基于AthletePose3D的运动动作分类:3D骨骼运动学的拓扑感知验证研究

《Frontiers in Physiology》:Topology-aware validation of 3D skeleton kinematics for athletic movement classification using AthletePose3D

【字体: 大 中 小 】 时间:2026年09月19日 来源:Frontiers in Physiology 4.3

编辑推荐:

  **背景:** 运动专项的三维姿态数据为通过关节轨迹及其时间变化来表征运动动作动力学特征提供了机会。本研究探讨了由3D骨骼序列派生的可解释运动学表示能否区分运动动作类别,以及其性能与拓扑感知图表示相比如何。**方法:** 使用来自五名受试者的AthletePo

  
**背景:** 运动专项的三维姿态数据为通过关节轨迹及其时间变化来表征运动动作动力学特征提供了机会。本研究探讨了由3D骨骼序列派生的可解释运动学表示能否区分运动动作类别,以及其性能与拓扑感知图表示相比如何。**方法:** 使用来自五名受试者的AthletePose3D数据,根据可用的序列标注衍生出18个动作标签进行分析。H36M-17姿态序列经过根关节中心化和尺度归一化处理,并使用描述关节位置、空间范围、速度、加速度、运动幅度和身体区域关系的序列级特征来表示运动。这些特征刻画了与协调人体运动研究相关的可观测运动动力学,但并未用于推断生理机制、损伤风险或因果生物力学。**结果:** 可解释运动学表示在运动动作分类性能上始终优于所评估的基于图的表示。原始的类别平衡随机森林平均宏F1为0.854,随后使用更强的基于树的分类器评估进一步提升了性能,而固定和自适应图方法仍低于领先的运动学模型。模型归因表明,判别信息在身体区域间分布不均匀,下肢和选定的上肢特征贡献更大,这与数据集中运动动作所需的多节段协调一致。鲁棒性和受试者域偏移分析进一步表明,分类性能依赖于姿态完整性和受试者-动作覆盖度。**结论:** 这些发现表明,归一化的3D骨骼运动学可以为运动动作分类提供一种可解释的运动动作动力学表示。研究结果支持使用姿态衍生的运动学特征来研究人体运动模式,同时保持与直接生理测量或因果生物力学推断的明确区分。
**一、研究背景与问题提出**

三维人体姿态分析通过将复杂的视觉运动转换为可计算分析的关节轨迹,已成为运动研究的重要工具。在体育场景中,运动员常执行高速、高加速度且伴随复杂关节协调的技术动作,这些动作难以仅从视频外观进行表征。尽管通用姿态数据集和动作识别基准推动了人体运动建模的重大进展,但其内容多为日常活动、摆拍动作或相对受控的运动,而非包含突发加速、技术变异和复杂关节协调的真实运动专项动作。运动专项姿态数据集的缺乏,使得运动动作分类模型的可靠性验证面临挑战。

针对上述空白,AthletePose3D数据集被专门构建以覆盖高速和高加速度运动动作,包含约130万帧和12种更广泛的运动类型。然而,基于骨骼的运动建模仍存在关键问题:图神经网络虽在解剖结构上具有直观合理性,但其性能未必优于传统的表格型运动学模型;性能可能取决于样本量、类别支持度、时序长度、图拓扑及预处理选择。此外,运动生物力学应用还要求模型具备可解释性,高精度模型若无法揭示分类是由身体合理区域驱动还是数据结构的伪影所驱动,则难以获得信任。因此,有必要对骨骼拓扑进行实证评估,而非默认其最优。

本研究旨在通过对AthletePose3D中的归一化3D骨骼运动学与拓扑敏感的骨骼图表示进行系统评估,回答可解释运动学特征能否区分运动动作类别及其与图表示性能对比的问题,并将分析明确定位为运动动作分类和模型验证研究,而非损伤风险预测或因果生物力学推断。

