信息速览
平衡研究有一件长期没解决的事：所有人都在测同一件事，却几乎没人用同一套数据测。压力中心怎么算、滤到多少赫兹、站多久、睁眼还是闭眼、硬地还是泡沫垫，每个实验室各有一套约定。结果是论文里的均值彼此不可比，新提出的指标常常只在作者自己那批受试者身上好看。这不是方法学上的疏忽，而是这个领域缺少一份所有人都能拿到的参照数据。
HBEDB 就是冲着这件事做的。巴西 ABC 联邦大学的两位研究者用一台商用力台，把 163 名 18 至 85 岁的受试者请进实验室，在四种视觉与支撑面组合下各站三次、每次六十秒，然后把原始力信号、压力中心、以及四项量表的逐题得分一起公开。它的价值不在规模，而在设计：同一批人、同一间屋子、同一台设备、同一名施测者，条件顺序还做了随机化。
它的代价同样清楚：便利样本、单一中心、受试者健康状态全靠自报、二十六段试次缺失。它适合当尺子，不适合当粮仓。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全名 | Human Balance Evaluation Database（HBEDB，项目内称 Balance Data Set） |
| 发布方 | PhysioNet（数据由巴西 ABC 联邦大学生物力学与运动控制实验室制作） |
| 首次发布 | 2016 年 5 月 19 日，版本 1.0.0 |
| 配套论文 | Santos DA, Duarte M. A public data set of human balance evaluations. PeerJ 4:e2648, 2016 |
| 受试者 | 163 名（116 女、47 男），18 至 85 岁，87 名青年、76 名老年 |
| 试次数 | 1,930 段，编号 BDS00001 至 BDS01956，缺 26 段 |
| 每段时长 | 60 秒 |
| 采样率 | 100 Hz，每段 6000 个采样点 |
| 通道数 | 8（三向力、三向力矩、压力中心两向） |
| 信号单位 | 牛顿、牛·米、厘米 |
| 条件设计 | 睁眼或闭眼 × 硬地或泡沫垫，共四种，各重复三次，顺序随机 |
| 元数据 | BDSinfo.txt（制表符分隔，64 列）与 BDSinfo.xlsx，各 1930 行 |
| 附带量表 | Short FES-I、IPAQ 短版、Trail Making Test、Mini-BESTest |
| 文件格式 | WFDB：.hea 头文件 + .dat 信号；Figshare 另有 ASCII 文本 |
| 体积 | 未压缩 356.2 MB，ZIP 356.8 MB |
| 许可 | PhysioNet 页面标 ODC 署名 1.0，无需注册 |
§1 它要解决的具体麻烦
1.1 一个没有公共原点的领域
姿势描记这件事，仪器原理三十年没变过：一块测力的板子，记录人站着不动时脚底压力的落点怎么漂。变的是分析方式。有人算压力中心的均方根半径，有人算包络面积，有人算单位时间路径长度，有人把信号拆成频段做功率谱。这些指标没有一个被公认的"正确"版本，因为它们都只是对同一条漂移曲线的不同摘要。
摘要方式不统一，本身不致命，真正麻烦的是没有公共原点。假如两个实验室都报告"老年组闭眼站立时前后向摆动速度是每秒 1.2 厘米"，这个数字离开了采样率、滤波截止、 trial 时长、地面条件、鞋具、指令措辞就没法解释。同一个受试者换一间实验室，测出来的速度可以差一倍。于是每当有人提出一个新指标，审稿人问的第一个问题总是"和谁比"，而作者往往只能拿自己另外招的一批人比。
HBEDB 想提供的就是那个原点。它把采集协议写死到近乎刻板的程度：光脚、双脚夹角二十度、脚跟间距十厘米、双臂垂在体侧、注视前方三米处一个五厘米的黑色圆靶、每次六十秒、条件顺序随机、同一名有经验的施测者全程执行。这些细节看起来琐碎，但它们正是让不同论文的数字可以放在一张表里的前提。
1.2 三条常见的错误期待
第一条，期待它是一个"平衡障碍患者队列"。它招的是社区里的健康志愿者与老年人活动中心的常客，只有十六人自报存在至少一项残障，且没有任何人经过临床平衡功能诊断。想拿它训练"跌倒高风险人群识别"，标签只能靠自报的跌倒次数与量表分数，病例定义非常软（§7.3）。
第二条，期待它是"多中心、多设备"的数据。全部数据来自一间 4.5 米乘 2.8 米的实验室、一台 40 厘米乘 60 厘米的 AMTI 力台、一套 NetForce 采集软件。它提供的是同一条件下的深度，而不是跨条件的广度。想验证设备无关性，用它做不到（§7.4）。
第三条，期待它的元数据是"一受试者一行"。恰恰相反，元数据表以试次为行，每名受试者占十二行，六十三列内容逐字重复。这一点如果不先看清楚，做出来的任何统计都会把样本量放大一个数量级（§2.2）。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 压力中心指标的规范化参照值 | 163 人、四条件、每条件三次重复的原始信号 | 够，是目前少有的公开参照 |
| 感觉重加权（视觉与本体感觉）研究 | 睁眼闭眼 × 硬地泡沫的完整二乘二设计 | 够，且同一受试者内比较 |
| 姿势控制的重复测量与信度分析 | 每条件三次重复，可直接算组内相关 | 够，这是它最被低估的用途 |
| 平衡量表与客观指标的关联 | Mini-BESTest 十四项、FES-I 七题、TMT、IPAQ 逐题得分 | 够做横断面关联 |
| 跌倒风险预测模型训练 | 自报跌倒次数，无随访、无结局确认 | 不够，只能做探索性特征筛选 |
| 跨设备、跨中心泛化验证 | 单一实验室、单台力台 | 不够 |
| 病理人群（帕金森、脑卒中等）建模 | 无临床诊断分组 | 不够，需另找队列 |
| 长时程或动态平衡任务 | 只有静态站立，每次六十秒 | 不够，无步态、无扰动、无双重任务 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 你提出了一套新的压力中心复杂度指标，需要证明它不是只在自己的数据上有效 | 提供一批协议完全公开、条件完全标注的信号，任何人可以按你的流程复算 | 先用官方给的滤波口径跑一遍，再报告你自己额外滤波带来的差异 |
| 你在做康复设备的效果评估，缺一个健康对照的基线分布 | 163 人的四条件基线，可按年龄段分层对照 | 按受试者而非试次抽对照，避免把十二行当十二人 |
| 你想研究视觉与本体感觉各自贡献多少 | 四种条件的组合正好构成二乘二析因 | 用同一受试者跨条件的差值，不要跨人比较绝对值 |
| 你在训练一个从力台信号估量表得分的模型 | 同一批人同时有原始信号与 Mini-BESTest 逐项得分 | 按受试者划分训练与测试，报告组内相关而非逐试次准确率 |
| 你在教生物力学，需要一段可用于课堂的原始数据 | 六十秒、八通道、单位清楚、编号连续，适合做演示 | 用 §5.3 的读取脚本，注意单位换算与增益量级 |
| 你想复现某篇用 HBEDB 的论文 | 数据完整、许可宽松、体积不到四百兆 | 先核对对方的滤波与去趋势设置，这是差异的主要来源 |
1.5 一句话判断
它不是用来"训练"的，是用来"校准"的：当你手里的压力中心指标说不清是受试者的差异还是你自己的处理流程造成的差异时，这批数据是少数能把两者分开的公开材料。
1.6 不适合谁：四条边界
不适合拿来做深度学习的大规模预训练。 1930 段、163 人、单一任务，任何一个参数量过百万的模型都能在几轮内记住全部受试者。它的大小决定了它只能做验证、做校准、做小样本方法学研究。
不适合拿来做临床诊断或筛查工具。 受试者没有经过任何平衡功能的临床评估，所谓"老年组"只是年龄大于等于六十岁，"残障"只是自报。用它的标签训练出来的分类器，学到的不是疾病，是年龄与自报习惯。
不适合做跨设备泛化研究。 一台力台、一间实验室、一套软件。它的全部信号共享同一套系统误差，包括那次安装后未复校的校准。任何"设备无关"的结论都不能靠它得出。
不适合做动态或功能性平衡研究。 四种条件全是静态站立，没有步态、没有起身坐下、没有外部扰动、没有双重任务。想研究动态平衡，得去看别的库（§6.1）。
§2 数据构成与规格
2.1 一个试次由两个文件构成
PhysioNet 上的每个试次对应同名的两个文件：.hea 是纯文本头文件，声明采样率、通道数、每个通道的增益与基线，并附带受试者的年龄、性别、身高、体重、疾病与用药；.dat 是二进制信号本体，按采样点交错存放八个通道的整数值。
这跟 PhysioNet 上大多数心电库的结构一样，但有一处显著区别：它没有注释文件。心电库的 .atr 存的是心搏位置与类型，HBEDB 没有需要逐点标注的事件，它的"标签"全部在元数据表里。所以读这份数据不需要注释读取器，只需要头文件加信号，再左连接一张表。
| 文件 | 内容 | 格式 | 是否必需 |
|---|---|---|---|
BDSxxxxx.hea |
采样率、通道声明、增益、受试者字段 | 纯文本，ASCII | 必需，否则无法还原物理量 |
BDSxxxxx.dat |
