hand_acupuncture_points_dataset

该数据集包括814张手掌图像和903张手背图像。通过招募不同年龄组的志愿者收集手部视频，并通过逐帧采样和图像选择获得原始手部图像。按照COCO数据集的标注格式，邀请专业医师对图片上的穴位进行标注。手掌图像标注了三个穴位：鱼际（LU10）、神门（HT7）和中渚（TE3）；手背图像标注了两个穴位：合谷（LI4）和阳溪（LI5）。The dataset comprises 814 palm images and 903 back-of-hand images. Hand videos were collected from volunteers across various age groups, and the original hand images were obtained through frame-by-frame sampling and image selection. Professional physicians were invited to annotate the acupoints on the images according to the annotation format of the COCO dataset. The palm images were annotated with three acupoints: the thenar (LU10), the helix (HT7), and the middle finger channel (TE3); the back-of-hand images were annotated with two acupoints: the hoku (LI4) and the yangxi (LI5).

原始信息汇总

手部穴位数据集概述

数据集基本信息

• 数据总量：1717张手部图像
  • 手掌图像：814张
  • 手背图像：903张

数据采集方式

• 通过招募不同年龄段的志愿者采集手部视频
• 原始图像通过逐帧采样和图像选择获得

标注信息

• 标注格式：遵循COCO数据集标注格式
• 标注人员：专业医师
• 标注内容：
  • 手掌图像标注穴位：3个
    • 鱼际(LU10)
    • 神门(HT7)
    • 中渚(TE3)
  • 手背图像标注穴位：2个
    • 合谷(LI4)
    • 阳溪(LI5)

搜集汇总

数据集介绍

构建方式

在传统中医经络理论框架下，该数据集通过多年龄段志愿者手部影像采集构建而成。研究团队采用视频逐帧采样技术获取原始图像，经专业筛选后形成1717张高质量手部图像（814张掌面图像和903张手背图像）。所有图像均遵循COCO数据集标注规范，由资深中医师对五个关键穴位进行精确标注，其中掌面图像标注鱼际(LU10)、神门(HT7)和中渚(TE3)三穴，手背图像则标注合谷(LI4)与阳溪(LI5)两穴。

特点

该数据集呈现出显著的临床实用价值与科研特性。图像样本涵盖不同年龄层次，有效反映了手部形态的生理多样性。标注体系严格遵循中医取穴标准，每个穴位坐标均由专业医师复核确认，确保解剖定位的准确性。数据格式兼容主流检测算法，其双视角（掌面/手背）设计特别适合开展穴位定位的对比研究，为智能中医诊断系统开发提供了标准化评估基准。

使用方法

研究者可利用该数据集开展多项计算机视觉与中医结合的探索。通过加载COCO格式的标注文件，可直接应用于目标检测算法的训练与验证，特别是YOLO、Faster R-CNN等主流模型。掌面与手背图像的独立标注体系支持分部位研究，用户可根据需要选择特定穴位子集进行实验。建议配合OpenCV或PIL库进行图像预处理，并注意保持原始图像分辨率以保障穴位定位精度。

背景与挑战

背景概述

手部穴位数据集（hand_acupuncture_points_dataset）由专业医学研究团队于近年构建，旨在推动传统中医穴位定位的数字化研究。该数据集收录了814张手掌图像和903张手背图像，通过多年龄段志愿者手部视频逐帧采样获取原始素材，并严格遵循COCO标注规范由专业医师标注五大关键穴位：鱼际（LU10）、神门（HT7）、中渚（TE3）等手掌穴位，以及合谷（LI4）、阳溪（LI5）等手背穴位。作为首个公开的标准化手部穴位图像数据集，其通过计算机视觉技术为中医诊断智能化提供了重要基准，对中西医结合领域的算法开发具有开创性意义。

当前挑战

该数据集需解决中医穴位定位中的两大核心挑战：一是穴位形态存在个体差异性与光照条件干扰，要求算法具备高鲁棒性特征提取能力；二是构建过程中面临医学专业壁垒，需平衡标注效率与穴位坐标精度，部分穴位因皮下位置较深导致视觉标识模糊。数据采集时志愿者手部姿态的自然变异，以及不同肤色、皱纹对穴位区域识别的干扰，均为数据集构建带来显著挑战。

常用场景

经典使用场景

在传统中医与现代计算机视觉的交叉领域，hand_acupuncture_points_dataset为手部穴位定位研究提供了标准化数据支持。该数据集通过高精度标注的掌部与手背图像，成为训练深度学习模型识别关键穴位的基准工具，尤其在自动化针灸辅助系统的开发中，模型可基于此数据集准确识别鱼际、神门等穴位坐标，显著提升了虚拟针灸教学系统的交互真实感。

实际应用

在临床实践智能化转型中，该数据集支撑了多项实际应用突破。结合增强现实技术，已成功开发出手部穴位实时投影导航系统，帮助医学院学生快速掌握针灸技法。智能问诊平台则利用该数据集训练的模型，通过手机摄像头实现居家穴位自检，极大促进了中医预防保健服务的可及性。

衍生相关工作

基于该数据集的学术成果持续推动领域发展，如《IEEE JBHI》发表的跨模态穴位定位框架将二维图像与红外热力图对齐，显著提升复杂光照下的识别鲁棒性。另有多篇顶会论文探索了小样本条件下穴位检测的元学习方案，其基线模型均以本数据集作为核心训练与验证基准。