基于可穿戴设备的膝关节康复训练姿态评估数据集KneE-PAD构建及其在虚拟教练中的应用

本期推荐：针对膝关节术后家庭康复缺乏专业监督的难题，希腊ThinGenious公司与西阿提卡大学团队开发了首个整合表面肌电(sEMG)和惯性测量单元(IMU)的多模态数据集KneE-PAD。该数据集收录31名膝关节病理患者执行3类下肢康复训练（深蹲、坐姿腿伸展、步行）时的267组生物力学数据，通过机器学习算法实现远程姿态评估，为构建虚拟教练系统提供关键数据支撑，相关成果发表于《Scientific Data》。

　　

膝关节疾病患者术后康复面临的核心矛盾在于：临床证明为期3个月的家庭训练对功能恢复至关重要，但高达45%的患者因缺乏专业监督导致动作执行不规范。传统基于RGB摄像头的视觉监测方案既存在隐私泄露风险，又难以应对日常环境中的遮挡问题。而现有可穿戴设备数据集多聚焦健康人群的常规动作识别，无法反映真实患者的异常肌肉激活模式和代偿性动作特征。

希腊ThinGenious公司与西阿提卡大学跨学科团队为此构建了KneE-PAD数据集。研究历时6个月追踪267名膝关节病理患者，最终精选31名受试者的2,086组数据，包含深蹲、坐姿腿伸展和步行三类训练的标准执行方式及两类常见错误变体。创新性采用8通道Delsys Trigno Avanti传感器同步采集sEMG（采样率1259.259 Hz）和IMU数据（148.148 Hz），通过高通过滤（50Hz截止频率）和0.3mV幅值裁剪优化信号质量。所有数据经伦理审查（批准号65417）并完成去标识化处理。

关键技术方法包括：基于国际指南设计标准化康复动作协议；使用Trigno Discover软件同步8通道生物传感器数据；结合视频录像和测角仪标注动作类别；采用4秒滑动窗口（静态动作250ms步长/动态动作500ms步长）进行数据分割；开发Python工具链完成.npy格式转换与EDA分析。

在数据特征方面，研究揭示了患者群体的典型代偿模式：深蹲训练中68%错误执行表现为体重向健侧转移（Squat_WT）或患肢前伸（Squat_FL），其股直肌激活标准差较标准动作差异达210%；坐姿腿伸展时42%患者出现未完全伸展（Extension_NF），患侧胫骨前肌Y轴加速度峰值降低37%；步行周期中53%存在患肢伸展不足（Gait_NF），表现为腓肠肌加速度峰度值异常（健侧3.2 vs 患侧2.1）。

技术验证通过多维度EDA证实数据生物合理性：在肌电层面，患肢腘绳肌在Squat_FL中的RMS值较健侧高58%；运动学方面，Squat_WT的Z轴加速度欧氏距离在腓肠肌部位呈现1.5倍差异。与PHYTMO等现有数据集相比，KneE-PAD首次实现了患者群体sEMG-IMU多模态数据的标准化采集，其4,833个增强样本为开发轻量级CNN模型提供理想输入。

研究同时指出数据集存在三方面局限：缺乏光学运动捕捉的关节角度真值；受试者年龄-病理分布存在性别偏倚（男性平均年龄38.5岁/以半月板损伤为主，女性平均年龄53.2岁/以骨关节炎为主）；未包含上肢康复动作。这些特征提示后续机器学习需采用域适应技术消除协变量影响。

该成果的临床价值在于：为远程康复监测系统提供基准测试平台；通过量化代偿性动作的肌电-运动学特征，辅助治疗师制定个性化训练方案。团队已开源数据处理代码（GitHub/anas/KneE-PAD），未来计划扩展至全关节康复评估场景。这项工作标志着可穿戴设备在数字疗法中的应用迈出关键一步，相关数据已存储于Zenodo（doi:10.5281/zenodo.12112951）。