八通道 32 位整数采样 | 二进制，小端 | 必需 |
BDSinfo.txt |
64 列元数据，1930 行 | 制表符分隔文本 | 强烈建议，条件标签在这里 |
BDSinfo.xlsx |
同上，Excel 封装 | OOXML | 可选，便于人工核对 |
SHA256SUMS.txt |
全量文件校验和 | 纯文本 | 可选，用于校验下载完整性 |
2.2 字段与记录的完整字典
元数据表六十四列，可以分成五组：试次标识、人口学、健康状况、量表得分、采集时间。下表按组列出全部列名与含义。
| 组 | 列名 | 含义 | 取值示例 |
|---|---|---|---|
| 标识 | Trial | 试次文件名 | BDS00001 |
| 标识 | Subject | 受试者编号 | 1 至 163 |
| 条件 | Vision | 视觉条件 | Open / Closed |
| 条件 | Surface | 支撑面 | Firm / Foam |
| 人口学 | Age | 年龄（岁） | 33.0 |
| 人口学 | AgeGroup | 年龄组 | Young（小于 60）/ Old |
| 人口学 | Gender | 性别 | F / M |
| 人口学 | Height | 身高（厘米） | 157.5 |
| 人口学 | Weight | 体重（千克） | 54.2 |
| 人口学 | BMI | 体重指数 | 21.85 |
| 人口学 | FootLen | 足长（厘米，双脚均值） | 21.8 |
| 人口学 | Nationality | 出生国 | Brazil |
| 人口学 | SkinColor | 自报肤色 | Yellow |
| 人口学 | Ystudy | 正规受教育年数 | 17 |
| 人口学 | Footwear | 日常最常穿的鞋型 | Flip-Flops |
| 健康 | Illness | 是否自报患病 | Yes / No |
| 健康 | Illness2 | 疾病名称 | Hypothyroidism |
| 健康 | Nmedication | 每日服药种数 | 1 |
| 健康 | Medication | 药物名称 | Oral contraceptive |
| 健康 | Ortho-Prosthesis | 是否使用矫形器或假肢 | Yes / No |
| 健康 | Ortho-Prosthesis2 | 具体类型 | Corrective lens |
| 健康 | Disability | 是否自报残障 | Yes / No |
| 健康 | Disability2 | 残障类型 | No |
| 健康 | Falls12m | 过去十二个月非故意跌倒次数 | 0 |
| 量表 | FES_1 至 FES_7 | 跌倒效能量表七题 | 1 至 4 |
| 量表 | FES_T | 量表总分 | 7 至 28 |
| 量表 | FES_S | 担忧程度分级 | Low Concern 等 |
| 量表 | IPAQ_1a 至 IPAQ_4b | 体力活动问卷八问 | 数值或时段 |
| 量表 | IPAQ_S | 活动等级 | Low / Moderate / High |
| 量表 | TMT_timeA | 连线测验 A 用时（秒） | 14.06 |
| 量表 | TMT_errorsA | 连线测验 A 错误数 | 0 |
| 量表 | TMT_timeB | 连线测验 B 用时（秒） | 19.69 |
| 量表 | TMT_errorsB | 连线测验 B 错误数 | 0 |
| 量表 | Best_1 至 Best_14 | Mini-BESTest 十四项 | 0 至 2 |
| 量表 | Best_T | Mini-BESTest 总分 | 0 至 28 |
| 时间 | Date | 采集时间戳 | 2015-10-08 08:30:00 |
信号侧的字段更少，但每个都要对上单位，否则后续所有指标都会错一个量纲。
| 通道 | 头文件标签 | 物理含义 | 单位 | 正方向约定 |
|---|---|---|---|---|
| 1 | Fx | 前后向力 | 牛顿 | 向前为正 |
| 2 | Fy | 左右向力 | 牛顿 | 向右为正 |
| 3 | Fz | 垂直向力 | 牛顿 | 向上为正 |
| 4 | Mx | 绕前后轴的力矩 | 牛·米 | 依力台坐标系 |
| 5 | My | 绕左右轴的力矩 | 牛·米 | 依力台坐标系 |
| 6 | Mz | 绕垂直轴的力矩 | 牛·米 | 依力台坐标系 |
| 7 | COPx | 压力中心前后向位移 | 厘米 | 向前为正 |
| 8 | COPy | 压力中心左右向位移 | 厘米 | 向右为正 |
这里有一个必须说清的物理细节：力与力矩的符号，指的是受试者施加在力台上的力，而不是力台施加在受试者身上的地面反作用力，两者方向相反。压力中心的公式之所以写成 COPx 等于负的 My 除以 Fz、COPy 等于 Mx 除以 Fz，正是因为取了这组符号约定。把这个符号搞反，前后向与左右向的摆动方向就会整体镜像，而所有只看幅度不看方向的指标都不会报错——这是最隐蔽的一类错误。
2.3 一条记录的完整解剖
以 BDS00001 为例，头文件只有十二行，八行通道声明加四行受试者字段。下面这段是真实内容，只把增益数值原样保留。
BDS00001 8 100 6000
BDS00001.dat 32 1060833862.2723(2271395407)/N 0 0 538452217 -9229 0 Fx
BDS00001.dat 32 4656770414.5913(17661132428)/N 0 0 248839184 28637 0 Fy
BDS00001.dat 32 1427980618.5481(-767920279961)/N 0 0 1855607265 -28650 0 Fz
BDS00001.dat 32 952457968.7853(-5284368726)/Nm 0 0 -156806489 -23212 0 Mx
BDS00001.dat 32 476223862.4012(-20962540793)/Nm 0 0 -454031116 26711 0 My
BDS00001.dat 32 14324436086.5142(6917406268)/Nm 0 0 -1260070507 2475 0 Mz
BDS00001.dat 32 2562568491.2055(20990841596)/cm 0 0 519022622 15784 0 COPx
BDS00001.dat 32 5133228668.8522(-5292864381)/cm 0 0 -166447506 -21236 0 COPy
#-- 以下四个字段受试者级，同一人的十二个试次完全相同
头文件第一行三个数字的顺序是记录名、通道数、采样率、每通道采样点数。八通道、100 Hz、6000 点，正好对应六十秒。第二列出现的 32 是 WFDB 的格式码，代表 32 位整数，这也解释了为什么每个 .dat 恰好是 187.5 KB：八通道乘四字节乘六千点。增益一栏的数值大到九次方量级，不是错误，而是因为整数字段被用来承载小数精度——存储值几乎就是物理量本身放大若干数量级后的结果。用 WFDB 工具读取时不必手工处理，rdrecord 会按增益与基线还原成物理量。
.hea 末尾的四行是受试者字段，格式固定为井号加字段名加冒号加值。这四行只是元数据表的摘录，完整信息仍在 BDSinfo.txt 里。
#-- 只看一个试次的头文件，确认通道与单位
curl -sL https://physionet.org/files/hbedb/1.0.0/BDS00001.hea
#-- 看元数据表的前三行，确认列名与分隔符
curl -sL https://physionet.org/files/hbedb/1.0.0/BDSinfo.txt | head -n 3
2.4 四种条件的组合与缺口
设计的骨架是一个二乘二：视觉开或关、支撑面硬或软。每个格子重复三次，理论上一名受试者贡献十二段试次。四种条件对姿势控制的挑战依次递增，闭眼加泡沫最难，因为视觉与足底本体感觉两条通道同时被削弱。
| 条件编号 | 视觉 | 支撑面 | 挑战程度 | 主要削弱的输入 |
|---|---|---|---|---|
| 1 | 睁眼 | 硬地 | 最低 | 无 |
| 2 | 闭眼 | 硬地 | 中 | 视觉 |
| 3 | 睁眼 | 泡沫 | 中 | 足底本体感觉 |
| 4 | 闭眼 | 泡沫 | 最高 | 视觉与足底本体感觉 |
理论试次是一百六十三乘十二，等于一千九百五十六，这正好是文件编号的上限。实际到位一千九百三十段，相差二十六段。论文对此有明确说明：五名受试者无法完成最具挑战性的条件，缺的正是这些格子。所以缺口不是随机的，它系统性地落在最难的条件上，这会让"闭眼泡沫"这一格的样本略少，也会让"完成全部十二段"的受试者比"未完成"的受试者在能力上略强——一个典型的幸存者偏倚，而且方向明确：它会让最难的格子看起来比真实情况稍好。
