Python读取c3d文件

最新推荐文章于 2025-11-16 21:28:59 发布

原创最新推荐文章于 2025-11-16 21:28:59 发布 · 715 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#python #3d #开发语言

部署运行你感兴趣的模型镜像

某天，小H在公司摸鱼，突然ld发来消息：小H，把这一份文件转换成我们常用的csv方便后续处理。小H一看都蒙圈了，什么c3d文件，根本没有见过，赶紧上网搜索起来。

原来啊，c3d文件通俗解释其作为运动捕捉数据 "容器" 的特性，比如它如何同时存储标记点轨迹（如膝盖、脚踝的三维坐标）、肌电信号（肌肉活动）、测力台数据（地面反作用力）等多类信息。

小H拿到的这份是关于一个步态分析的数据《A multimodal dataset of human gait at different walking speeds》，数据内容如下：

          标记点轨迹数据：记录 52 个反光标记点的三维坐标，涵盖全身各部位，用于分析关节运动学。
        模拟数据：包括肌电信号、地面反作用力和力矩，反映肌肉活动和力学特征。
        力板数据：包含力板中心压力坐标、三维地面反作用力和力矩，用于研究步态动力学。
          元数据：存储参与者年龄、性别、体重、身高、腿长等信息，以及脚步事件时间，为数据分析提供背景信息。

那我们要处理出的csv文件就显而易见了，列名就是对应的数据嘛，然后根据不同的数据类型放到不同的文件夹下面。

但是c3d文件到底是长什么样子的呢，小H还是有点好奇的，如果能像文件夹一样可视化看到文件结构就好了，于是上网找到了 VBC3Deditor 这下总算是能够看到文件具体是什么样子的。打开其中的一份文件结构就如下了：

就好像每一个文件夹都有了属性一样，不过这些先不管了，小H决定就交一份数据上去再说，所以上网查找什么东西能够快速帮自己读取c3d文件，然后就找到了python c3d库。

import c3d

with open(file_path, 'rb') as f:
    reader = c3d.Reader(f)  # 创建读取器对象

很简单的导入库和创建读取器对象，然后要读取什么内容呢？

首先我们关注到这个文件夹有四个大类比，首先看到header。

Header（头信息）

含义：C3D 文件的 “元数据总览”，存储整个文件的基础参数，是解析文件的 “钥匙”。
包含内容：
- 标记点数量（point_count）、模拟信号通道数（analog_count）；
- 标记点帧率（point_rate，如 100Hz，每秒采集 100 帧标记点）；
- 模拟信号采样率（analog_rate，如 1500Hz，力台、肌电等信号的采样频率）；
- 文件版本、总帧数、数据起始地址等底层格式信息。
作用：告诉解析工具 “如何解读后续数据”，例如 “有多少个标记点”“每秒钟采集多少帧”。

那我们就看到header里面有什么内容。

看起来确实是一些参数相关的，可以试着使用reader读取对应的内容。不过我们使用c3d库来进行解析的话有另外一套标准命名，就不能这样直接读取了。

直接使用reader.header就可以看到有什么属性了。

可见他解析的命名和原始的还是有一定区别的，不过基本上都可以对应上，然后根据数据集给出的说明文档，我们首要就是提取标记点数据和模拟数据了，也就是Point和analog。

Point Data（标记点数据）

含义：存储运动捕捉中标记点的 3D 空间坐标数据，是文件的核心数据之一。
包含内容：
- 每个标记点在每帧的 X、Y、Z 三维坐标（单位通常为毫米）；
- 其他

Analog Data（模拟信号数据）

含义：存储连续采集的模拟信号（非离散标记点），通常与标记点数据同步记录。
包含内容：
- 肌电信号（EMG）：肌肉活动的电压变化（单位：伏特）；
- 力台数据：地面反作用力（Fx、Fy、Fz，单位：牛顿）和力矩（Mx、My、Mz，单位：牛・毫米）；
- 其他传感器数据：如加速度计、陀螺仪信号等。

对于以上俩种数据，我们使用reader.read_frames()来读取，c3d库在这里返回的是(frame_number, points_array, analog_array) （当然也能没有analog这一列）

        for frame_num,points,analog_points in reader.read_frames():
            print(frame_num)
            print(points.shape)
            print(analog_points.shape)

其中一帧输出是 1 （52，5）（20，15）和文档说明对上了，接下来就按照目录进行解析就可以了，也就是应该有什么列名写入到csv中。

看到我们的points坐标应该是x，y，z三维的，所以只需要前面的3项就可以了，analog我们截取15项，因为采样率是point的15倍，也就是说每个frame应该有15个sample

        for frame_info in reader.read_frames():
            frame_num = frame_info[0]
            points = frame_info[1]
            analog_data = frame_info[2]

            point_data.append(points[:,:3])
            print(frame_num)
            print(point_data)
            print(analog_data.shape[0])
            print(analog_data.shape[1])

这样就可以看到我们完整一帧想要的数据内容有什么了。

后续我们只要使用point_label 和 analog_label就可以得到上述对应的列名了。

到这里基本上任务已经可以完成了，提取出数据之后转换为numpy格式在和平时一样去保存到csv里面就可以了。

小H高高兴兴地把数据都处理完就上传了，但是回过头去看别人给的文档，那么里面应该还有和力平台啊、受测试的人的信息呢？都放在哪里了，那我们文件夹下还有Events和Groups俩个大类好像都没有用到一样。

Events（事件数据）

含义：记录运动过程中的关键时间点，用于标记动作的重要阶段。
包含内容：
- 事件时间（对应标记点的帧编号或模拟信号的采样点）；
- 事件标签（如 “heel_strike” 脚跟着地、“ toe_off ” 脚趾离地、“ stance ” 支撑相、“ swing ” 摆动相）；
- 事件类型（如手动标记、自动检测）。
作用：将原始数据与运动学阶段关联，例如 “第 100 帧是左脚着地时刻”，方便后续分析步态周期。

不过这份文件并没有这部分，在可视化的文件里面没有，或者直接使用reader.events也没有访问到。

Groups（分组信息）

含义：对标记点或模拟信号通道进行逻辑分组，便于批量处理同类数据

我们直接使用_groups访问到了group的内容：

基本和可视化软件给出的是一样的，可以清楚看到有SUBJECT和FORCE_PLATFORM这俩个目标内容，那就可以去访问了。

如果存在什么问题可以和我联系。

您可能感兴趣的与本文相关的镜像

Python3.9

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本