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

Este artigo apresenta o conjunto de dados UNB StepUP-P150, que contém mais de 200.000 medições de pressão plantar de alta resolução de 150 indivíduos sob diversas condições de calçado e velocidade, estabelecendo um novo marco para análise e reconhecimento de marcha.

O essencial

Imagine que a sua forma de caminhar é como a sua "assinatura digital" feita de pressão. Assim como ninguém tem a mesma impressão digital, ninguém pisa no chão exatamente da mesma maneira. Alguns pisam forte no calcanhar, outros no bico do pé; alguns andam rápido, outros devagar.

Este artigo apresenta um projeto incrível chamado UNB StepUP-P150, que é, basicamente, a maior e mais detalhada "biblioteca de pegadas" do mundo até hoje.

Aqui está uma explicação simples do que os pesquisadores fizeram:

1. O Problema: A Biblioteca Estava Vazia

Antes disso, os cientistas que estudam como as pessoas andam (para segurança, medicina ou esportes) tinham que usar vídeos ou sensores de movimento. Era como tentar entender a música de uma banda apenas olhando para os músicos, sem ouvir o som. Além disso, os dados que existiam eram pequenos, como se você tivesse apenas 10 páginas de um livro gigante. Faltava um banco de dados grande e público para treinar computadores inteligentes (Inteligência Artificial) a reconhecerem quem está andando apenas pelo jeito que eles pisam.

2. A Solução: O "Super Tapete Mágico"

Para resolver isso, a equipe da Universidade do Novo Brunswick (no Canadá) construiu um tapete de pressão gigante.

• O Tapete: Imagine um tapete de 3,6 metros de comprimento (quase o tamanho de um carro pequeno) coberto por 172.800 mini-sensores. É como ter uma grade de pixels superpoderosa no chão.
• A Resolução: A qualidade é tão alta que você consegue ver não apenas onde a pessoa pisou, mas como a sola do pé se moldou ao chão, detalhe por detalhe. É como ter uma câmera de ultra-alta definição para os seus pés.

3. Os "Atores": 150 Pessoas Reais

Eles não usaram apenas um grupo pequeno. Eles convidaram 150 pessoas de todas as idades (de 19 a 91 anos!), tamanhos, pesos e origens étnicas.

• O Cenário: Para tornar tudo realista, eles não pediram apenas para as pessoas usarem o mesmo tênis. Eles pediram para andarem:
  • Descalços (ou de meias).
  • Com um tênis padrão fornecido pela equipe.
  • Com dois pares de sapatos pessoais que cada pessoa trouxe de casa (desde chinelos e tênis de corrida até botas de trabalho e saltos altos).
• O Movimento: Eles andaram em diferentes velocidades: devagar, rápido, no ritmo natural e até parando de repente no final do tapete (como se fossem passar por um portão de segurança).

4. O Resultado: Um Tesouro de Dados

O resultado foi uma coleção de mais de 200.000 passos.

• Comparação: O maior banco de dados anterior tinha cerca de 20.000 passos. Este novo tem 10 vezes mais. É como trocar um álbum de figurinhas pequeno por uma enciclopédia completa.
• O que tem dentro: O banco de dados não é apenas "imagens" de passos. Ele inclui:
  • Dados brutos (o que o sensor viu).
  • Dados processados (já organizados passo a passo).
  • Informações sobre quem é a pessoa (idade, peso, tipo de pé).
  • Vídeos (que os pesquisadores usaram para garantir que os dados estavam corretos, como um "olho humano" verificando o trabalho do computador).

5. Por que isso é importante? (A Analogia da Chave e da Fechadura)

Pense na sua forma de andar como uma chave única.

