Portable Biomechanics Laboratory (PBL)

PBL数据集是一个包含148名参与者的临床代表性异构数据集，用于同步地面真实值，其中包含了11.7小时的记录时间，用于验证PBL的力学测量。数据集包含了健康对照组、儿童住院患者、下肢假体使用者以及神经损伤参与者。该数据集旨在通过手持智能手机视频捕捉临床上有意义的生物力学数据，为临床人群中运动障碍的远程、可访问监测提供了一种有前景的方法。数据集的创建是为了解决临床实践中缺乏可访问且经过验证的运动测量方法的问题，以实现更敏感的结果测量或更早地识别运动障碍。

The PBL dataset is a clinically representative heterogeneous dataset with 148 participants and synchronized ground truth, boasting a total recording duration of 11.7 hours, which is used to validate the mechanical measurements of PBL. This dataset includes healthy controls, hospitalized pediatric patients, lower-limb prosthesis users, and participants with neurological impairments. It aims to capture clinically meaningful biomechanical data via handheld smartphone videos, providing a promising approach for remote and accessible monitoring of movement disorders in clinical populations. The dataset was developed to address the lack of accessible and validated movement measurement methods in clinical practice, enabling more sensitive outcome measures or earlier identification of movement disorders.

原始信息汇总

Portable Biomechanics Laboratory: Clinically Accessible Movement Analysis from a Handheld Smartphone

作者与机构

• J.D. Peiffer1,2
• Kunal Shah1
• Irina Djuraskovic1,3
• Shawana Anarwala1
• Kayan Abdou1
• Rujvee Patel4
• Prakash Jayabalan1,5
• Brenton Pennicooke4
• R. James Cotton1,5

机构：

1. Shirley Ryan AbilityLab
2. Biomedical Engineering, Northwestern University
3. Interdepartmental Neuroscience, Northwestern University
4. Neurological Surgery, Washington University School of Medicine
5. Physical Medicine and Rehabilitation, Northwestern University Feinberg School of Medicine

摘要

• 提出首个临床验证的方法，通过手持智能手机进行人体运动的生物力学分析。
• 运动方式直接反映神经和肌肉骨骼健康，但在临床实践中未充分利用。
• 便携式生物力学实验室（PBL）包括安全的云智能手机应用和新型生物力学模型拟合算法。
• 验证结果显示关节角度误差在3度以内，骨盆平移误差在几厘米内。
• 步态指标可靠性高（ICCs > 0.9），并能敏感反映临床差异。

工作流程

1. 数据采集：研究人员手持智能手机跟随行走的参与者，无特定视角、距离或治疗师协助要求。
2. 数据处理：录制的视频和可选的穿戴传感器数据存储在云端，使用PosePipe进行处理。
3. 运动重建：通过优化算法迭代调整运动轨迹和身体比例，最终3D关节位置跟踪误差在15毫米内，2D误差在5像素内。

临床分析

• A) 显示临床组和对照组的髋关节和膝关节屈曲角度。
• B) 步态偏差指数（GDI）可区分跌倒风险组。
• C) GDI与10米步行测试性能相关（r = 0.82）。
• D) 下肢假肢使用者（LLPU）和膝骨关节炎（KOA）参与者的GDI显著低于对照组。
• E) 临床环境中收集的GDI与mJOA评分相关（r = 0.47）。

相关链接

• PosePipeline GitHub
• Markerless Motion Capture and Biomechanical Analysis Pipeline
• Differentiable Biomechanics Unlocks Opportunities for Markerless Motion Capture
• Validation with Optical Motion Capture
• Fusion with Wearable Sensors

搜集汇总

数据集介绍

构建方式

便携式生物力学实验室（PBL）数据集通过智能手机应用程序收集数据，结合了RGB视频、深度视频和内部手机传感器信息（如加速度计、陀螺仪和方向传感器）。数据采集过程中，研究人员手持智能手机跟随参与者进行日常活动，如行走、转身等。采集的数据通过安全云平台上传，并使用PosePipe进行预处理，包括人物检测、跟踪和关键点提取。随后，利用基于MuJoCo的端到端可微分生物力学框架优化生物力学模型拟合，通过最小化预测虚拟标记与视频提取标记之间的误差，获得高精度的运动学数据。

