Standaard schoen (ST - Adidas), en twee persoonlijke schoenen (P1 en P2) van de deelnemers.
  • Snelheden: Voorkeursnelheid, "Slow-to-stop" (remmen aan het einde), traag en snel.
• Data: Er zijn in totaal meer dan 200.000 voetstappen verzameld. Naast drukdata werden ook 7 RGB-camera's gebruikt voor visuele validatie en scans van de persoonlijke schoenen.

2. Data Verwerking en Preprocessing

• Detectie: Voetstappen werden geïdentificeerd via connected-component labeling en getrackt met het SORT-algoritme (Simple Online and Realtime Tracking) met een Kalman-filter.
• Normalisatie: Om diep leermogelijkheden te faciliteren, biedt de dataset twee preprocessing-pipelines:
  • Pipeline 1: Ruimtelijke rotatie, zero-padding, translatie en temporele interpolatie naar 101 frames (1% van de standfase). Behoudt informatie over voetafmetingen.
  • Pipeline 2: Voegt ruimtelijke herschaling (resize) en amplitude-normalisatie (gemiddelde druk) toe om verschillen in voetafmeting en lichaamsgewicht te minimaliseren.
• Labeling: Labels voor links/rechts, oriëntatie en onvolledige stappen werden algoritmisch gegenereerd en vervolgens handmatig gecontroleerd door onderzoekers.

3. Kwaliteitsborging

• Handmatige inspectie: Twee onderzoekers controleerden visueel de bounding boxes en labels, waarbij fouten zoals onvolledige stappen of verkeerde link/recht-labels werden gecorrigeerd.
• Outlier-detectie: Een R-score methode werd toegepast om afwijkende stappen (bijv. struikelen, sensorruis) te identificeren. Stappen met een R-score ≥ 2,0 werden gemarkeerd als outliers.

Belangrijkste Bijdragen

1. Grootte en Schaal: Met 150 deelnemers en >200.000 voetstappen is dit veruit de grootste publieke dataset voor plantaire drukgegevens, meer dan tien keer groter dan de vorige grootste dataset (SFootBD).
2. Hoge Resolutie: Met een resolutie van 4 sensoren/cm² (5x5 mm) biedt het de hoogste ruimtelijke resolutie onder bestaande datasets, wat fijnere details van drukverdeling mogelijk maakt.
3. Variatie in Covariaten: De dataset omvat een unieke combinatie van variabele loopsnelheden en diverse schoeiselcondities (inclusief persoonlijke schoenen en blootsvoets), wat essentieel is voor het trainen van robuuste modellen die niet overgeneraliseren.
4. Dual Format: De dataset levert zowel ruwe trial-voor-trial data als voorgeprocesseerde, gesegmenteerde voetstapdata, zowel in Python (.npz) als MATLAB (.mat) formaten.
5. Metadata-Rijkdom: Uitgebreide metadata over demografie, antropometrie, schoenmerken, en loopcondities maakt diepgaande analyses mogelijk.

Resultaten en Validatie

• Kwaliteitsvalidatie: De gegenereerde Ground Reaction Force (GRF) en Center of Pressure (COP) trajecten tonen een hoge correlatie met bestaande datasets (zoals GaitRec en CASIA-D), wat de technische validiteit bevestigt.
• Spatiotemporale parameters: De dataset toont een grotere variabiliteit in staplengte, cadans en "toe-out" hoek dan kleinere datasets, wat beter overeenkomt met de realiteit van een diverse populatie.
• Uitdaging voor herkenning: In tegenstelling tot kleinere datasets waar individuen makkelijk te onderscheiden zijn, tonen de resultaten in UNB StepUP-P150 dat bij een grotere en diversere populatie de overlap in gait-patronen (bijv. staplengte en -breedte) toeneemt. Dit maakt de dataset een realistischer en uitdagender benchmark voor biometrische herkenning.
• Resolutie-voordeel: De hoge sensorresolutie maakt het mogelijk om unieke kenmerken van schoenzolen en specifieke drukzones duidelijk te visualiseren, wat niet mogelijk is met lagere resolutie systemen.

Significantie en Toekomstperspectief

De UNB StepUP-P150 dataset stelt een nieuwe standaard (benchmark) voor gangonderzoek op basis van voetdruk. De dataset opent nieuwe onderzoeksmogelijkheden in:

• Biometrie: Het ontwikkelen van robuuste identiteitsherkenningssystemen die bestand zijn tegen veranderingen in schoeisel en loopsnelheid.
• Biomechanica: Het analyseren van hoe demografische factoren (geslacht, leeftijd) en externe factoren (schoeisel) de loopdynamiek beïnvloeden.
• Machine Learning: Het trainen en testen van geavanceerde deep learning-modellen voor segmentatie, registratie en classificatie van looppatronen.
• Klinische Toepassingen: Potentieel voor het detecteren van afwijkingen in looppatronen bij neurologische of orthopedische aandoeningen (hoewel de huidige dataset voornamelijk gezonde deelnemers bevat, vormt het een basis voor toekomstige studies).

Kortom, UNB StepUP-P150 vult een kritieke lacune in de literatuur door een schaalbaar, hoogwaardig en divers dataset te bieden dat de overgang van theoretische ganganalyse naar praktische, datagedreven toepassingen mogelijk maakt.