ARAT 数据集

ARAT数据集是由瑞士卢塞恩湖数据分析与康复技术研究所收集的，包含45名参与者在临床常规中执行各种ARAT项目（动作研究臂部测试）的记录。数据集总共包含2725条正确执行和标记的ARAT项目，以及647条因开始过早或监督不确定性而未计入ARAT评分的无效序列。数据集通过使用五款可穿戴传感器（Movella Dot）在患者身上收集三轴向心加速度、三轴旋转加速度和磁场强度信号，其中磁场强度数据因可靠性问题被舍弃。数据用于研究通过可穿戴传感器自动识别ARAT项目，旨在提高评估上肢运动功能的效率和客观性。

The ARAT dataset was collected by the Institute for Data Analysis and Rehabilitation Technology, Lake Lucerne, Switzerland. It contains records of 45 participants performing various ARAT (Action Research Arm Test) items during clinical routine. In total, the dataset includes 2,725 correctly performed and annotated ARAT items, as well as 647 invalid sequences excluded from ARAT scoring due to premature initiation or uncertain supervision. The dataset collects triaxial linear acceleration, triaxial rotational acceleration and magnetic field intensity signals from patients using five wearable sensors (Movella Dot); however, magnetic field intensity data was discarded due to reliability issues. This dataset is used for research on automatic recognition of ARAT items via wearable sensors, aiming to improve the efficiency and objectivity of upper extremity motor function assessment.

搜集汇总

数据集介绍

构建方式

ARAT数据集构建基于45名参与者的手腕佩戴惯性测量单元（IMU）传感器记录，采集了执行19种不同ARAT项目的三轴加速度和陀螺仪数据。数据预处理包括均值填充、高斯噪声注入以及重力去除等策略的对比测试，最终采用最优组合以最大化分类准确性。所有数据均来自临床环境下的标准化ARAT评估，确保了数据的临床相关性和一致性。

使用方法

数据集适用于时间序列分类任务，推荐使用MiniROCKET算法进行特征提取和分类。使用时应采用十折交叉验证评估模型性能，重点关注领域级分类（四类）和细粒度项目分类（19类）两个层级。对于输入特征，建议融合原始传感器数据（加速度+角速度）与计算得到的四元数以获得最佳性能。预处理阶段需保留完整的时间动态特性，避免过度滤波影响运动特征表达。

背景与挑战

背景概述

ARAT数据集由瑞士卢塞恩湖研究所DART团队联合慕尼黑工业大学等机构于2020年至2024年间构建，旨在通过可穿戴传感器实现动作研究臂测试（ARAT）的自动化评估。作为脑卒中后上肢功能康复领域的黄金标准，ARAT包含19个精细动作项目，传统依赖治疗师主观评分存在效率瓶颈。该数据集创新性地整合了45名受试者的腕部IMU传感器数据，涵盖三轴加速度计、陀螺仪及四元数姿态信息，为运动功能量化分析提供了多模态时序基准。其核心价值在于将临床评估数字化，推动了康复医学从定点医疗向连续监护的模式转型。

当前挑战

该数据集面临双重技术挑战：在应用层面，相似动作项目的细粒度分类准确率不足，特别是抓握（Grasp）与捏取（Pinch）域间混淆率达18%，主要源于单腕传感器对指端运动信息捕捉的局限性；在构建层面，受试者运动损伤程度导致的时序长度异质性（最长序列达最短的10倍）显著影响模型泛化能力，且重力补偿与频域滤波等预处理策略会意外损失有效特征。此外，磁力计因临床MRI干扰失效的问题，暴露出可穿戴设备在复杂环境中的信号可靠性瓶颈。

常用场景

经典使用场景

ARAT数据集在临床康复领域中主要用于评估中风患者上肢运动功能的恢复情况。通过19个不同复杂度的动作项目，如抓握、捏取等，该数据集能够量化患者上肢的运动能力。研究人员利用腕戴式惯性传感器记录患者的运动数据，结合MiniROCKET时间序列分类技术，实现对ARAT项目的自动标注和分类，从而减少临床评估的主观性和时间消耗。

解决学术问题

ARAT数据集解决了临床康复中上肢运动功能评估的标准化问题。传统评估依赖人工观察，存在主观性强、耗时长的缺陷。该数据集通过传感器数据量化运动特征，结合机器学习模型，实现了对ARAT项目的自动分类，准确率达47.2%。这不仅提高了评估效率，还为研究运动损伤与功能恢复的关系提供了客观数据支持，推动了康复医学的精准化发展。

实际应用

在实际应用中，ARAT数据集为开发轻量化的临床决策支持系统奠定了基础。腕戴式传感器的使用使得评估场景从医院扩展到家庭，患者可通过日常佩戴设备完成自主评估。例如，系统能识别患者抓握动作的完成质量，实时反馈给医生以调整康复方案。此外，该技术还可用于远程医疗，降低医疗资源消耗，提升康复治疗的连续性和可及性。

数据集最近研究

最新研究方向

近年来，ARAT数据集的研究方向主要集中在利用可穿戴传感器技术实现上肢运动功能的自动化评估。随着全球中风患者数量的增加，对上肢运动障碍的客观量化需求日益迫切。该领域的前沿研究探索了基于惯性测量单元（IMU）的时间序列分类方法，特别是MiniROCKET算法在实时分类ARAT测试项目中的应用。当前研究热点包括多模态传感器数据融合、运动质量与执行速度的解耦分析，以及轻量级算法在家庭康复场景中的部署。这些进展不仅为临床决策支持系统提供了新思路，也为实现从医院到家庭的连续性康复护理模式奠定了基础。最新实验表明，尽管在细粒度项目分类上仍存在挑战，但通过优化数据预处理和特征提取流程，腕部传感器已能实现对ARAT四大运动域82.3%的准确区分，展现了可穿戴技术在运动功能评估中的重要潜力。

相关研究论文

• IdentiARAT: Toward Automated Identification of Individual ARAT Items from Wearable Sensors

  瑞士卢塞恩湖数据分析与康复技术研究所（Data Analytics & Rehabilitation Technology (DART), Lake Lucerne Institute, Switzerland） · 2025年