《Scientific Data》：A Spatial Millimetre-Wave Radar Point Cloud Dataset for Health Applications
编辑推荐：
本研究提出一个受控的毫米波雷达（mm-wave radar）点云数据集，用于分析标准室内环境下的指导性日常与康复相关运动。该数据集旨在支持基于雷达的人体运动分析：雷达点云作为主要感知模态，同时Azure Kinect提供3D骨架标签用于监督学习与验证。研究人员
本研究提出一个受控的毫米波雷达（mm-wave radar）点云数据集，用于分析标准室内环境下的指导性日常与康复相关运动。该数据集旨在支持基于雷达的人体运动分析：雷达点云作为主要感知模态，同时Azure Kinect提供3D骨架标签用于监督学习与验证。研究人员从26名年龄25-57岁的健康、行动自如的成年人中采集数据。参与者在两种视觉条件（正常光照与低光照）下，跟随参考视频执行一组日常与康复相关运动。经质量控制后，发布的数据集包含每位参与者在每种光照条件下约3.47分钟的有效运动数据。原始录制级数据包含265,487帧雷达数据与322,833帧Kinect骨架标签帧，而经处理的对齐数据包含137,717对雷达-骨架帧。每个对齐的雷达帧均标注有动作标签、受试者ID以及对应的Kinect 3D骨架。通过将雷达点云与不同光照条件下的对齐骨架标签相结合，该数据集支持基于雷达的动作分类、身份识别及关键点检测等任务。
**论文解读文章**
**研究背景与问题**
在医疗保健领域，人们对隐私敏感的人体活动识别（HAR）和姿态估计的兴趣日益增长，特别是在远程患者监测、个性化护理和居家康复的背景下。康复训练有助于维持身体自主性，但临床资源、交通距离和个人限制等因素可能限制患者获得指导性治疗。远程监测系统通过记录运动相关信号并支持在传统实验室环境之外进行定量评估，有助于康复研究。可穿戴设备已被广泛用于运动监测，但其使用受依从性和舒适度影响。基于视觉的系统提供丰富的空间信息，但在个人空间可能引发隐私问题。毫米波（mm-wave）雷达是一种非接触感知模态，不捕获光学图像，且可在不同光照条件下工作，已被研究用于活动分类、跌倒风险筛查和跌倒检测。这些特性使雷达成为研究居家和康复导向运动分析的相关感知模态。
现有雷达点云数据集在参与者数量、人口统计学特征、数据表示、标注密度和采集条件方面存在差异。一些数据集参与者数量少，另一些主要涉及年轻成年人。雷达点属性和骨架关键点数量也各不相同，影响可支持的运动分析任务类型。此外，许多现有数据集聚焦于一般日常活动，而康复导向研究通常需要涉及伸手、平衡控制、姿势转换和肢体协调的运动。所有现有数据集仅提供处理后的雷达点云，而本研究数据集包含原始数据和处理后的点云，并在不同光照条件下采集。
**研究目的与意义**
本数据集被开发为基于雷达运动分析的受控健康参考资源。目标不是针对无约束的临床康复场景，而是为早期算法开发提供标准化基线，在控制数据变异性的同时最小化参与者风险。数据集包含未处理的原始雷达数据和预处理后的雷达点云，使研究人员能够应用现有预处理基线或开发自定义信号处理流程。预处理后的雷达数据包含多种点特征，多于其他数据集。数据集包含日常活动和康复相关运动，均在正常光照和低光照条件下采集。康复相关运动由物理治疗师和临床医生参与选择，涵盖与伸手、平衡控制、姿势转换和肢体协调相关的指导性运动模式。提供标注包括动作标签、受试者ID和Azure Kinect的3D骨架标签，骨架包含32个关键点，比现有基于雷达的人体运动数据集具有更高的关节密度。这些特征直接支持多种下游任务，包括动作识别、身份识别和人体姿态估计。论文发表在《Scientific Data》。
