Parkinsons Pose Estimation Dataset

该数据集包含使用卷积姿态机(CPM)从帕金森病评估视频中提取的所有运动轨迹，以及CPM的置信度值。数据集还包括使用UDysRS、UPDRS和CAPSIT对帕金森病和运动障碍严重程度的实际评分。

This dataset encompasses all motion trajectories extracted from Parkinson's disease assessment videos using Convolutional Pose Machines (CPM), along with the confidence values from CPM. Additionally, the dataset includes actual severity ratings of Parkinson's disease and movement disorders, assessed using UDysRS, UPDRS, and CAPSIT.

原始信息汇总

Parkinsons Pose Estimation Dataset 概述

数据集来源

• 论文：<cite>Vision-Based Assessment of Parkinsonism and Levodopa-Induced Dyskinesia with Deep Learning Pose Estimation</cite> - Li, Mestre, Fox, Taati (2018)

数据集内容

• 包含所有使用Convolutional Pose Machines (CPM)从视频中提取的运动轨迹及CPM的置信度值。
• 包含使用UDysRS, UPDRS, 和 CAPSIT评定的帕金森症和运动障碍严重程度的真实数据。

数据集获取

• 下载链接：UDysRS_UPDRS_Export.zip
• 许可证：Creative Commons Attribution 4.0 International License

引用信息

• 引用文献：M.H. Li, T.A. Mestre, S.H. Fox, and B. Taati, Vision-based assessment of parkinsonism and levodopa-induced dyskinesia with pose estimation, Journal of NeuroEngineering and Rehabilitation, vol. 15, no. 1, p. 97, Nov. 2018. doi:10.1186/s12984-018-0446-z

搜集汇总

数据集介绍

构建方式

该数据集的构建基于对帕金森病患者评估视频的深度分析，利用卷积姿态机（Convolutional Pose Machines, CPM）提取所有运动轨迹，并附带CPM的置信度值。此外，数据集还包含了基于UDysRS、UPDRS和CAPSIT的帕金森病和异动症严重程度的真实评分，确保了数据的临床相关性和准确性。

使用方法

使用该数据集时，研究者可以利用提取的姿态估计数据和置信度值进行深度学习模型的训练与验证，以评估帕金森病和异动症的严重程度。同时，结合临床评分数据，可以进一步分析姿态估计结果与临床评估之间的相关性，为开发自动化评估工具提供依据。在使用数据集时，请遵循Creative Commons Attribution 4.0 International License，并引用相关文献。

背景与挑战

背景概述

Parkinson's Pose Estimation Dataset 是由 Li, Mestre, Fox 和 Taati 于 2018 年创建的，旨在通过深度学习姿态估计技术评估帕金森病患者的运动轨迹。该数据集的核心研究问题是如何利用视觉信息准确评估帕金森病患者的运动障碍，特别是与左旋多巴诱导的异动症相关的严重程度。数据集包含了从视频中提取的运动轨迹，以及使用 Convolutional Pose Machines (CPM) 获得的置信度值，并结合了 UDysRS、UPDRS 和 CAPSIT 等临床评分标准。该数据集的发布为神经工程和康复领域提供了宝贵的资源，推动了基于视觉的帕金森病评估方法的发展。

当前挑战

Parkinson's Pose Estimation Dataset 面临的挑战主要集中在两个方面。首先，如何从视频中准确提取患者的运动轨迹，并确保姿态估计的置信度值与实际运动情况高度一致，这是一个技术上的难点。其次，数据集的构建过程中，如何将临床评分标准与视觉特征有效结合，以实现对帕金森病和异动症严重程度的自动化评估，也是一个重要的挑战。此外，数据集的规模和多样性可能限制其在不同临床场景中的应用，进一步的研究需要解决这些问题以提高数据集的实用性和广泛性。

常用场景

经典使用场景

帕金森姿态估计数据集（Parkinson's Pose Estimation Dataset）在神经工程与康复领域中具有广泛的应用前景。该数据集通过卷积姿态机（CPM）从帕金森病患者的视频中提取运动轨迹，并结合UDysRS、UPDRS和CAPSIT等量表的地面真实评分，为研究人员提供了一个全面的评估工具。其经典使用场景包括通过深度学习模型分析患者的姿态变化，从而量化帕金森病症状的严重程度，特别是对左旋多巴诱导的异动症（Levodopa-Induced Dyskinesia）的评估。

解决学术问题

该数据集解决了帕金森病研究中长期存在的量化评估难题。传统上，帕金森病的症状评估依赖于医生的主观判断，缺乏客观的量化标准。通过引入姿态估计技术，该数据集为研究人员提供了一种自动化、客观的评估方法，显著提高了研究的可靠性和可重复性。此外，该数据集还为探索左旋多巴诱导的异动症的动态变化提供了新的视角，推动了神经康复工程领域的发展。

实际应用

在实际应用中，帕金森姿态估计数据集可用于开发智能辅助诊断系统，帮助医生更准确地评估患者的病情。例如，通过分析患者的姿态数据，系统可以自动生成病情报告，辅助医生制定个性化的治疗方案。此外，该数据集还可用于远程医疗，通过视频分析技术，医生可以远程评估患者的病情变化，特别是在资源匮乏的地区，具有重要的临床应用价值。

数据集最近研究

最新研究方向

在帕金森病（Parkinson's Disease）领域，基于姿态估计的研究正逐步成为前沿热点。Parkinson's Pose Estimation Dataset通过结合卷积姿态机（Convolutional Pose Machines, CPM）技术，提取了帕金森病患者在评估视频中的运动轨迹及其置信度，为研究帕金森病症状的自动化评估提供了宝贵的数据支持。该数据集不仅包含了患者的运动数据，还结合了UDysRS、UPDRS和CAPSIT等临床评分标准，使得研究者能够更精确地分析帕金森病及其相关运动障碍的严重程度。近年来，利用深度学习技术进行帕金森病症状的自动化评估已成为该领域的研究重点，尤其是在药物诱导的运动障碍（如左旋多巴诱导的异动症）的识别与评估方面，该数据集的应用为相关研究提供了重要的实验基础。