Ruhr Hand Motion Catalog

Ruhr Hand Motion Catalog是由德国波鸿大学神经计算研究所创建的数据集，包含31名参与者在三维任务空间中的中心向外轨迹数据。数据集记录了参与者从统一起点到随机目标位置的运输任务，使用光学运动捕捉系统和便携式IMU设备同时测量。该数据集旨在通过深度学习方法分析个体运动特征，评估运动障碍的不同阶段，并为个性化康复治疗提供支持。

The Ruhr Hand Motion Catalog is a dataset developed by the Institute of Neurocomputing at Ruhr-Universität Bochum, Germany. It encompasses center-out trajectory data collected from 31 participants within a three-dimensional task space. The dataset records transportation tasks where participants move from a standardized starting point to random target positions, with data simultaneously captured using an optical motion capture system and portable IMU devices. This dataset aims to analyze individual movement characteristics via deep learning methods, evaluate different stages of movement disorders, and provide support for personalized rehabilitation therapy.

搜集汇总

数据集介绍

构建方式

Ruhr Hand Motion Catalog数据集通过记录31名参与者在三维空间中的上肢运动轨迹构建而成。参与者在坐姿状态下，从统一的起点将物体运输到随机排列的九个目标位置之一。实验中，使用光学运动捕捉系统记录了右手运输物体的位置轨迹，采样频率为250 Hz，并通过4阶低通Butterworth滤波器进行预处理，最终数据经过z-score标准化和窗口化处理后用于分析。

特点

该数据集的显著特点在于其简洁性和实用性，仅通过分析任务空间中的物体运输路径即可获取丰富的个体运动特征。此外，数据集同时提供了光学运动捕捉系统和便携式IMU设备的数据，尽管当前研究仅使用了光学数据，但为未来的多模态分析提供了可能性。数据集的高采样率和详细的轨迹信息使其在运动分析和康复评估领域具有广泛的应用潜力。

使用方法

Ruhr Hand Motion Catalog数据集可用于深度学习模型的训练和验证，特别是针对时间序列数据的分类任务。研究中采用了ResNet18架构进行残差学习，通过100个训练周期和10折交叉验证评估模型性能。数据集的90%用于训练和验证，10%用于测试，确保了参与者在不同数据集之间的均匀分布。该数据集还可用于开发实时移动诊断系统，尤其是在预训练模型可跨用户迁移的情况下。

背景与挑战

背景概述

Ruhr Hand Motion Catalog数据集由德国波鸿鲁尔大学神经计算研究所（INI）和米尔海姆应用科学大学计算机科学研究所的研究团队创建，旨在通过分析上肢运动轨迹来评估个体运动特征，进而为康复进展评估和运动障碍诊断提供基础。该数据集包含31名参与者的三维中心出轨迹数据，涵盖年龄范围从21岁到78岁。研究团队通过标准化任务协议，记录参与者在坐姿状态下将物体从统一起点运输到随机目标位置的运动轨迹。该数据集的构建为个性化治疗方案的制定和辅助治疗的成功提供了量化依据，推动了传统临床评分方法向定量分析的转变。

当前挑战

Ruhr Hand Motion Catalog数据集在构建和应用过程中面临多项挑战。首先，数据集的构建需要克服运动轨迹的复杂性和多样性，确保在不同年龄段和运动状态下数据的准确性和一致性。其次，尽管深度学习模型在该数据集上取得了较高的分类准确率（95%用于9名参与者，78%用于31名参与者），但如何在更大规模和更复杂的数据集上保持高精度仍是一个挑战。此外，数据集的实际应用中，如何将光学运动捕捉系统的高精度数据与便携式IMU设备的数据进行有效融合，以实现实时移动诊断系统的可行性，也是一个亟待解决的问题。最后，数据集的扩展和应用还需考虑数据保护和用户隐私问题，确保在模型迁移和跨用户应用中的安全性。

常用场景

经典使用场景

Ruhr Hand Motion Catalog数据集的经典使用场景主要集中在通过深度学习技术对个体运动特征进行识别和分类。该数据集记录了31名参与者在三维空间中的上肢运动轨迹，特别是手部在执行标准化运输任务时的路径数据。通过分析这些轨迹，研究者能够区分不同个体的运动模式，进而评估运动障碍的阶段和康复进展。

衍生相关工作

基于Ruhr Hand Motion Catalog数据集，许多相关研究得以展开，尤其是在运动障碍的分类和康复进展的监测领域。例如，有研究通过改进的ResNet18架构对运动轨迹进行分类，进一步提升了个体识别的准确性。此外，该数据集还为开发基于深度学习的便携式诊断工具提供了基础，推动了实时运动分析技术的发展。未来，该数据集有望应用于更广泛的医疗场景，如老年护理和运动康复等领域。

数据集最近研究

最新研究方向

近年来，Ruhr Hand Motion Catalog数据集在运动障碍评估和康复进展监测领域引起了广泛关注。该数据集通过深度学习技术，特别是基于ResNet18架构的时间序列学习模型，成功实现了对个体运动特征的识别，分类准确率在95%至78%之间。这一研究不仅为个性化康复治疗提供了量化依据，还为便携式诊断系统的开发奠定了基础。未来研究方向将聚焦于通过该数据集区分不同阶段的运动障碍和康复状态，进一步推动运动障碍的精准诊断和治疗个性化。

相关研究论文

• Deep-learning-based identification of individual motion characteristics from upper-limb trajectories towards disorder stage evaluation

  神经计算研究所（INI），波鸿大学，德国 · 2024年