| 项目 | 官方口径 | 对分析的影响 |
|---|---|---|
| 理论试次 | 163 乘 12，等于 1956 | 编号上限定在此 |
| 实有试次 | 1930 | 每条件平均不足十二段 |
| 缺口 | 26 段 | 集中在闭眼泡沫条件 |
| 涉及受试者 | 5 名 | 这五人的其他试次仍完整 |
| 缺口原因 | 无法完成最难条件 | 非随机缺失，方向已知 |
2.5 与同类资源的字段差异
把 HBEDB 放在姿势描记类资源里看，它的字段组合相当特殊：既有原始力信号，又有压力中心，还有一整套量表与访谈。多数公开的步态或平衡数据只给其中一两样。
| 资源类型 | 典型内容 | HBEDB 的差异 |
|---|---|---|
| 单纯力台库 | 只有压力中心或只有力 | 八通道全给，力、力矩、压力中心俱全 |
| 步态库 | 行走中的足底压力或关节角度 | 只做静态站立，无步态 |
| 临床量表库 | 只有量表得分 | 量表与原始信号同一批人、同一天 |
| 可穿戴库 | 加速度计或鞋垫 | 实验室级力台，精度高但场景受限 |
| 大型人群队列 | 数千人、少指标 | 163 人、指标极密 |
| 干预试验库 | 有前后对照 | 单次横断面，无干预、无随访 |
2.6 存储精度与容量换算
单看"32 位整数"容易误判精度。整数本身没有小数位，精度完全由头文件里的增益决定。增益写成十的九次方量级，意味着一个整数刻度对应的物理量在十的负九次方量级——远高于力台本身的噪声水平。换句话说，存储格式给的有效位数远超测量精度，瓶颈在传感器而不在文件。
这一点对使用者有两个实际含义。第一，不要为了"省空间"把信号转成单精度浮点再存回整数格式，那只会引入新的量化误差，而原始整数已经足够。第二，比较不同来源的压力中心数据时，位深不是差异的来源，滤波与校准才是。
| 量 | 数值 | 推导方式 |
|---|---|---|
| 每采样帧字节数 | 32 | 8 通道乘 4 字节 |
| 每段采样点数 | 6000 | 100 Hz 乘 60 秒 |
单个 .dat 大小 |
187.5 KB | 32 乘 6000 字节 |
全部 .dat 合计 |
约 354 MB | 单文件乘试次数 |
全部 .hea 合计 |
约 1.4 MB | 每份约 700 字节 |
| 元数据表 | 数百 KB | 1930 行乘 64 列 |
| 整包 ZIP | 356.8 MB | 官方页面给出 |
这张表的价值在预算。如果只打算做元数据分析，下载元数据表加头文件不到两兆；如果要做信号级建模，才需要三百多兆的全量。很多人在第一步就把整包拉下来，然后在解压与索引上耗掉时间，其实完全没必要。
§3 它是谁的数据：一间实验室的十年积累
3.1 两个人、一间实验室、一台力台
数据出自巴西 ABC 联邦大学（Universidade Federal do ABC）生物力学与运动控制实验室，位于圣保罗州的圣贝尔纳多-杜坎普。两位作者是 Damiana Aparecida Santos 与 Marcos Duarte，后者是巴西生物力学界做姿势控制研究的老面孔，长期维护一个面向运动分析的 Python 教学资源库。
署名顺位与贡献说明里，两人被标为同等贡献。实际执行层面，论文明确写了全部评测由同一位有经验的施测者完成，括号里给出的缩写正是第一作者。这一点对数据质量的意义大于署名本身：同一双手、同一套指令、同一个判断标准，把施测者间的变异压到了零。
| 项目 | 内容 |
|---|---|
| 制作机构 | 巴西 ABC 联邦大学生物力学与运动控制实验室 |
| 作者 | Damiana A. Santos、Marcos Duarte（同等贡献） |
| 地点 | 巴西圣保罗州圣贝尔纳多-杜坎普 |
| 伦理审批 | 该校伦理委员会，编号 842529/2014 |
| 施测 | 同一名有经验的研究者全程执行 |
| 单次会话时长 | 一到两小时 |
| 试点 | 先做五名受试者的预实验，其数据未纳入 |
3.2 时间线
这条时间线不长，但有两个值得注意的节点：一次是正式发表，一次是双镜像发布。后者意味着同一批数据在两套许可下同时存在。
| 时间 | 事件 |
|---|---|
| 2014 年 | 伦理审批通过（编号 842529/2014） |
| 2015 年 | 数据采集，从 2015 年 10 月起陆续完成 |
| 2016 年 6 月 24 日 | 论文投稿 PeerJ |
| 2016 年 10 月 3 日 | 论文接收 |
| 2016 年 5 月 19 日 | PhysioNet 上线，版本 1.0.0 |
| 2016 年 11 月 10 日 | 论文正式发表（PeerJ 4:e2648） |
| 至今 | 无版本更新，仍为 1.0.0 |
PhysioNet 上线时间早于论文正式发表，这在数据集类资源里很常见：先把数据放出去供同行使用，论文随后作为方法学说明。这也解释了为什么 PhysioNet 页面上的描述比论文简略得多，很多方法细节只能从论文里补。
3.3 采集场景：一间清空的屋子
论文对采集环境的描述细到房间尺寸：姿势描记在一间 4.5 米乘 2.8 米的空房间里进行，白墙、照明充足；问卷与量表访谈在另一间 7.5 米乘 5.7 米的空房间里进行。两个房间都清空，是为了消除视觉参照物对姿势控制的影响——墙上的海报、桌角的轮廓都会成为受试者稳定身体的外在线索。
力台是 AMTI 的 OPT400600-1000 型号，40 厘米乘 60 厘米，配 Optima 信号调理器，采集软件为 NetForce 3.5.3。泡沫垫是 Airex 的 Balance Pad，厚 6 厘米。这些型号信息在论文里给得很全，因为对姿势描记来说，支撑面的力学特性会直接改变测量结果，光写"泡沫垫"三个字不够。
| 要素 | 规格 | 为什么重要 |
|---|---|---|
| 力台 | AMTI OPT400600-1000，40×60 厘米 | 决定可测的力矩范围与压力中心分辨率 |
| 放大器 | AMTI Optima Signal Conditioner | 决定信噪比与零漂 |
| 采集软件 | NetForce 3.5.3 | 决定原始输出格式与零点处理 |
| 泡沫垫 | Airex Balance Pad，厚 6 厘米 | 决定本体感觉削弱的强度 |
| 视觉靶 | 直径 5 厘米黑色圆靶，置于 3 米外眼高 | 统一注视点，减少眼动策略差异 |
| 站位 | 双脚夹角 20 度，脚跟间距 10 厘米 | 决定支撑面基底宽度 |
| 着装 | 光脚 | 消除鞋底缓冲与鞋型差异 |
3.4 数据来源的三个层次
理解这份数据需要注意三个层次，它们的信息量递减，可信度也递减。
第一层是信号本身，直接来自力台，经过滤波与压力中心换算，可追溯到原始电压。第二层是量表得分，由施测者按标准流程记录，属于人工录入，存在录入误差但可复核。第三层是访谈信息，包括疾病、用药、跌倒史、肤色、鞋型，全部来自受试者自报，没有任何医疗记录佐证。第三层的可靠性明显低于前两层，而恰恰是这一层最容易被当成临床标签使用。
§4 它最独特的东西：同一批人被量了十二遍
4.1 重复测量为什么比样本量更值钱
生物力学数据的一个顽疾是受试者内变异大。同一个人今天站六十秒和下周站六十秒，压力中心轨迹的形状可以差很多，因为姿势控制本身就是一个不断微调的动态过程。这意味着单次测量的信度有限，而信度不高的测量，做组间比较时需要的样本量会急剧上升。
HBEDB 的每个条件重复三次，正是为了对付这件事。三次重复让使用者可以在同一个人内部估计测量误差，进而算出组内相关系数、标准测量误差、最小可检测变化。这三个数字在康复研究里比任何组间 p 值都更有用，因为它们回答的是"这个指标能不能测出真实变化"。
多数公开力台数据只给一次测量。原因不难理解：重复测量意味着采集时间翻三倍，受试者疲劳、施测者工作量都上去了。HBEDB 愿意付这个成本，让它在方法学研究里的价值远高于它的样本量所暗示的水平。
4.2 二乘二设计的三种读法
四种条件构成一个完整的二乘二析因，这带来三种不同的分析读法，每种读法的假设不同。
| 读法 | 比较对象 | 能回答的问题 | 前提假设 |
|---|---|---|---|
| 主效应读法 | 睁眼组对闭眼组、硬地对泡沫 | 视觉与本体感觉各自的平均贡献 | 两种因素无交互 |
| 交互读法 | 四个格子的差值 | 两条感觉通道是否互相补偿 | 无 |
| 个体读法 | 同一人四条件之差 | 感觉重加权的个体差异 | 同一人三次重复可平均 |
第一种读法最省事，也最容易被误用。姿势控制里视觉与本体感觉的交互几乎从来不显著为零：闭眼在硬地上影响有限，在泡沫上却是灾难性的。忽略交互直接看主效应，会把一个强的交互稀释成两个弱的主效应。
第二种读法才是这份数据真正支持的分析。四个格子齐全、每格三次重复、条件顺序随机，这是一个标准的重复测量析因设计，用混合效应模型或广义估计方程都能处理，且不需要假定球形性。
