改变步行速度的代谢成本数据
该数据集来自 Dryad，对应一项关于改变步行速度代谢成本的研究。受试者为健康成年人，在恒速跑步机上以振荡速度行走，即在慢于和快于跑带速度之间交替、在实验室参考系中来回移动
基本信息
资源简介
改变步行速度的代谢成本数据
Data from: The metabolic cost of changing walking speeds is significant, implies lower optimal speeds for shorter distances, and increases daily energy estimates
该数据集来自 Dryad，对应一项关于改变步行速度代谢成本的研究。受试者为健康成年人，在恒速跑步机上以振荡速度行走，即在慢于和快于跑带速度之间交替、在实验室参考系中来回移动。研究测量了振荡速度行走的代谢率，并发现其显著高于恒速行走，代谢率升高与动能波动模型及优化后的倒立摆行走模型相关。数据可用于分析步行速度变化与能量消耗的关系、检验行走最优性模型，以及估算日常能量消耗（来源 DOI 解析，Creative Commons Zero v1.0 Universal 许可）。
【数据集背景】
源站首次发布：2015。
【数据内容】
源站描述（机器翻译，仅供参考）：人类通常不会以恒定速度行走，除非是在跑步机上。正常行走除了大致稳定的运动外，还包括起步、停止和改变速度。在这里，我们测量了改变速度时行走的代谢能量成本。受试者（健康成年人）在恒速跑步机上以振荡速度行走，在慢于和快于跑步机带速之间交替，在实验室参考系中来回移动。振荡速度行走的代谢率显著高于恒速行走（对于±0.13–0.27 m s−1的速度波动，成本增加6–20%）。代谢率的增加与两个模型相关：一个基于动能波动的模型，以及一个针对振荡速度约束优化的倒立摆行走模型。改变速度的成本可能具有行为学意义：我们预
【主题与分类】
主题标签：preferred walking speed、acceleration deceleration、legged locomotion、optimality、metabolic cost、optimal walking speed。本站分类：内分泌、营养和代谢疾病。
【获取与许可】
源站页面：https://datadryad.org/dataset/doi:10.5061/dryad.15v26
使用许可：Creative Commons Zero v1.0 Universal。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5061/dryad.15v26
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 120.1 MB。
数据说明
人类通常不会以恒定速度行走，除非是在跑步机上。正常行走除了大致稳定的运动外，还包括起步、停止和变速。在此，我们测量了变速行走时的代谢能量消耗。受试者（健康成年人）在恒速跑步机上以振荡速度行走，在慢于和快于跑步机传送带的速度之间交替，在实验室参考系中来回移动。振荡速度行走的代谢率显著高于恒速行走（速度波动为±0.13–0.27 m s−1时，消耗增加6–20%）。代谢率的增加与两个模型相关：一个基于动能波动的模型，以及一个针对振荡速度约束优化的倒立摆行走模型。变速的代价可能具有行为学意义：我们预测，对于较短距离，能量最优行走速度较低。我们测量了不同行走距离下人类的偏好行走速度，发现正如预测的那样，人们在较短距离下偏好较低的行走速度。
此外，通过分析已发布的每日步行段分布数据，我们估计改变速度的成本占每日步行能量预算的4%至8%。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
