FoG-STAR：基于多传感器多级标注的帕金森病冻结步态表现与严重性数据集

本研究针对帕金森病冻结步态（FoG）检测与评估的算法开发需求，研发了基于可穿戴传感器的多级标注数据集FoG-STAR。该数据集收录22名患者在执行标准化运动任务时的多部位惯性测量单元（IMU）数据，包含101次FoG事件的临床专家标注，支持FoG动态表现分析、严重度评估及活动识别研究，为机器学习模型开发提供重要资源。

在帕金森病（Parkinson's disease, PD）的复杂运动症状中，冻结步态（Freezing of Gait, FoG）犹如一道无形的枷锁，令患者行走时突然出现短暂、不自主的步态中断，严重增加跌倒风险并显著降低生活质量。尽管FoG的临床识别至关重要，但其发作具有突发性、短暂性特点，传统临床观察难以实现精准捕捉与量化评估。当前基于可穿戴传感器的自动检测算法虽展现出潜力，却普遍面临标注数据稀缺、运动情境单一等瓶颈，尤其缺乏能够同步反映FoG表现形式、严重程度与动态运动背景的多维度数据集。

为破解这一难题，研究团队在《Scientific Data》发表了题为"A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease"的研究，正式推出FoG-STAR数据集。该研究通过系统化数据采集与精细标注，构建了支持FoG检测、严重性评估及活动识别的多模态资源，为开发下一代智能辅助诊断工具奠定基础。

关键技术方法涵盖：①采用四节点惯性测量单元（IMU）传感器网络（部署于双踝、腕部及腰部）同步采集三轴加速度计与陀螺仪数据；②设计包含单任务/双任务行走、360°转身及起立-行走测验等7类标准化运动协议；③由两名临床专家对101次FoG事件的起止时间、表现形式进行人工标注，并标记所有活动时段边界。

多维度数据采集框架

通过22名PD参与者完成系列标准化任务，获得涵盖日常典型动作（如坐站转换、直线行走、复杂转身）的多传感器时序数据。每个IMU节点以高频率捕捉运动细节，形成总计超百万帧的原始运动序列，为分析FoG在动态活动中的演变规律提供全景视图。

精细化事件标注体系

临床专家采用视频-传感器数据同步回放方式，不仅标注FoG起止点，更区分震颤型、步频加速型等具体表现形式。此外对任务中六大活动类型（坐、站、坐站转换、站坐转换、行走、转身）进行分段标记，建立FoG与运动上下文的关联映射。

数据质量验证

通过比较双评分者间的一致性系数（>0.85），证实标注可靠性。数据集中包含从轻微颤动到完全步态停滞的连续FoG谱系示例，特别是双任务行走中出现的典型"起步犹豫"案例，为研究认知-运动干扰机制提供关键样本。

多级分析潜力

基于活动分段与FoG标记的嵌套结构，支持三个层次的分析：微观层面聚焦单次FoG事件的运动学特征；中观层面研究FoG在不同活动类型中的分布规律；宏观层面通过任务完成时间、FoG总时长等参数实现严重度量化。

该研究构建的FoG-STAR数据集突破了传统单一检测目标的局限，通过融合多级标注框架，首次实现FoG事件与其运动背景的协同表征。其价值不仅体现在提供大规模高质量传感器数据，更在于建立可追溯FoG动态演变路径的分析范式，为开发情境感知的智能辅助系统提供核心支撑。该资源将加速机器学习模型在FoG检测、严重度分级及实时干预策略优化等方面的应用突破，最终推动帕金森病运动功能障碍的精准管理进入新阶段。