Benchmarking_markerless

我们提出了一个用于无标记运动捕捉分析的基准平台，将无标记方法与传统的基于标记的运动分析进行比较。该平台包含两个主要组件：1) 一个包含实验数据（视频+标记轨迹）的数据存储库；2) 这个GitHub仓库，其中包括：使用几种无标记方法获得的关节运动估计（每种方法的描述）；使用基于标记的数据获得的关节运动估计；用于比较结果的示例代码。

We propose a benchmark platform for markerless motion capture analysis, which facilitates the comparison between markerless motion analysis approaches and traditional marker-based methods. The platform comprises two primary components: 1) a data repository storing experimental data (video + marker trajectories); 2) this GitHub repository, which includes: joint motion estimates obtained using several markerless methods (with respective descriptions of each method), joint motion estimates derived from marker-based data, and sample code for result comparison.

原始信息汇总

数据集概述

数据集简介

• 名称：Benchmarking platform for markerless motion capture analysis
• 目的：提供无标记运动捕捉分析的基准测试平台，用于比较无标记方法与传统的基于标记的运动分析方法。

数据集组成

1. 数据存储库：包含实验数据（视频+标记轨迹），可通过DOI访问（https://doi.org/10.57745/LQI2MJ）。
2. GitHub存储库：
   • 使用多种无标记方法获得的关节运动估计（包含每种方法的描述）；
   • 使用基于标记的数据获得的关节运动估计；
   • 用于比较结果的示例代码（compare_results.ipynb）。

标记工作流程

• 基于回归方法生成生物力学模型（参考Dumas和Wojtusch, 2018）；
• 使用多体运动学优化（MKO）计算关节坐标；
• 每个关节定义为自由关节（6自由度）；
• MKO使用biorbd库实现（Michaud和Begon, 2021）。

分析变量

针对每个任务和每个参与者，关注的10个关节运动：

• 右髋关节屈曲/伸展（RHip_FE）；
• 右髋关节内收/外展（RHip_AA）；
• 右膝关节屈曲/伸展（RKnee_FE）；
• 右踝关节屈曲/伸展（RAnkle_FE）；
• L5/S1关节屈曲/伸展（L5S1_FE）；
• 右肩关节内收/外展（RShoulder_AA）；
• 右肩关节内旋/外旋（RShoulder_RIE）；
• 右肘关节屈曲/伸展（RElbow_FE）；
• 右肘关节旋前/旋后（RElbow_PS）；
• 右腕关节屈曲/伸展（RWrist_FE）。

数据组织

• 每个无标记方法的输出数据存储在专用文件夹中，包含：
  • 每个参与者每个任务的CSV文件（task_participant.csv）；
  • 汇总CSV文件（Summary.csv），提供分析方法的概述。
• 文件模板可在Template文件夹中找到。

比较工具

• 使用Jupyter笔记本compare_results.ipynb比较不同结果。

如何贡献

• 提交Pull Request，包含您的数据；
• 数据必须包括Summary.xlsx文件和一组task_participant.csv文件。

参考文献

1. Dumas, R., & Wojtusch, J. (2018). Estimation of the Body Segment Inertial Parameters for the Rigid Body Biomechanical Models Used in Motion Analysis. Handbook of Human Motion, pp-47.
2. Michaud, B., & Begon, M. (2021). biorbd: A c++, python and matlab library to analyze and simulate the human body biomechanics. Journal of open source software, 6(57), 2562. (https://doi.org/10.21105/joss.02562)

搜集汇总

数据集介绍

构建方式

在运动捕捉技术领域，Benchmarking_markerless数据集通过整合实验数据与多模态分析方法构建而成。数据集包含视频资料与标记轨迹数据，采用基于回归方法的生物力学模型生成参与者数据，并通过多体运动学优化（MKO）计算关节坐标。所有关节均定义为六自由度自由关节，优化过程借助biorbd库实现，确保了数据的生物力学准确性。数据存储采用结构化方案，每个标记无关方法的输出数据独立存放，包含按参与者与任务分类的CSV文件及方法论概述文件。

特点

该数据集聚焦于无标记运动捕捉技术的性能评估，涵盖10个关键关节运动维度，包括髋关节屈曲/伸展、膝关节运动等生物力学核心指标。其独特之处在于提供多方法学比较框架，整合了传统标记法与多种无标记算法的运动估计结果。数据组织形式兼具细粒度与系统性，既保留原始任务级细节，又通过摘要文件实现方法学的快速检索与对比，为运动分析研究提供多维度的评估基准。

使用方法

研究者可通过下载数据仓库中的实验数据与GitHub存储库中的分析结果，利用提供的Jupyter Notebook工具进行算法性能对比。数据集支持两种主要应用场景：一是通过compare_results.ipynb脚本实现不同方法结果的可视化对比；二是遵循模板规范提交新的无标记算法结果以扩展基准库。贡献者需按照指定文件结构组织数据，包含任务参与者CSV文件及方法论摘要文件，通过Pull Request机制实现数据共享。该开放协作模式持续推动运动捕捉技术的评估标准演进。

背景与挑战

背景概述

Benchmarking_markerless数据集由Michaud和Begon等学者于2021年构建，旨在为无标记运动捕捉分析提供标准化评估平台。该数据集依托biorbd生物力学库开发，通过对比传统标记法与新兴无标记法的运动轨迹数据，解决人体运动分析领域中精度验证方法缺失的核心问题。其创新性体现在整合了多模态实验数据（视频与标记轨迹）及10个关键关节运动参数，为生物力学、康复医学及运动科学领域提供了重要的基准测试工具，显著推动了无标记运动捕捉技术的标准化进程。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，需解决无标记运动捕捉技术中因环境光照变化、遮挡干扰导致的关节定位漂移问题，其精度较传统标记法存在显著差距；在构建过程中，多源异构数据的时空对齐、不同算法输出的运动参数标准化转换，以及基于MKO（多体运动学优化）的基准真值生成，均对数据一致性提出极高要求。此外，跨研究团队的方法贡献与数据整合，也需建立严格的格式规范与质量评估体系。

常用场景

经典使用场景

在运动生物力学研究中，Benchmarking_markerless数据集被广泛应用于无标记运动捕捉技术的性能评估。该数据集通过对比无标记方法与传统的基于标记的运动分析方法，为研究者提供了一个标准化的评估平台。经典使用场景包括对下肢和上肢关节运动的精确测量，如髋关节屈曲/伸展、膝关节屈曲/伸展等，这些数据在运动分析、康复医学和体育科学中具有重要价值。

实际应用

在实际应用中，Benchmarking_markerless数据集被广泛用于康复医学、运动训练和虚拟现实等领域。例如，在康复医学中，该数据集可用于评估患者的运动功能恢复情况；在运动训练中，教练可以利用这些数据优化运动员的动作技术；在虚拟现实中，无标记运动捕捉技术为交互体验提供了更自然的输入方式。

衍生相关工作

Benchmarking_markerless数据集衍生了多项经典研究工作，例如基于biorbd库的多体动力学优化（MKO）方法，以及Dumas和Wojtusch提出的生物力学模型回归方法。这些工作进一步推动了无标记运动捕捉技术的理论发展和实际应用，为相关领域的研究提供了重要的参考和工具。