《Sensors》：Motor Imagery Acquisition and Classification Using a Low-Cost 8-Channel EEG System in a VR ADHD Serious Game Environment: A Case Study
编辑推荐：
职业钳工训练中的动作质量评估(AQA)受限于专家标注数据稀缺与预测可解释性不足。为实现有限数据下的准确评分及与评分量规对齐的可审计解释，研究人员提出RESC，一种量规引导的错误-分数一致性框架。RESC以人体姿态作为首要视觉证据，将教员评分量规转换为错误语义与
职业钳工训练中的动作质量评估(AQA)受限于专家标注数据稀缺与预测可解释性不足。为实现有限数据下的准确评分及与评分量规对齐的可审计解释，研究人员提出RESC，一种量规引导的错误-分数一致性框架。RESC以人体姿态作为首要视觉证据，将教员评分量规转换为错误语义与评分约束，在预测总分的同时产生量规对齐的错误诊断与模型衍生的逐项扣分项贡献。研究人员构建了Fitter-AQA数据集，含25名受试者134段锉削视频，采用严格的留一受试者交叉验证(LOSO)。RESC取得平均绝对误差4.450、Pearson线性相关系数0.902、Spearman秩相关系数0.852，为所评估方法中池化评分误差最低且池化相关性最高者。错误诊断Macro-F1达0.770，宏平均平衡准确率0.824。结果表明该方法在有限数据下具备稳定的跨受试者评分能力，并将模型预测转化为与量规语义对齐的可审计分数分解，从而为职业技能训练中的自动化评估提供准确且可解释的途经。
研究背景方面，动作质量评估(AQA)已从动作识别拓展至技能评价，但在职业技能场景面临专家标注昂贵、视频受工位遮挡与光照干扰、质量差异集中于局部体态线索、每类错误样本少等小样本问题。传统视频级总分监督易使高容量模型利用体型与场景等无关相关性，且无法定位错误与量化扣分。现有可解释方法多依赖注意力图，难以对应评分量规条目。因此研究人员在《Sensors》发表该研究，旨在以量规为结构化先验，结合深度姿态估计，在留一受试者协议下实现稳定评分与可审计解释。
关键技术方法上，研究人员在真实钳工车间架设吊顶式8兆像素USB工业相机与RDK-X5边缘计算板采集系统，构建Fitter-AQA数据集（25人134段视频，时长均30.8秒，4名教员共识标注6类错误0–3级序数严重度与总分53.2–100）。采用YOLOv8-Pose提取COCO-17关键点，构造200维通用姿态统计与238维量规特定几何特征，经折叠内标准化与PCA降至22维表示；设计轻量MLP编码器与每类错误原型向量做余弦相似度诊断；用累积链接模型估计序数严重度；以134–64–6门控网络生成自适应扣分门；非负扣分权重由折叠内非负线性回归初始化，最终分由100减去残差校准项与六项模型衍生扣分得到；总损失联合Smooth L1回归、二元交叉熵、序数损失、质量等级分类、排序一致性及权重正则，全程外训练折叠拟合预处理。
研究结果部分，第三章材料与方法阐明数据采集系统配置、数据集构建与质量控制流程，以及RESC整体多输出推断定义；量规引导姿态几何将锉削质量差异锚定于躯干稳定、肘腕关系与往复轨迹；错误原型诊断模块建立共享语义坐标；序数严重度与自适应扣分门控保留0–3有序结构并建模样本特定扣分；非负扣分与条件错误-分数一致性确保严重度增则扣分不减、总分不增；训练目标与推理给出六项式联合损失。第四章实验与结果中，训练环境采用PyTorch 2.5.1与RTX 4090 Laptop，严格外LOSO评估显示RESC池化MAE 4.450、PLCC 0.902、SRCC 0.852、RMSE相应最优；与弹性对齐法比MAE自7.730降至4.450，SRCC自0.652升至0.852；与特征学习法比相对USDL降低MAE与RMSE 33.3%与37.5%，PLCC增0.164；与结构化量规法比相对最强基线MAE降33.7%；同输入受控比较中完整RESC优于Ridge、MLP及辅助直评头，万次受试者聚类自助区间PLCC 0.837–0.944、SRCC 0.665–0.887。消融研究指明通用姿态统计利绝对校准（单用MAE 6.749），量规几何利排序（单用SRCC 0.721），融合最优；移除错误原型MAE升至7.546、SRCC跌至0.645。反事实方向一致性压力测试29309次相邻干预中扣分单调占99.22%，终分方向反转仅228例且最大0.0016分。错误诊断上六类错误Macro-F1 0.770，膝部姿态F1超0.90，窄站位F1最低但平衡准确率0.814；序数严重度804条标签精确准确率72.76%、一级内85.82%、QWK 0.631，中间级1与2易混淆因样本不均。可解释评分可视化以受试者L13为例，教员分62.0、模型60.5，瀑布图分解残差校准7.128与六项扣分32.28，膝姿、左肘抬升、手部姿态为主扣分项。
讨论部分指出，量规作为先验将深度姿态表示绑定至职业技能评价，在25人134段视频外LOSO下缩小了评估空间，降低对体型场景过拟合依赖。轨迹可审计性由类别诊断与扣分瀑布图提供，优于仅高亮区域的后验解释。框架局限在COCO-17关键点仅捕大尺度身体运动学，难表精细手-工具协同与工件尺寸；序数1–2级因中间样本稀而分辨弱；数据限于单车间单任务，未保留相机工位标识故无法排摄制混杂。结论翻译为：本研究表明评分量规可有效作为连接深度姿态表示与职业技能评价的先验；在严格跨受试者评估下RESC获最低池化误差与最高池化相关；类别诊断与扣分可视化将输出绑定至量规条目，形成可审计模型衍生贡献；职业技能AQA不必沿用大规模体育视频范式，当流程稳定且质量差集中于局部操作标准时，深度姿态估计与领域规则结合可在控复杂度的同时保质量信息；当前框架评测锉削表现中姿态可观测成分，更全面评估需融手工具追踪与工件直接测量；序数中间级分辨受限反映小样本不平衡固有难度；泛化至他车间任务待扩数据验证。