• Segurança (Biometria): Hoje, usamos digitais ou reconhecimento facial para desbloquear celulares. Com este banco de dados, os cientistas podem treinar computadores para reconhecerem você apenas pelo seu "padrão de pisada". Imagine entrar em um prédio e a porta se abrir porque o sistema reconheceu como você anda, mesmo sem você mostrar o rosto ou a digital.
• Saúde e Esporte: Se você começar a pisar de um jeito diferente, o sistema pode alertar que você está com dor no joelho, que está cansado ou que tem algum problema neurológico antes mesmo de você sentir sintomas graves.
• Ciência Pura: Agora, pesquisadores de todo o mundo podem usar esses dados para criar novos modelos de inteligência artificial, testar se sapatos diferentes mudam a forma como andamos, ou entender como a idade afeta o equilíbrio.

Resumo em uma frase

Os pesquisadores criaram o maior "espelho" digital do mundo para os pés, capturando como 150 pessoas diferentes andam em várias situações, para que a tecnologia possa aprender a reconhecer, cuidar e entender melhor a forma como os humanos se movem.

É como se eles tivessem ensinado a uma IA a "ler" a alma de uma pessoa através dos seus passos.

Resumo técnico

1. O Problema

A análise da marcha (padrões de movimento durante a caminhada) é fundamental em áreas como biometria, biomecânica, esportes e reabilitação. Embora métodos tradicionais utilizem câmeras e captura de movimento, a medição de pressão plantar oferece insights mais profundos sobre os padrões de pisada. No entanto, o avanço de algoritmos de aprendizado profundo para análise de marcha baseada em pressão foi limitado pela falta de conjuntos de dados públicos, grandes e diversificados.

• Limitações dos dados existentes: A maioria dos bancos de dados públicos utiliza sistemas baseados em vídeo ou sensores de força (placas de força) que fornecem informações menos abrangentes. Os poucos conjuntos de dados que utilizam sensores de pressão de alta resolução geralmente têm amostras pequenas, escopo limitado e não consideram adequadamente variáveis de confusão (como diferentes calçados e velocidades), não representando cenários do mundo real.

2. Metodologia

Os pesquisadores desenvolveram o UNB StepUP-P150, um banco de dados abrangente coletado na Universidade de New Brunswick (Canadá).

• Participantes: O estudo envolveu inicialmente 180 indivíduos, dos quais 150 foram selecionados para o conjunto final (74 homens, 76 mulheres; idade média de 34 anos, variando de 19 a 91 anos). A amostra inclui diversidade étnica (majoritariamente branca, mas com significativa representação asiática e outras) e variados tipos corporais (IMC de 17 a 39 kg/m²).
• Instrumentação:
  • Caminho de Pressão: Um tapete de 1,2m x 3,6m composto por 12 módulos de sensores piezoresistivos (Stepscan Technologies Inc.).
  • Resolução: 4 sensores/cm² (grade de 240 x 720 sensores, totalizando 172.800 sensores), com uma resolução espacial de 5mm x 5mm.
  • Frequência de Amostragem: 100 Hz.
  • Câmeras: 7 câmeras RGB (1080p, 20 fps) posicionadas em vários ângulos para validação visual e sincronização temporal.
• Protocolo Experimental:
  • Cada participante realizou 16 condições de caminhada (4 velocidades × 4 tipos de calçado) + 3 testes de equilíbrio.
  • Velocidades: Preferida, Lenta até parar (Slow-to-Stop), Lenta e Rápida.
  • Calçados: Descalço (com ou sem meias), Calçado Padrão (tênis Adidas fornecido) e Duas Pares de Calçados Pessoais (abrangendo desde tênis esportivos até botas de trabalho e saltos altos).
  • Duração: 90 segundos por condição de caminhada, resultando em aproximadamente 1.400 passos por indivíduo.
• Processamento de Dados:
  • Detecção de Passos: Algoritmos de detecção de objetos conectados e rastreamento (SORT) para identificar e rastrear passos individualmente.
  • Pré-processamento: O conjunto de dados oferece duas versões de dados pré-processados para facilitar o uso em aprendizado de máquina:
    1. Pipeline 1: Rotação, preenchimento zero (padding) espacial, tradução e interpolação temporal (101 quadros). Mantém informações de tamanho do pé e peso.
    2. Pipeline 2: Inclui redimensionamento espacial para um tamanho comum e normalização de amplitude (pressão média), removendo variáveis de tamanho e peso para focar no padrão de pressão.
  • Validação: Inspeção manual rigorosa por dois pesquisadores para corrigir rótulos (pé esquerdo/direito, passos incompletos) e detecção de outliers baseada em escores R (desvios padrão da mediana do passo).

