面向临床步态分析的计算机视觉：步态异常视频数据集
计算机视觉与模式识别
2025-12-02 v1
摘要
基于计算机视觉的临床步态分析（CGA）是人工智能领域的一个新兴方向，但面临数据可获取性、现实场景数据和明确任务目标等障碍。本文为当前CGA及其适合步态分析的视觉方法和数据集奠定了基础。我们提出了步态异常视频数据集（GAVD），以回应对150多个当前步态相关计算机视觉数据集的审查，该审查突显了需要大规模可获取数据集进行临床注释以支持CGA的需求。GAVD是目前最大的视频步态数据集，包含1874个正常、异常和病理步态序列。此外，GAVD包括来自在线平台上公开内容的临床注释RGB数据。数据集还涵盖超过400名接受临床级视觉筛查的受试者，代表各种异常步态模式，包括医院诊室和城市不可控户外环境等多种场景。我们使用预训练模型（Temporal Segment Networks, TSN 和 SlowFast 网络）在GAVD数据集上实现94% 和92% 的视频异常检测准确率，证明了数据集的有效性和动作识别模型在CGA中的实用性。提供的GitHub仓库（https://github.com/Rahmyyy/GAVD）包含便捷的URL链接和临床相关注释，涵盖450多个在线视频， featuring diverse subjects performing normal, pathological, and abnormal gait patterns。
引用
@article{arxiv.2407.04190,
title = {Computer Vision for Clinical Gait Analysis: A Gait Abnormality Video Dataset},
author = {Rahm Ranjan and David Ahmedt-Aristizabal and Mohammad Ali Armin and Juno Kim},
journal= {arXiv preprint arXiv:2407.04190},
year = {2025}
}