特点

PBL数据集具有高度的临床适用性和准确性。其特点包括：1）多模态数据融合，结合视频和传感器信息，提供全面的运动分析；2）高精度，关节角度误差在3度以内，骨盆平移误差在几厘米内；3）广泛的临床代表性，数据集包含健康对照组、神经系统损伤患者、下肢假肢使用者和儿科住院患者等多种人群；4）高效性，数据采集过程简便快捷，适合临床常规使用。此外，数据集还提供了步态偏差指数（GDI）等临床相关指标，能够敏感地反映临床差异。

使用方法

PBL数据集的使用方法包括以下几个步骤：1）数据采集：使用智能手机应用程序录制参与者的运动视频，并同步记录传感器数据；2）数据预处理：通过PosePipe进行人物检测、跟踪和关键点提取；3）生物力学拟合：利用端到端可微分生物力学框架优化运动轨迹和身体比例参数；4）数据分析：计算步态参数（如步频、双支撑时间）和步态偏差指数（GDI），并与临床评分（如mJOA、10MWT）进行关联分析。数据集适用于临床研究、康复评估和运动分析等领域，为远程和可访问的运动障碍监测提供了有力工具。

背景与挑战

背景概述

Portable Biomechanics Laboratory (PBL) 数据集由Shirley Ryan AbilityLab和西北大学的研究团队于2025年推出，旨在解决临床实践中运动功能障碍客观量化的重要挑战。作为神经肌肉骨骼健康的直接反映，人体运动分析长期以来受限于传统光学运动捕捉系统(OMC)的高成本和技术复杂性。该数据集创新性地通过智能手机视频实现了可扩展的生物力学测量，其核心突破在于开发了基于MuJoCo物理引擎的端到端可微分生物力学模型，在神经损伤患者、下肢假肢使用者等多样化人群中实现了关节角度误差小于3度的精度。PBL的临床验证表明，其步态指标与改良日本骨科协会评分(mJOA)等传统评估工具相比具有更高的敏感性，标志着移动医疗技术在运动分析领域的重大进展。

当前挑战

PBL数据集面临的核心挑战主要体现在两个维度：在领域问题层面，需解决单目视频中三维运动重建的固有歧义性，特别是在复杂临床场景下辅助器具造成的遮挡问题；同时要突破传统步态分析仅能获取时空参数（如步速）的局限，实现关节运动学参数的精准提取。在构建过程中，研究团队需克服多模态数据（视频与IMU传感器）的时间同步难题，开发适用于异质临床人群的通用生物力学模型，并验证系统在自然光照、动态拍摄角度等非受控环境下的鲁棒性。此外，如何将误差控制在临床可接受范围内（如踝关节角度误差<5度）也是算法优化的关键挑战。数据集还需解决隐私保护与医疗数据安全存储的技术难题，以符合HIPAA等医疗数据管理规范。

常用场景

经典使用场景

Portable Biomechanics Laboratory (PBL) 数据集在临床步态分析中具有经典应用价值。通过智能手机视频捕捉患者的运动数据，PBL 提供了一种便捷且高效的方法来量化步态参数，如关节角度、步态周期和骨盆位移。该数据集特别适用于神经损伤患者、下肢假肢使用者以及儿科患者的运动功能评估，为临床医生提供了客观的运动分析工具。

实际应用

在实际应用中，PBL 数据集被广泛用于门诊和康复中心的患者监测。例如，在颈椎脊髓病变患者的术前术后评估中，PBL 提供的步态指标（如步态偏差指数）比传统问卷（如mJOA评分）更能敏感地反映手术效果。此外，该数据集还可用于膝关节骨关节炎患者的运动功能跟踪，为个性化康复方案提供数据依据。

衍生相关工作

PBL 数据集衍生了一系列经典研究工作，包括基于多视角无标记运动捕捉（MMMC）的算法优化、可穿戴传感器与视频数据的融合分析，以及步态事件检测模型的开发。相关成果如OpenCap和BioPose等系统，进一步推动了临床运动分析的普及化和精准化，为AI驱动的康复医学研究奠定了基础。