基于骨架的人体运动康复评估深度学习基准
计算机视觉与模式识别
2025-07-29 v1 机器学习
摘要
自动化的人体运动评估在康复中发挥着关键作用，使客观评估患者表现和进步成为可能。不同于一般人体活动识别，康复运动评估侧重于分析同一动作类别中运动质量的细微偏差，需要检测对理想运动的微小偏离。近期深度学习技术和基于视频的骨架提取方法为利用诊所成本低、可访问的设备（如智能手机或网页摄像头）进行可扩展运动评估开辟了新可能。然而，该领域缺乏标准化的基准、一致的评估协议以及可复现的方法，限制了进展和跨研究的可比性。本文通过 (i) 将现有康复数据集整合成统一档案库称为 Rehab-Pile，(ii) 提出针对该领域评估深度学习方法的通用基准框架，(iii) 对多个架构在分类和回归任务上进行大规模基准测试。所有数据集和实现均向社区开放，以支持透明度和可复现性。本文旨在为自动化康复评估奠定坚实基础，推动可靠、可访问和个性化康复解决方案的发展。本文的所有数据集、源代码和结果均公开可用。
引用
@article{arxiv.2507.21018,
title = {Deep Learning for Skeleton Based Human Motion Rehabilitation Assessment: A Benchmark},
author = {Ali Ismail-Fawaz and Maxime Devanne and Stefano Berretti and Jonathan Weber and Germain Forestier},
journal= {arXiv preprint arXiv:2507.21018},
year = {2025}
}