第三种读法适合做个体化建模。同一人四条件的差值可以看作一个四维向量，向量长度反映感觉依赖的程度，方向反映依赖哪条通道。这类特征在康复里有直接的临床含义，但样本只有 163 人，做聚类要非常小心。
4.3 案例：一号受试者的十二段试次
一号受试者是一名三十三岁女性，身高 157.5 厘米，体重 54.2 千克，体重指数 21.85，自报甲状腺功能减退并服用口服避孕药，同时佩戴矫正镜片，无残障，过去十二个月没有跌倒，跌倒效能量表总分 7 分（最低档，表示完全不担心跌倒），体力活动等级为高。她的十二段试次从 BDS00001 排到 BDS00012，采集时间是 2015 年 10 月 8 日上午八点半。
这十二段的排列顺序值得看一眼：前六段是睁眼，后六段是闭眼，各自内部先硬地三次再泡沫三次。表面看像是有规律的，但论文明确说条件顺序在受试者之间随机，所以这个顺序只是一号受试者被随机到的结果，不能推广。这一点很关键：如果使用者按文件编号顺序切片，会误以为前三分之一是某个条件，实际上条件顺序因人而异，只有元数据表里的两列才能确定。
从这一例还能看出元数据表的一个结构特征：十二行的年龄、性别、身高、体重、量表得分完全一致，唯一变化的是试次编号与条件两列。这意味着任何把元数据当独立样本的统计都会把这一名女性算成十二名女性。
4.4 定量与定性的配对密度
这份数据在同类资源里少见的地方，不是信号精度，而是问卷的密度。四项量表覆盖了四个不同维度，且都是逐题记录而非只给总分。
| 量表 | 题数 | 覆盖维度 | 记录粒度 |
|---|---|---|---|
| Short FES-I | 7 | 对跌倒的担忧 | 逐题加总分加分级 |
| IPAQ 短版 | 8 | 体力活动量 | 逐题加活动等级 |
| Trail Making Test | 2 部分 | 注意力与执行功能 | 用时加错误数 |
| Mini-BESTest | 14 | 平衡的四个域 | 逐项得分加总分 |
Mini-BESTest 的十四个项目分属四个域：预期性姿势调整、反应性姿势控制、感觉定向、步态稳定性。这四项在原始表里以 Best_1 到 Best_14 的形式逐项给出，左侧与右侧的项目还分了列。对想研究"客观姿势指标能否预测主观平衡评分"的人来说，这比只给一个总分有用得多，因为可以定位到具体的域。
代价是这份数据没有测量任何生理机制。没有肌电、没有足底压力分布、没有前庭功能检查、没有视力筛查。所有关于"为什么这个人闭眼时晃得更厉害"的解释，都只能停留在行为层面（§7.3）。
4.5 边界条件：什么情况下它不再适用
第一，当研究问题涉及动态平衡时。静态站立的压力中心轨迹与行走中的稳定性是两套不同的构念，前者不能替代后者。
第二，当研究问题涉及真实世界环境时。实验室里光脚、清空房间、注视固定靶，这些条件在日常生活里几乎不会同时出现。生态效度是这份数据明确的短板。
第三，当研究问题涉及临床人群的鉴别时。样本里没有经过诊断的平衡障碍患者，只有自报的疾病与残障，无法支撑"患者对健康人"的分类任务。
第四，当研究问题涉及时间尺度上的变化时。每人只有一次会话，没有随访，任何关于训练效果、疾病进展、季节波动的推断都超出数据边界。
§5 怎么拿到：从目录树到可分析的表
5.1 目录结构与下载面
PhysioNet 的项目目录是平铺的：一千九百三十对信号文件加一份元数据表，没有子目录，没有分层。这种平铺结构对脚本友好，对人工浏览不友好——想在浏览器里找到某一名受试者的全部试次，得先查元数据。
| 路径 | 内容 | 大小 |
|---|---|---|
https://physionet.org/files/hbedb/1.0.0/ |
项目根目录 | 未压缩 356.2 MB |
BDSxxxxx.hea |
单试次头文件 | 约 700 字节 |
BDSxxxxx.dat |
单试次信号 | 187.5 KB |
BDSinfo.txt |
元数据表 | 数百 KB |
BDSinfo.xlsx |
元数据表 Excel 版 | 数百 KB |
SHA256SUMS.txt |
校验和清单 | 数 KB |
单试次 187.5 KB 是个方便的规模：八通道乘四字节乘六千点，正好是这个数。也就是说，只要知道试次编号，就能精确算出文件大小，反过来也能用文件大小快速判断下载是否截断。
5.2 批量下载
不需要注册，不需要令牌，直接拉。整包 ZIP 三百多兆，逐文件下载则适合只取某几名受试者。
#-- 方式一：整包下载后解压
mkdir -p data/hbedb && cd data/hbedb
curl -L -o hbedb.zip https://physionet.org/content/hbedb/1.0.0/hbedb.zip
unzip -q hbedb.zip
#-- 方式二：只取某一名受试者的十二个试次（受试者 1 对应 00001 至 00012）
for i in $(seq -w 1 12); do
curl -sL -O "https://physionet.org/files/hbedb/1.0.0/BDS000${i}.hea"
curl -sL -O "https://physionet.org/files/hbedb/1.0.0/BDS000${i}.dat"
done
#-- 方式三：用官方推荐的递归镜像（只拉元数据与头文件时很快）
wget -r -N -c -np --accept="*.hea,BDSinfo.txt" https://physionet.org/files/hbedb/1.0.0/
第三种方式在只想先看结构时最实用。头文件加起来不到两兆，足以看清通道配置、受试者字段与编号规律，再决定要不要下全量。
5.3 用 wfdb 读取单条记录
Python 侧用 WFDB 官方包，一行读入，物理量已经按增益还原，单位是头文件里写的牛顿、牛·米与厘米。
import wfdb
import numpy as np
#-- 读取单条记录，physical 为 True 时返回物理量
rec = wfdb.rdrecord("data/hbedb/BDS00001", physical=True)
print(rec.fs) #-- 100
print(rec.sig_len) #-- 6000
print(rec.sig_name) #-- ['Fx','Fy','Fz','Mx','My','Mz','COPx','COPy']
print(rec.units) #-- ['N','N','N','Nm','Nm','Nm','cm','cm']
sig = rec.p_signal #-- 形状 (6000, 8)，单位已换算
cop = sig[:, 6:8] #-- 只取压力中心两列
print(cop.mean(axis=0)) #-- 平均位置，反映站立时的重心偏向
#-- 受试者字段在 comments 里，形如 '#Age:33.0'
for c in rec.comments:
print(c)
读取时有两个坑。第一，p_signal 已经是物理量，不要再乘增益；第二，comments 里的字段是字符串，#Age:33.0 需要自己切分，且并非每条记录都有全部字段。想稳妥地拿受试者信息，应该以 BDSinfo.txt 为准，头文件只当辅助核对。
5.4 批量读取并拼成表
全量读取一千九百多条记录，单进程大约几分钟。下面的写法把每条记录的派生指标直接算出来，避免把八个通道的原始数组全部堆在内存里。
import glob
import os
import numpy as np
import pandas as pd
import wfdb
rows = []
for hea in sorted(glob.glob("data/hbedb/BDS*.hea")):
name = os.path.splitext(os.path.basename(hea))[0]
rec = wfdb.rdrecord(os.path.join("data/hbedb", name), physical=True)
sig = rec.p_signal
cop = sig[:, 6:8]
dt = 1.0 / rec.fs
#-- 压力中心路径长度除以时长，得到平均速度
d = np.diff(cop, axis=0)
path = np.sqrt((d ** 2).sum(axis=1)).sum()
rows.append({
"trial": name,
"n_samples": rec.sig_len,
"copx_mean": cop[:, 0].mean(),
"copy_mean": cop[:, 1].mean(),
"cop_path_cm": path,
"cop_speed_cm_s": path / ((rec.sig_len - 1) * dt),
})
sig_df = pd.DataFrame(rows)
info = pd.read_csv("data/hbedb/BDSinfo.txt", sep="\t")
df = sig_df.merge(info, left_on="trial", right_on="Trial", how="left")
