编辑推荐：
为解决康复领域高质量人体运动数据集匮乏，限制运动识别（HAR）在远程康复（telerehabilitation）研究进展的问题，研究人员开展了创建新数据集的研究。他们收集 10 名受试者的 22 种康复运动数据，得到 UL-RED 数据集，为相关研究提供重要数据支持。
在科技飞速发展的当下，远程康复（telerehabilitation）逐渐走进人们的视野。随着运动追踪技术日益普及，大量研究聚焦于通过远程方式提供基于运动的干预。然而，高质量人体运动数据是人体动作识别（Human Action Recognition，HAR）研究的关键要素，它在基于运动的远程康复中起着核心作用。目前，康复领域却严重缺乏这样的高质量人体运动数据集，这极大地阻碍了相关研究的快速发展。
为了打破这一僵局，英国利物浦大学（The University of Liverpool）的研究人员 Nikhil Reji、Kristiaan D’Ao?t、Sebastiano Fichera 和 Paolo Paoletti 开展了一项极具意义的研究。他们创建了一个全新的人体运动数据集 —— 利物浦大学康复运动数据集（University of Liverpool Rehabilitation Exercise Dataset，UL-RED） ，该研究成果发表在《Scientific Data》上。这一数据集的诞生，为康复领域的研究带来了新的曙光，有望推动远程康复技术的进一步发展，改善患者的康复体验和效果。
研究人员在研究过程中运用了多种关键技术方法。在数据采集方面，他们使用了标记运动捕捉和无标记运动捕捉两种方式。标记运动捕捉借助 OptiTrack 系统，配备八个红外 OptiTrack 17 W Prime 相机，以 250 帧每秒（Frames Per Second，FPS）的采样率采集数据；无标记运动捕捉则利用 Nuitrack 3D 骨骼跟踪库和 Orbbec Persee 深度相机，以 30 FPS 的采样率收集数据。同时，还采集了深度数据。在数据处理阶段，对标记数据和无标记数据分别进行了复杂的后处理操作，如标记数据的清理、标注、转换为骨骼姿态，无标记数据的异常值过滤等，确保数据的准确性和可用性 。
研究结果
- 数据采集成果：研究人员招募了 10 名健康成年受试者，其中男女各 5 名，年龄在 18 - 65 岁之间。他们选取了 22 种非专业康复运动，包括 6 种坐姿运动和 16 种站姿运动。针对每种运动，分别采集了单次重复和三次不同速度（正常、快速、慢速）重复的动作数据，最终共收集到 1320 条记录，涵盖了超过三小时的标记和无标记运动追踪数据。
- 数据质量评估
- 缺失数据情况：尽管研究人员尽力保证高质量的录制，但仍出现了一些数据丢失的情况。例如，KneeRaiseWithOpHandTouchR3S10 和 LegExtensionBackwardsR3S10 存在深度数据缺失问题，SidewaysStepR3S10 的无标记和深度数据缺失，SitToStandR3S06 缺少结束时的 T-Pose 。此外，在三次重复运动中，部分受试者在重复之间未回到基本姿势。
- 运动速度差异：研究发现，单次重复运动的速度在不同受试者之间存在差异，坐姿运动由于 T-Pose 的转换阶段，耗时更长。对于三次重复运动数据，标记运动数据显示，随着运动速度从快到慢，运动持续时间增加，且慢速运动在不同受试者之间的差异较大 。
- 角度和骨长度评估：通过将无标记运动数据与标记运动数据（被视为金标准）进行比较，评估 Nuitrack 无标记姿态跟踪的准确性。结果表明，坐姿运动的平均绝对误差（Mean Absolute Error，MAE）为 15.48±6.92 度，站姿运动为 11.95±3.68 度，这表明坐姿运动时无标记跟踪受身体遮挡影响较大。在骨长度评估中，发现无标记运动数据在计算某些骨长度时，与标记运动数据相比误差较大，尤其是左右大腿骨长度 。
研究结论与讨论
利物浦大学的研究人员成功创建了 UL-RED 数据集，该数据集包含多种数据模态和丰富的康复运动数据，为人体动作识别（HAR）研究和远程康复（telerehabilitation）领域提供了宝贵的数据资源。尽管在数据采集中存在一些小问题，无标记运动数据的准确性也有待提高，但这些结果反映了当前无标记跟踪技术的实际情况，对未来相关技术的改进和研究具有重要的参考价值。同时，该数据集的开源也将促进更多科研人员基于此开展研究，推动康复领域的发展，为远程康复技术的优化和临床应用提供有力支持，有望让更多患者受益于精准、高效的康复治疗。