**关键技术与方法**
样本队列来源：26名健康成年人（25-57岁，无已知行动限制，来自英国伦敦）。主要技术方法：采用Texas Instruments IWR6843AOPEVM毫米波雷达（60 GHz频段，FMCW MIMO体制，配置用于人体运动检测），以及Azure Kinect深度相机（提供32关节3D骨架标签）。通过角反射器进行空间校准，使用奇异值分解（SVD）的Procrustes对齐方法将Kinect坐标变换至雷达坐标系。时间同步采用最近邻时间戳匹配，平均误差8.52 ms。运动分割基于Kinect骨架的运动能量（ME）自适应阈值，结合滑动窗口和静止间隔检测。数据质量控制包括完整性检查、运动信号一致性、雷达-骨架空间一致性（点至骨架距离）、骨架标签时间连续性检查，以及下游任务基线评估。最终数据集包含137,717对对齐的雷达-骨架帧。
**研究结果**
**Dataset Completeness Check**：通过完整性检查，所有1,092个对齐动作目录均包含完整的雷达-骨架数据对，无缺失或多余文件，共137,717帧对齐帧，平均每帧98.7个雷达点，1.35%的空帧率。
**Motion-signal consistency**：运动能量对比显示，对齐的Kinect骨架能量与雷达点云能量在重复运动阶段中变化一致，低能量间隔对应静止或返回初始姿势。
**Radar–skeleton spatial consistency**：点至骨架距离评估表明，86.64%的非空雷达帧包含至少一个在人体感兴趣区域（ROI，距离≤0.60 m）内的点，83.97%包含可用人体返回（至少5个ROI点），60.70%满足良好人体返回标准（至少5个身体核心点且核心点与ROI点比例≥35%）。平均每帧100.06个雷达点中，76.71个落在ROI内，38.23个落在核心区域。
**Kinect skeleton label consistency**：骨架标签时间连续性检查显示，在136,625次相邻帧过渡中，仅195次（0.143%）出现关节位移超过1 m的“闪烁”现象，表明Kinect骨架标签整体上时间稳定。
**Downstream data-usability checks**：在三个下游任务（动作分类、身份识别、关键点检测）上评估了DGCNN、PointNet++和Point Transformer三种模型。动作分类Top-1准确率均高于88%，Point Transformer最优（89.89%）；身份识别更具挑战性，PointNet++最佳（86.35%）；关键点检测平均定位误差（MLE）Point Transformer最低（17 cm）。
**Light-condition comparison**：在正常光照和低光照条件下分别训练和测试Point Transformer，结果相近：关键点MLE从16.29 cm变为16.55 cm，动作识别Top-1从90.34%变为90.82%，身份识别Top-1从66.28%变为66.78%，表明两种光照条件下的数据均可用于相同的下游监督学习流程。
**总结讨论与结论**
**讨论部分总结**：研究人员在Usage Notes中强调，数据集应作为健康参考基准，不包含老年人或行动障碍个体，模型不能直接泛化至临床人群。骨架标签应视为Kinect导出参考而非真实地面真值，受跟踪噪声、遮挡、快速运动等影响。动作集包含物理治疗师选择的康复相关运动，但非完整临床康复数据集。所有动作在固定距离（约3.5 m）采集，缺乏空间多样性，不直接代表更大或更杂乱的环境。数据集和基线实验应被解释为基于雷达运动分析的受控基础，而非临床部署性能的证据。
**研究结论翻译**：该数据集被开发为基于雷达运动分析的受控健康参考资源。目标不是针对无约束的临床康复场景，而是为早期算法开发提供标准化基线，在控制数据变异性的同时最小化参与者风险。数据集包含未处理的原始雷达数据和预处理后的雷达点云，包含日常活动和康复相关运动，并在正常光照和低光照条件下采集。提供的标注包括动作标签、受试者ID和Azure Kinect的3D骨架标签（32个关键点）。这些特征直接支持多种下游任务，包括动作识别、身份识别和人体姿态估计。