print(df.shape) #-- 应为 (1930, 70) 左右
print(df["Surface"].value_counts())
合并后行数应当正好等于实际试次数。如果行数偏多，多半是元数据表里存在重复的试次编号；如果偏少，多半是某些头文件读取失败但被静默跳过。两种情况都要在合并前后各打一次行数，不要等到建模时才发现。
5.5 按条件透视与受试者级聚合
拿到宽表之后，第一件事是按条件透视，第二件事是按受试者聚合。顺序不能反。
import pandas as pd
#-- 先按条件看每个格子的试次数，确认缺口落在哪一格
grid = df.pivot_table(index="Subject", columns=["Surface", "Vision"],
values="cop_speed_cm_s", aggfunc="count")
print(grid.sum())
#-- 再按受试者取三次重复的中位数，得到一人一行的分析表
subj = (df.groupby(["Subject", "Surface", "Vision"], as_index=False)
.agg(cop_speed_cm_s=("cop_speed_cm_s", "median"),
age=("Age", "first"),
age_group=("AgeGroup", "first"),
gender=("Gender", "first"),
best_total=("Best_T", "first")))
print(subj.shape) #-- 每名受试者最多四行
#-- 透视成一人一行、四列速度的宽表
wide = subj.pivot(index="Subject", columns=["Surface", "Vision"],
values="cop_speed_cm_s")
print(wide.head())
取中位数而不是均值，是因为同条件三次重复里偶有一次受试者咳嗽或调整姿势，会把均值拉偏，而这类污染在原始信号里往往没有标记，只能靠稳健统计吸收。取完中位数之后，每个人每条件只剩一个数，再做任何组间比较都不会被重复测量放大。
5.6 四个最容易出错的地方
第一，把行当人。元数据表一千九百三十行，人数只有一百六十三。任何 len(df) 得到的人数都是错的，必须 df["Subject"].nunique()。
第二，忽略符号约定。压力中心的公式带负号，力与力矩是受试者作用于力台的量。符号弄反不会报错，只会让前后向与左右向整体镜像。
第三，重复滤波。官方已经做了 10 Hz 低通，采样率只有 100 Hz。再滤一次会显著衰减高频成分，而速度与频率类指标对高频最敏感，结果会系统性偏低。
第四，按试次随机划分。同一人的十二段试次相关极高，随机划分会让测试集里出现训练集同一人的另外几段，指标虚高。正确做法是按 Subject 分组划分，这一点在 §4.3 的案例里已经能直观看到：十二行数据里十一列完全相同。
5.7 下载完整性与读入校验
官方提供了一份 SHA256 清单，逐文件列出校验和。整包下载三百多兆，中途断流的概率不低，而截断的 .dat 用 WFDB 读取时未必报错——它只知道每帧该读多少字节，读到文件尾就停，长度不符时才提示。稳妥做法是先校验，再读取。
#-- 只验信号文件，失败时列出具体哪个文件不对
cd data/hbedb
sha256sum -c SHA256SUMS.txt 2>&1 | grep -v ': OK$' | head -n 20
如果校验和清单本身不完整，退一步用大小核验：每份 .dat 都应正好是一百八十七点五乘一千零二十四字节。大小对而校验和错的概率极低，反过来大小错就一定是截断。
读入之后还有三项自检，都只要一行代码，但能挡住大部分静默错误。
import wfdb
rec = wfdb.rdrecord("data/hbedb/BDS00001", physical=True)
#-- 自检一：通道数与名称
assert rec.sig_len == 6000 and rec.fs == 100
assert rec.sig_name == ["Fx", "Fy", "Fz", "Mx", "My", "Mz", "COPx", "COPy"]
#-- 自检二：垂直力应接近体重，量级在数百牛顿
fz = rec.p_signal[:, 2]
print(fz.mean()) #-- 若在个位数，说明单位或增益读错了
#-- 自检三：压力中心应落在力台范围内，约正负二十厘米
copx = rec.p_signal[:, 6]
print(copx.min(), copx.max())
第二项自检最有用。垂直力的均值应当与受试者体重同一量级，一名五十多公斤的受试者对应五百牛顿上下。如果读出来是个位数，八成是把单位当成了千克力，或者把已经换算的物理量又除了一次增益。这类错误不会抛异常，会一路带到所有下游指标里。
§6 与库内条目的关系
6.1 关系图谱
站内与它相邻的资源分成三类：同样测平衡但换了模态的、同样用力台但换了任务的、以及名字撞车但内容无关的。三类要分开看，混在一起会选错工具。
| 资源 | slug | 采集模态 | 任务 | 与 HBEDB 的关系 |
|---|---|---|---|---|
| Kinect 平衡评估记录 | kinecal | 深度相机 + 25 关节骨架 | 11 个临床平衡动作 | 同为平衡评估，但测的是骨架运动学而非地面反力 |
| GaitPDB 帕金森步态足底压力 | gaitpdb | 足底压力垫 | 两分钟自由行走 | 同为垂直力测量，但任务从静态站立换成行走，人群换成患者 |
| 健康年轻人四模态步态数据集 | multimodal-gait-dataset | 脑电、肌电、惯性、测力跑台 | 跑台行走 | 多模态同步，但无静态站立、无老年组 |
| LIVE-GaitNeuroKids | live-gaitneurokids | 惯性、表面肌电、三视角视频 | 儿童纵向步态 | 纵向设计，人群为儿科神经疾病 |
| HealthBench | healthbench | 无，纯文本 | 医疗对话评测 | 仅缩写相近，内容毫无交集 |
6.2 检索路径
从需求出发找数据，比从数据出发找需求更有效率。下表把常见需求映射到该先看哪一份。
| 你要找的东西 | 先看 | 再看 | 判据 |
|---|---|---|---|
| 力台原始信号与压力中心 | HBEDB | gaitpdb | 静态站立选前者，行走选后者 |
| 平衡动作的骨架序列 | kinecal | HBEDB | 要关节角度选前者，要压力中心选后者 |
| 跌倒史与平衡的关联 | kinecal | HBEDB | 前者有明确跌倒分组，后者只有自报次数 |
| 老年人与青年人的姿势差异 | HBEDB | — | 它是少数同时含两个年龄段的公开力台库 |
| 帕金森患者的步态 | gaitpdb | live-gaitneurokids | 成人看前者，儿童看后者 |
| 多模态同步的步态 | multimodal-gait-dataset | live-gaitneurokids | 实验室跑台选前者，自然场景选后者 |
| 医疗对话的评测基准 | healthbench | — | 与平衡无关，仅防缩写误检索 |
6.3 与 KINECAL 的区隔最需要说清
这两份数据都在讲平衡评估，都含老年组，都关心跌倒，最容易混。差别在测量原理，不在任务表面。
KINECAL 用深度相机拍人，从二十五个关节的三维坐标反推身体摇摆，指标是相机算出来的，受遮挡、光照、衣物影响。HBEDB 用力台测地面反力，压力中心由力矩除以垂直力直接算出，是接触力学量，不受视觉遮挡影响，但只能测脚底这一个接触面。
| 维度 | KINECAL | HBEDB |
|---|---|---|
| 测量原理 | 深度相机 + 骨架估计 | 力台 + 反力与力矩 |
| 采样率 | 相机帧率 | 100 Hz |
| 指标来源 | 关节坐标派生 | 压力中心与力直接计算 |
| 动作 | 11 个临床平衡动作 | 4 种静态站立条件 |
| 重复测量 | 动作重复，非条件重复 | 每条件三次重复 |
| 量表 | 有跌倒史分组 | 四项量表逐题得分 |
| 许可 | CC0 | ODC 署名 1.0 |
如果研究问题是"可穿戴或视觉方案能否替代力台"，这两份数据正好构成一对跨模态参照：同一类人群、同一类任务、两种测量。但要注意它们不是同一批人，不能做配对比较，只能做分布层面的对照。
6.4 与 HealthBench 的区隔
站内检索 hbe 会命中 HealthBench，这是唯一的字面冲突。HealthBench 是 OpenAI 在 2025 年发布的医疗对话评测基准，含数千段多轮健康对话与数万条医生撰写的评分标准，属于文本评测资源，与力台信号没有任何交集。检索时用 hbedb 这个 slug，不要用缩写前缀。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