**二、研究设计与主要发现**

研究人员构建了涵盖数据集就绪性审计、运动学基线基准测试、骨骼图/拓扑敏感性分析和验证导向的模型归因四个阶段的完整分析流程。研究使用了AthletePose3D公开数据集,其索引文件共计48,017个,包含15,462个NumPy姿态文件,覆盖三个官方数据划分、五名受试者和18个解析的运动动作标签。建模数据集采用相机1视角的635个H36M姿态样本,按官方划分为374个训练样本、131个验证样本和130个测试样本。所有3D姿态序列均经根关节中心化和尺度归一化处理。基线分类阶段,研究人员从每个归一化序列提取387个可解释的序列级运动学特征,涵盖关节位置、空间范围、速度、加速度、运动幅度和身体区域关系。图模型阶段则评估了图卷积网络和图注意力网络,并设置了解剖、对称增强、距离基、全连接和随机匹配五种拓扑控制。

研究结果表明,类别平衡随机森林取得了最强的重复随机种子性能,平均宏F1为0.854、平衡准确率为0.844、宏ROC-AUC为0.992。最强固定深度图配置(解剖H36M拓扑的GCN)平均宏F1仅为0.752,低于运动学基线。快速拓扑滤波分析显示,无图(identity)随机森林最接近基线(宏F1为0.852),解剖图滤波较基线下降0.056,全连接拓扑出现最大退化(下降0.336)。更强的树基比较器ExtraTrees-Balanced在无图特征上达到约0.906的宏F1,进一步超出原始基线,而自适应时序图模型仍停留在约0.688。姿态扰动测试表明,分类器对轻度坐标噪声和适度帧丢失具有鲁棒性,但严重噪声导致性能大幅下降,关节掩蔽则导致近乎完全失效。受试者域偏移分析显示受试者间性能不均,S1宏F1为0.600、S2为0.895、S3为0.938、S5为0.874,S4因共享类别过少被排除。模型归因揭示判别信息分布不均,下肢区域贡献最大(右下肢0.288、左下肢0.212),其次为上肢和躯干。

**三、关键技术方法**

研究采用的主要技术方法包括:基于H36M-17骨骼拓扑的3D姿态序列归一化处理(根关节中心化与尺度归一化);387维序列级运动学特征提取(含位置、速度、加速度、运动能量和身体区域关系描述);多基线分类器评估框架(类别平衡逻辑回归、随机森林、直方图梯度提升、多层感知机);图卷积与图注意力深度骨骼图模型及五类拓扑控制(解剖、对称增强、距离基、全连接、随机匹配);快速拓扑滤波敏感性分析;姿态扰动压力测试(高斯噪声、帧丢失、关节掩蔽);受试者留出域偏移分析。所有比较均沿用官方数据划分和五随机种子重复评估。

**四、讨论与结论**

讨论部分指出,精心构建的运动学基准超越深度图模型的原因在于,紧凑的序列级描述符充分保留了动作标签的判别信息,而随机森林能有效建模特征间非线性交互且所需样本量较小。图拓扑选择虽未提升分类性能,但确实影响模型行为,全连接拓扑的有害性和解剖拓扑的相对优越性表明图结构绝非无关紧要的实现细节。受试者域偏移分析揭示了运动数据的受试者依赖性差异,提示跨受试者泛化应谨慎解读。模型归因仅代表模型层面的解释而非生物力学因果证据。

研究结论为:归一化的3D骨骼运动学能够为AthletePose3D中的运动动作提供强有力且可解释的表示。关节位置、运动范围、速度、加速度、运动幅度和身体区域关系等序列级特征保留了区分运动动作类别的充足信息,领先的树基运动学模型一致优于所评估的固定和自适应图表示。拓扑结构仍影响模型行为,证明解剖结构在验证基于骨骼的运动表示时是重要考量因素。模型归因显示分类相关信息在身体区域间分布不均,下肢和选定上肢特征贡献突出。从人体运动生理学角度看,姿态衍生的运动学描述符可提供运动动作时空组织的可解释计算表示,但不应被解释为生理过程、因果生物力学机制、损伤风险或临床结果的直接测量。本研究因此支持将拓扑感知和鲁棒性感知的3D骨骼运动学分析作为运动动作动力学计算研究的工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号