3. Principais Contribuições

• Maior Banco de Dados de Passos: Com mais de 200.000 passos de 150 indivíduos, o UNB StepUP-P150 supera em mais de 10 vezes o maior banco de dados anterior (SFootBD, com ~20.000 passos).
• Alta Resolução Espacial: Oferece a maior densidade de sensores (4 sensores/cm²) entre os bancos de dados públicos, permitindo a visualização de detalhes finos da textura e forma do pé e do calçado.
• Diversidade de Variáveis: É o primeiro conjunto de dados a combinar sistematicamente alta resolução com múltiplas condições de calçado (incluindo calçados pessoais variados) e múltiplas velocidades, cobrindo um espectro demográfico amplo.
• Formatos Acessíveis: Dados brutos e processados disponíveis em formatos NPZ (Python) e MAT (MATLAB), com metadados detalhados em CSV.
• Código Aberto: Scripts completos para importação, normalização, extração de características (GRF, COP, parâmetros espaço-temporais) e validação estão disponíveis no GitHub.

4. Resultados e Validação Técnica

• Qualidade dos Dados: A análise comparativa de sinais de Força de Reação do Solo (GRF) e trajetória do Centro de Pressão (COP) mostrou que os dados do StepUP-P150 são consistentes com bancos de dados estabelecidos (como GaitRec e CASIA-D), validando a precisão dos sensores.
• Variabilidade Realista: O conjunto de dados demonstrou alta variabilidade nos parâmetros espaço-temporais (comprimento da passada, cadência, ângulo de saída do pé) entre participantes e condições, refletindo a complexidade da marcha humana real.
• Desempenho de Detecção: Os algoritmos automáticos de detecção de passos alcançaram alta precisão (ex: 99,7% na identificação de lado do pé), mas a inspeção manual foi crucial para corrigir erros em casos de passos incompletos ou comportamentos de "arrastar" os pés.
• Comparação com Outros: O tamanho da plataforma de sensores (3,6m) permite capturar 4-6 passos consecutivos naturalmente, ao contrário de plataformas menores que forçam passos únicos ou curtos, eliminando viés de protocolo.

5. Significado e Impacto

O UNB StepUP-P150 estabelece um novo padrão (benchmark) para pesquisa em análise e reconhecimento de marcha baseada em pressão plantar.

• Biometria: Permite o desenvolvimento e teste de modelos de reconhecimento de identidade mais robustos, capazes de lidar com variações de calçado e velocidade, superando limitações de bancos de dados anteriores.
• Biomecânica e Saúde: Facilita o estudo de como fatores demográficos (idade, sexo), condições médicas e tipos de calçado afetam a distribuição de pressão, auxiliando no diagnóstico de condições e no design de calçados.
• Inteligência Artificial: Fornece a base de dados necessária para treinar modelos de Deep Learning complexos que exigem grandes volumes de dados diversificados para generalização eficaz.
• Padronização: A disponibilidade de dados brutos e pré-processados, juntamente com scripts de validação, promove a padronização de metodologias na comunidade científica, permitindo comparações diretas entre diferentes técnicas de análise.

Em resumo, este trabalho preenche uma lacuna crítica na literatura, fornecendo um recurso de dados de alta qualidade, diversificado e acessível que impulsionará avanços significativos tanto na biometria quanto na ciência da reabilitação e biomecânica.