看到"163 人、1930 段、64 列"这三个数字，很容易形成两个误判。第一个误判是把 1930 当成样本量，于是以为这是一个千余人级别的队列研究；第二个误判是把 64 列当成 64 个独立变量，于是以为可以做高维建模。两个误判的根子相同：没有先看清表的结构是以试次为行、以受试者为统计单位。
正确的读法是先做一次结构校正：1930 行除以 12，约等于 161，与官方给的 163 人基本吻合，差的那两人正是缺试次的受试者。这个除法一做，后面所有的判断都会稳下来。本节的所有评分与偏差描述，都建立在这个校正之上。
7.1 DAIMS 五维评分
按数据资产管理的常用五维打分，每维二十分，满分一百。分数不是绝对水平，而是相对于"公开的同类生物力学数据"这一参照系。
| 维度 | 得分 | 依据 | 扣分点 |
|---|---|---|---|
| 文档完备度 | 18 | 论文写清设备型号、滤波参数、公式、字段含义 | 官网页面过简，与论文有出入 |
| 准确性 | 17 | 出厂校准、静态负载复核、单一施测者 | 安装后未复校，精度声明沿用出厂值 |
| 一致性 | 17 | 命名、编号、单位、字段全部规则化 | 缺失试次导致条件间样本不齐 |
| 完整性 | 14 | 信号、量表、访谈三层齐全 | 26 段缺失，无临床检查，无随访 |
| 可获取性 | 19 | 免注册、双镜像、许可宽松、体积适中 | 无数仓 API，无标准化查询接口 |
| 合计 | 85 | — | — |
八十五分在公开生物力学数据里属于上游，但它反映的是"文档与获取"做得好，不是"样本与代表性"做得好。后两项恰恰是它的短板，也是使用者最容易忽略的地方。
7.2 三处需要自己核对的地方
第一处是人数口径。官方页面正文存在 193 与 163 两个数字，配套论文、元数据表的编号上限、试次编号与十二的整除关系，三处都指向 163。用 193 之前，先自己数一遍 Subject 列的最大值。
第二处是许可。PhysioNet 页面标 ODC 署名 1.0，论文正文写的是 ODC 公有领域奉献 1.0，Figshare 镜像标 CC-BY 4.0。三者都允许商用与再分发，但署名要求不同：公有领域奉献不要求署名，署名许可要求。稳妥做法是按最严的那个执行，即保留署名。
第三处是滤波状态。官方已做 10 Hz 四阶零相位低通。若论文里报告的是"原始信号"，指的是滤波前还是滤波后，需要看它的方法段。多数情况下公开的就是滤波后的版本，不存在未滤波的原始波形。
7.3 已知的、可枚举的偏差
偏差可以逐条列出来，每一条都能在论文或数据里找到依据，而不是猜测。
| 偏差 | 方向 | 依据 | 后果 |
|---|---|---|---|
| 便利样本 | 偏高教育、偏高健康 | 从大学师生与社区老年中心招募 | 不代表巴西一般人群 |
| 单中心 | 系统误差同向 | 一间实验室、一台力台 | 跨中心比较会带入设备差 |
| 幸存者偏倚 | 使最难条件看起来偏好 | 5 人未完成难条件，缺 26 段 | 闭眼泡沫的指标被轻度高估 |
| 自报健康 | 疾病与残障被低估 | 无医疗记录核对 | 疾病分组不可靠 |
| 校准未复核 | 压力中心绝对值有系统偏移 | 论文自述安装后未复校 | 绝对位置指标不可跨实验室比 |
| 量表天花板 | 高分堆积 | 社区健康人群，量表针对患者设计 | 与量表相关的建模区分度低 |
| 时间截断 | 极慢者被压平 | 连线测验超过五分钟记为 300 秒 | 认知与平衡的关联被削弱 |
| 单次会话 | 无日内与日间变异 | 每人只测一次 | 信度估计只能来自条件内重复 |
其中最容易被忽略的是幸存者偏倚。它不是数据错误，而是设计必然带来的结构性问题：能站满六十秒闭眼泡沫的人，本身平衡能力就更强。任何把"完成全部十二段"当纳入标准再做的分析，都会进一步强化这个偏向。
7.4 外部验证矩阵
判断一份数据能不能支撑结论，看它被外部怎么用过，比看它自己怎么写更有说服力。
| 验证维度 | 是否有外部证据 | 说明 |
|---|---|---|
| 跨实验室复现同一指标 | 部分有 | 多个课题组用它做压力中心方法比较 |
| 跨设备一致性 | 无 | 只有一台力台，无从验证 |
| 与临床金标准对照 | 无 | 没有临床平衡功能诊断 |
| 与可穿戴设备对照 | 论文外有零星尝试 | 需自行采集同批人的可穿戴数据 |
| 长期稳定性 | 无 | 无随访，无重复会话 |
| 人群代表性 | 无 | 便利样本，作者自陈 |
这张表的信息很直接：它的外部验证集中在"方法可比性"这一条线上，其他维度基本空白。这也解释了它在文献里的典型角色——不是主数据集，而是方法学论文里的对照集或公开示例。
7.5 它为何能持续：协议比数据更难复制
公开数据集的生命周期通常取决于两件事：有没有人持续维护，以及有没有不可替代的内容。HBEDB 两件都不占优——它自 2016 年上线后没有更新过，体积也不算大。但它仍然被反复引用，原因在于那份协议本身。
一间清空的房间、一台校准过的力台、一名固定的施测者、四种写死的条件、每条件三次重复、加四项逐题记录的量表——这套组合的重建成本远高于下载成本。想自己从头做一遍，需要伦理审批、设备、受试者招募、一到两小时的每人会话时间。而它已经在网上放了十年，任何人可以随时取用。稀缺的不是数据量，是那份"别人替你按标准做完了"的确定性。
§8 生态位与历史
8.1 历史沿革
2016 年前后是生物力学数据公开的一个小高潮。此前这个领域的共享文化弱于心电、影像，原因很实际：生物力学数据体量大、格式乱、伦理限制多，公开的收益不明显。HBEDB 是较早的一批，且选了一个聪明的切口——不做大而全的运动捕捉，只做一件事，把这件事做到协议完全透明。
它的上线时间也值得注意：2016 年 5 月上线，论文同年 11 月才正式发表。这半年里，数据先于方法学说明存在，早期的使用者只能靠头文件和元数据表自己摸索。这也是为什么至今仍有人在问"通道顺序是什么"“单位是牛还是千克力”——早期文档的模糊留在了使用者的记忆里。
8.2 与同期资源的分工
同期公开的平衡与步态资源各有侧重，把它们放在一起看，能看出 HBEDB 的位置。
| 资源 | 年代 | 侧重 | 与 HBEDB 的分工 |
|---|---|---|---|
| 各类步态动力学库 | 2010 年代 | 行走中的地面反力 | 动态对静态 |
| 可穿戴惯性库 | 2015 年前后 | 自然场景下的运动 | 场景自由对实验室精度 |
| 临床量表库 | 长期存在 | 量表与结局 | 主观评分对客观信号 |
| 影像与骨架库 | 2016 年前后 | 视觉估计的姿态 | 运动学对动力学 |
| HBEDB | 2016 | 静态站立的压力中心 | 协议最透明的一份 |
它在这个谱系里的位置很清楚：最窄的任务、最死的协议、最全的配套量表。窄是缺点也是优点——窄意味着可比，死意味着可复现。
8.3 生态位：参照系而非训练集
在机器学习语境里，数据集通常按规模排序，越大越受关注。HBEDB 在这个排序里排不上号，但它占据了一个规模无法替代的位置：参照系。
参照系的价值在于它稳定。一个模型在大型数据集上刷到高分，换一个中心就掉下来，这时候需要一个协议透明的小数据集来判断掉分是因为人群差异还是处理流程差异。HBEDB 的协议写得足够细，细到可以判断"你的滤波参数和我的是不是一回事"。这种判断能力，大库给不了。
8.4 谁在用它，用来做什么
从公开文献看，它的使用者集中在三类：做压力中心分析方法比较的生物力学组、做康复评估指标信度研究的临床研究组、以及做传感器替代方案验证的工程组。三类用法有一个共同点——都把它当"公共参照"，而不是"训练素材"。
这也解释了为什么它的引用数不算高但分布稳定：它不是那种被大量模型论文引用的大库，而是被方法学论文反复引用的工具型资源。工具型资源的引用曲线通常平缓而长尾，因为它解决的问题不会过时。
§9 使用指引
9.1 三种角色的路径
不同角色进入这份数据的路径完全不同，走错顺序会浪费时间。
| 角色 | 第一步 | 第二步 | 第三步 |
|---|---|---|---|
| 方法学研究者 | 读论文方法段，抄下滤波与公式 | 用 §5.3 读一条记录，核对单位 | 做条件内三次重复的信度分析 |
| 临床康复研究者 | 先看元数据表的量表列 | 按受试者聚合，排除缺试次者 | 做量表与压力中心指标的关联 |
| 算法工程师 | 先跑通 §5.4 的批量脚本 | 按受试者划分训练测试 | 报告组内相关而非逐试次准确率 |
9.2 一条最短的可用流程
从零到一张可分析的受试者级表，最短路径是五步：下载、读信号、算指标、合并元数据、按人聚合。下面的脚本把五步串起来，跑完就有一张一百六十三行的表。
#-- 第一步：取整包并解压
mkdir -p data && cd data
curl -L -o hbedb.zip https://physionet.org/content/hbedb/1.0.0/hbedb.zip
unzip -q hbedb.zip -d hbedb
cd ..
