Rehab-Pile

Rehab-Pile是一个统一的档案，包含了60个现有的康复运动数据集。这些数据集来源于9个公开的数据仓库，旨在支持对现有和未来方法的更稳健分析。数据集包含的练习类型多样，涵盖了从日常活动到康复训练的各种动作。Rehab-Pile旨在为康复运动评估领域提供一个标准化的基准，促进研究的可重复性和可比性。

Rehab-Pile is a unified repository encompassing 60 existing rehabilitation exercise datasets. Sourced from 9 public data repositories, it is designed to support more robust analysis of both current and future research methodologies. The included datasets cover a diverse range of exercise types, spanning various movements from daily living activities to rehabilitation training. Rehab-Pile aims to provide a standardized benchmark for the field of rehabilitation exercise assessment, thereby promoting research reproducibility and comparability.

搜集汇总

数据集介绍

构建方式

Rehab-Pile数据集通过整合现有的康复运动数据集构建而成，涵盖了从9个公开数据源中提取的60个独立数据集，其中39个用于分类任务，21个用于外生回归任务。每个数据集对应特定的康复运动，数据采集采用Kinect摄像头等可穿戴设备，捕捉患者的运动序列并记录关键关节坐标。数据集经过统一的帧率重采样处理，确保时间维度一致性，并采用傅里叶变换方法进行序列长度标准化。训练集与测试集的划分遵循跨受试者协议，避免数据泄露，同时针对健康与患病受试者采用不同的交叉验证策略。

特点

该数据集的核心特点在于其多模态评估能力与临床细粒度标注。数据集包含三维骨骼序列数据，每个样本由长度L的帧序列、J个关节的D维坐标构成，形成(L,J,D)张量结构。其标注体系涵盖二元/多类分类标签（如动作正确性判断）和连续回归评分（如阿尔茨海默病严重程度）。特别值得注意的是数据集的时空双重特性：时间维度上捕捉运动动态，空间维度上保留关节拓扑关系。此外，数据集通过最小-最大归一化处理消除量纲差异，并针对类不平衡问题提供平衡准确率指标，增强了评估的鲁棒性。

使用方法

使用Rehab-Pile需遵循标准化的处理流程：首先将骨骼序列转换为(J×D)通道的多元时间序列，输入模型前需按训练集统计量进行归一化。对于分类任务，建议采用集成策略（如5次随机初始化的模型预测平均）以提升稳定性；回归任务需注意标签的0-1归一化及后续反归一化处理。评估时需严格采用论文提供的交叉验证方案，分类任务推荐同时监控准确率与平衡准确率，回归任务则采用MAE和RMSE双指标。为保障结果可比性，应使用作者开源的基准框架（基于TensorFlow-Keras），并注意STGCN等图网络模型需单独处理骨骼拓扑结构。

背景与挑战

背景概述

Rehab-Pile数据集由Ali Ismail-Fawaz等研究人员于2025年创建，旨在解决基于骨骼的人类运动康复评估领域的关键问题。该数据集整合了9个公开可用的康复运动数据集，包含60个独立任务，其中39个用于分类任务，21个用于外生回归任务。研究团队来自法国上阿尔萨斯大学、意大利佛罗伦萨大学和澳大利亚莫纳什大学等机构。该数据集的建立填补了康复运动评估领域缺乏标准化基准的空白，为深度学习模型在该领域的应用提供了统一评估框架。数据集的核心价值在于其专注于同一动作类别内运动质量的细微差异分析，而非简单的动作分类，这为开发精准、个性化的康复解决方案奠定了基础。

当前挑战

Rehab-Pile数据集主要解决两个层面的挑战：在领域问题层面，康复运动评估需要检测理想运动的细微偏差，这比常规动作识别更具挑战性；在构建过程层面，研究人员面临数据异构性（不同采集设备和协议）、运动质量标注的主观性、跨数据集标准化等难题。具体挑战包括：1) 如何统一不同来源数据集的时间序列长度和骨骼关节点定义；2) 处理临床评分中的主观偏差问题；3) 设计能够捕捉时空模式且对设备噪声鲁棒的评估算法；4) 在保持动作类别一致性的同时量化运动质量差异。这些挑战使得该数据集成为测试深度学习模型时空建模能力的严格基准。

常用场景

经典使用场景

Rehab-Pile数据集在康复医学领域具有重要应用价值，主要用于基于骨架序列的运动康复评估。该数据集通过整合9个公开康复数据集中的60个独立训练任务（39个分类任务和21个外源回归任务），为深度学习模型提供了评估运动质量的标准化基准。其典型使用场景包括对患者执行特定康复动作时的运动偏差检测，如深蹲动作中膝关节角度异常的识别，或肩部外展运动中关节轨迹偏离理想路径的量化分析。数据集采用Kinect等低成本设备采集的骨架数据，使得研究成果更易于向临床和家庭康复场景转化。

解决学术问题

Rehab-Pile有效解决了康复评估领域三个关键学术问题：首先，填补了标准化评估基准的空白，通过统一60个数据集的预处理流程和交叉验证协议，使不同研究方法具备可比性；其次，针对传统动作识别与康复评估的差异，专门设计了对同一动作类别内运动质量的细粒度评估任务；最后，通过公开数据集和源代码，显著提升了研究可复现性。该数据集特别关注时间序列分类与回归任务，使得研究者能够开发可检测阿尔茨海默症严重程度（EHE数据集）或量化运动表现评分（KIMORE数据集）的算法模型。

衍生相关工作

Rehab-Pile的发布推动了多项衍生研究：1）LITEMV架构通过深度可分离卷积和手工设计滤波器，在该数据集上取得最优性能，相关成果发表在时序分析顶刊；2）催生了面向康复评估的Transformer变体ConvTran，其卷积嵌入策略显著优于传统自注意力机制；3）基于该基准的对比研究揭示了图卷积网络（STGCN）在分类任务中的局限性，促使学界重新思考空间-时间特征提取范式。数据集还支持了《康复评估中的运动生成》等跨模态研究，为动作纠正建议生成提供了质量评估标准。