#-- 第二步：确认文件数与元数据行数对得上
ls data/hbedb/*.dat | wc -l
wc -l data/hbedb/BDSinfo.txt
import glob
import os
import numpy as np
import pandas as pd
import wfdb
rows = []
for hea in sorted(glob.glob("data/hbedb/BDS*.hea")):
name = os.path.splitext(os.path.basename(hea))[0]
rec = wfdb.rdrecord(os.path.join("data/hbedb", name), physical=True)
cop = rec.p_signal[:, 6:8]
d = np.diff(cop, axis=0)
speed = np.sqrt((d ** 2).sum(axis=1)).sum() / ((rec.sig_len - 1) / rec.fs)
rows.append({"trial": name, "cop_speed": speed})
info = pd.read_csv("data/hbedb/BDSinfo.txt", sep="\t")
df = pd.DataFrame(rows).merge(info, left_on="trial", right_on="Trial")
print(df["Subject"].nunique()) #-- 应为 163
#-- 按人按条件取中位数，得到一人最多四行
subj = (df.groupby(["Subject", "Surface", "Vision"], as_index=False)
.agg(speed=("cop_speed", "median"), age=("Age", "first")))
print(subj.shape)
subj.to_csv("data/hbedb_subject_level.csv", index=False)
跑完之后有两件事必须核对：Subject 的唯一值数量是否等于 163，以及每名受试者的行数是否不超过四。前者对不上说明合并出错，后者超了说明元数据表里有重复试次。这两项检查花不到一分钟，但能挡掉后面大部分的返工。
9.3 引用方式
官方要求引用原始论文，而不是只引 PhysioNet。论文与数据各有自己的标识符，正式写作时两个都要给。
| 对象 | 引用内容 |
|---|---|
| 论文 | Santos DA, Duarte M. A public data set of human balance evaluations. PeerJ. 2016;4:e2648. doi:10.7717/peerj.2648 |
| 数据（PhysioNet） | Human Balance Evaluation Database v1.0.0. PhysioNet. doi:10.13026/C2WW2W |
| 数据（Figshare 镜像） | doi:10.6084/m9.figshare.3394432 |
| 平台 | Goldberger A, et al. PhysioBank, PhysioToolkit, and PhysioNet. Circulation. 2000;101(23):e215–e220 |
引用时常见的一个错误是只写 PhysioNet 不写论文。PhysioNet 页面本身明确要求引用原始出版物，因为方法学细节、伦理审批、量表施测流程都只写在论文里，只引数据会让后来者找不到这些信息。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页的写作方式 | 人工核对官方页面与论文全文后撰写，AI 参与资料整理与文字组织 |
| 事实来源 | PhysioNet 项目页、PeerJ 论文全文、样例头文件与元数据表 |
| 未做的事 | 未对全量信号做统计，未计算指标分布，未跑任何模型 |
| 数字口径 | 以论文为准；官方页面与之冲突处明确并列，不擅自裁定 |
| 未核实项 | 采集年份的逐例分布、缺失试次的具体受试者编号 |
| 许可判断 | 按最严口径（署名）表述，不代替法律意见 |
| 适用边界 | 仅描述数据资源，不构成临床或康复建议 |
| 更新状态 | 数据版本 1.0.0，自 2016 年起未更新，本页内容与之对应 |
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| 这是一个一千九百多人的队列 | 一千九百三十是试次数，人数是一百六十三 | 元数据表 Subject 列上限；论文写 163 名受试者 |
| 官方说 193 人，所以是 193 | 官方页面同时存在 193 与 163 两个数字 | 页面正文第一段写 193，元描述与第二段写 163 |
| 每名受试者都有完整的十二段 | 五名受试者共缺二十六段，集中在最难条件 | 论文明确写 26 个试次缺失 |
| 文件编号连续，可以直接按编号切片 | 编号有一千九百五十六个位置，实有一千九百三十 | 编号上限与实有文件数的差额 |
| 这是一份临床患者数据 | 社区招募的便利样本，仅十六人自报残障 | 论文的受试者段 |
| 它有步态数据 | 只有静态站立，每次六十秒 | 四种条件全部为站立 |
| 信号是未处理的原始波形 | 已做 10 Hz 四阶零相位低通 | 论文的数据采集与处理段 |
| 压力中心可以直接跨实验室比绝对值 | 力台安装后未复校，绝对值带系统偏移 | 论文自述校准未复核 |
| 量表得分是每名受试者一个 | 每名受试者的十二行里逐字重复 | 元数据表结构 |
| 许可为公有领域，无需署名 | 页面标 ODC 署名 1.0，论文写公有领域奉献 | 两处标注不一致，按严者执行 |
FAQ
Q1：HBEDB 到底有多少名受试者，193 还是 163？
两个数字都出自 PhysioNet 的官方页面：页面元描述与正文第二段写 163，正文第一段的概述句写 193。配套论文、元数据表的受试者编号上限、以及试次编号一到一千九百五十六恰好等于 163 乘 12，三处都支持 163。写作时以 163 为准，并把 193 作为官方页面内部不一致记录下来。
Q2：它能直接用来训练跌倒预测模型吗？
只能做探索。元数据里有过去十二个月的跌倒次数与跌倒效能量表得分，可以作为标签或协变量，但样本只有 163 人、单一社区、没有随访，阳性事件数量很少。更稳妥的用法是把它当作姿势控制特征的规范化参照，而不是结局预测的训练集。
Q3：为什么同一名受试者在表里出现十二次？
因为元数据表以试次为行。每名受试者四个条件各三次共十二段，量表与人口学信息在十二行里逐字重复。任何按受试者统计的操作都必须先按受试者编号去重，否则样本量会被放大十二倍，置信区间会被算得过窄。
Q4：PhysioNet 版和 Figshare 版有什么差别？
同一批信号，两种封装。PhysioNet 用 WFDB 二进制，八个通道、无时间列，许可标为 ODC 署名 1.0；Figshare 用制表符分隔的 ASCII，九列含时间列，许可为 CC-BY 4.0。论文正文则把 PhysioNet 侧的许可写成 ODC 公有领域奉献 1.0，与页面标注不一致。
Q5：泡沫垫那两种条件能做什么、不能做什么？
泡沫垫厚 6 厘米，用来削弱足底本体感觉输入，配合闭眼进一步削弱视觉，四种条件构成感觉重加权的梯度。能做的是同一受试者跨条件比较与感觉整合指标；不能做的是把它当成临床前庭功能检查，因为没有对前庭系统做任何独立测量。
Q6：压力中心信号需要重新滤波吗？
官方已做过 10 Hz 四阶零相位低通，采样率只有 100 Hz。再做一次同截止频率的滤波会显著改变信号，尤其是速度与频率类指标。若研究需要别的频段，应明确写出重新滤波的参数，并与官方口径的结果并列报告。
Q7：为什么文件编号最大到一千九百五十六，而不是一千九百三十？
编号按理论试次分配：每名受试者占十二个连续编号，第一百六十三名占最后十二个。实际采集时五名受试者未能完成部分难条件，这些编号就没有对应文件。所以编号是位置，不是计数。
Q8：可以只用睁眼硬地这一种条件吗？
可以，但会丢掉这份数据最大的价值。单一条件下它只是一份 163 人的静态站立数据，与别的小样本库差别不大。四种条件的组合才是它不可替代的地方，尤其是闭眼加泡沫这一格。
Q9：三段重复应该平均还是取中位数？
建议取中位数。同一条件下的三次重复里，偶有一次受试者咳嗽、吞咽或调整站姿，会明显抬高路径长度与速度，而这类污染没有标记。中位数对单次异常不敏感，代价是损失一点效率。若要做信度分析，则三次都要保留，不能先合并。
Q10：它的压力中心与足底压力分布是一回事吗？
不是。压力中心是地面反力作用点的位置，是一个点的时间序列；足底压力分布是脚底各区域的压力图，是二维场。前者由力台的六个分量算出，后者需要压力垫或压力鞋垫。HBEDB 只有前者。
Q11：能不能把它和 KINECAL 合并训练？
技术上可以，但要注意两者测的不是同一个量。KINECAL 给的是关节坐标派生的摇摆指标，HBEDB 给的是压力中心。直接拼接会让模型学到模态差异而不是平衡能力差异，除非先做统一的特征工程并明确标注模态。
术语表
| 术语 | 英文 | 含义 |
|---|---|---|
| 姿势描记 | posturography | 用仪器量化站立时身体摇摆的方法 |
| 静态姿势描记 | stabilography | 特指站立不动的测量，区别于动态任务 |
| 压力中心 | center of pressure, COP | 地面反力合力的作用点，单位为厘米 |
| 地面反作用力 | ground reaction force | 地面对人体的反力，与人体施于地面的力等大反向 |
| 力台 | force platform | 测三向力与三向力矩的板状传感器 |
| 力矩 | moment of force | 力对某轴的转动效应，单位为牛·米 |
| 采样率 | sampling rate | 每秒采样点数，本库为 100 Hz |
| 低通滤波 | low-pass filtering | 保留低频、衰减高频的处理，本库截止 10 Hz |
| 零相位滤波 | zero-phase filtering | 正反两向各滤一次，避免相位延迟 |
| 本体感觉 | proprioception | 来自肌肉、关节、足底的位置与运动感觉 |
| 感觉重加权 | sensory reweighting | 某通道被削弱后，中枢加大其他通道权重 |
| 闭眼泡沫条件 | foam eyes-closed | 本库最具挑战的条件，同时削弱视觉与足底输入 |
| 组内相关系数 | intraclass correlation | 衡量重复测量一致性的统计量 |
| 标准测量误差 | standard error of measurement | 单次测量的误差尺度 |
| 最小可检测变化 | minimal detectable change | 超出测量误差所需的最小真实变化 |
| 便利样本 | convenience sample | 就近招募、非随机抽样的样本 |
| 幸存者偏倚 | survivor bias | 只有完成者进入分析带来的系统性偏差 |
| 数据泄漏 | data leakage | 相关信息跨越训练与测试边界导致指标虚高 |
| Mini-BESTest | Mini Balance Evaluation Systems Test | 十四项平衡量表，满分 28 分 |
| FES-I | Falls Efficacy Scale International | 跌倒担忧量表，短版七题 |
| IPAQ | International Physical Activity Questionnaire | 体力活动问卷，短版八题 |
| TMT | Trail Making Test | 连线测验，评估注意与执行功能 |
| WFDB | Waveform Database | PhysioNet 的生理信号存储格式 |
| 头文件 | header file | 声明采样率、通道、增益与受试者字段的文本文件 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 受试者数 | 163 | 论文、页面元描述 | 论文与官方一致 |
| 页面另一口径 | 193 | 官方页面正文首段 | 官方内部不一致 |
| 试次数 | 1930 | 论文、文件清单 | 论文与官方一致 |
| 编号上限 | 01956 | 论文、文件清单 | 论文与官方一致 |
| 缺失试次 | 26 | 论文 | 论文 |
| 缺失涉及人数 | 5 | 论文 | 论文 |
| 女性与男性 | 116 与 47 | 论文 | 论文 |
| 年龄范围 | 18 至 85 岁 | 论文 | 论文 |
| 青年与老年 | 87 与 76 | 论文 | 论文 |
| 每段时长 | 60 秒 | 论文、页面 | 一致 |
| 采样率 | 100 Hz | 论文、头文件 | 一致 |
| 每段采样点 | 6000 | 头文件 | 头文件 |
| 通道数 | 8 | 头文件 | 头文件 |
| 元数据列数 | 64 | 论文、表头 | 一致 |
| 未压缩体积 | 356.2 MB | 官方页面 | 官方页面 |
| 滤波截止 | 10 Hz | 论文 | 论文 |
| 泡沫垫厚度 | 6 厘米 | 论文 | 论文 |
| 力台尺寸 | 40×60 厘米 | 论文 | 论文 |
| 脚跟间距 | 10 厘米 | 论文 | 论文 |
| 双脚夹角 | 20 度 | 论文 | 论文 |
| 伦理批号 | 842529/2014 | 论文 | 论文 |
| 数据 DOI | 10.13026/C2WW2W | 官方页面 | 官方页面 |
| 论文 DOI | 10.7717/peerj.2648 | 论文 | 论文 |
附录 B：数字的来源分层
| 层级 | 含义 | 本页涉及的项 |
|---|---|---|
| 官方页面 | PhysioNet 项目页直接给出 | 体积、许可、通道构成、四种条件、量表名称、DOI |
| 论文摘要与全文 | PeerJ 论文给出 | 人数、试次数、缺失数、年龄范围、性别构成、设备型号、滤波参数、伦理批号 |
| 文件本身 | 头文件与元数据表可直接读出 | 采样率、每段点数、通道名与单位、列名与取值 |
| 未核实 | 无公开来源，本页不回填 | 逐例采集日期分布、缺失试次的具体受试者编号、安装后校准偏移量 |
附录 C：完整参考文献
- Santos DA, Duarte M. A public data set of human balance evaluations. PeerJ. 2016;4:e2648. doi:10.7717/peerj.2648
- Human Balance Evaluation Database v1.0.0. PhysioNet. 2016. doi:10.13026/C2WW2W
- Santos DA, Duarte M. HBEDB 数据镜像. Figshare. 2016. doi:10.6084/m9.figshare.3394432
- Goldberger A, Amaral LAN, Glass L, et al. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000;101(23):e215–e220.
- Franchignoni F, Horak F, Godi M, et al. Using psychometric techniques to improve the Balance Evaluation Systems Test: the mini-BESTest. J Rehabil Med. 2010;42(4):323–331.
- Kempen GIJM, Yardley L, van Haastregt JCM, et al. The Short FES-I: a shortened version of the falls efficacy scale-international to assess fear of falling. Age Ageing. 2008;37(1):45–50.
- Craig CL, Marshall AL, Sjöström M, et al. International physical activity questionnaire: 12-country reliability and validity. Med Sci Sports Exerc. 2003;35(8):1381–1395.
- Duarte M, Freitas SMSF. Revision of posturography based on force plate for balance evaluation. Rev Bras Fisioter. 2010;14(3):183–192.
附录 D：任务代码
把这份数据用于"按人划分的组间比较"时，最常用的一段流程如下，可直接改成脚本。
import numpy as np
import pandas as pd
from sklearn.model_selection import GroupKFold
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
#-- df 来自 §9.2 的受试者级表，一人最多四行
wide = df.pivot_table(index="Subject", columns=["Surface", "Vision"],
values="speed", aggfunc="median").dropna()
labels = df.groupby("Subject")["AgeGroup"].first().reindex(wide.index)
X = wide.to_numpy()
y = (labels == "Old").astype(int).to_numpy()
groups = wide.index.to_numpy()
#-- 按受试者分组交叉验证，避免同一人跨折
cv = GroupKFold(n_splits=5)
scores = []
for tr, te in cv.split(X, y, groups):
clf = LogisticRegression(max_iter=1000).fit(X[tr], y[tr])
scores.append(roc_auc_score(y[te], clf.predict_proba(X[te])[:, 1]))
print(np.mean(scores), np.std(scores))
这段代码的要点不在模型，而在 GroupKFold 与 groups 两个参数。去掉它们，同一名受试者的四行会分散到训练与测试两侧，曲线下面积会明显虚高，而这个虚高不会以任何方式报错。
附录 E：如果只记五件事
第一，它是 163 个人，不是 1930 个人。行是试次，人是统计单位。
第二，它的核心价值是那份协议：四种条件、每条件三次、顺序随机、同一施测者、同一台力台。
第三，它已经滤过波了。截止 10 Hz，四阶零相位，采样率只有 100 Hz，别再滤一次。
第四，它的边界是单一中心、便利样本、无临床诊断、无随访。拿它做泛化验证会失望。
第五，它的许可是开放的，但页面、论文、镜像三处口径不完全一致，按署名执行最稳。
编辑说明
核验时间 2026 年 10 月 28 日。核验方式为直接抓取 PhysioNet 项目页、下载样例头文件与元数据表表头、并读取 PeerJ 论文全文的方法与结果段；未下载全量信号，未做任何分布统计。未覆盖的内容包括逐例采集日期的分布、缺失试次对应的具体受试者编号、以及力台安装后的实际校准偏移量。官方页面与论文在受试者人数、许可名称两处存在不一致，文中均并列呈现，未作裁定。数据版本为 1.0.0，若后续发布新版本，规模与文件结构需重新核对。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- umwdb — 共享标签：生理信号 / 步态与运动
- music-motion-2012 — 共享标签：生理信号 / 步态与运动
- torgo — 共享标签：生理信号 / 步态与运动
- ppg-dalia — 共享标签：生理信号 / 步态与运动
- culm — 共享标签：生理信号 / 步态与运动
- mouse-stroke-cylinder-rearing — 共享标签：生理信号 / 步态与运动
- nesfdb — 共享标签：生理信号 / 步态与运动
- plantar — 共享标签：生理信号 / 步态与运动
- wearable-device-dataset — 共享标签：生理信号 / 步态与运动
- music-motion-2015 — 共享标签：生理信号 / 步态与运动
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
