KinTwin

KinTwin数据集包含来自467名参与者的34小时运动数据，其中大多数参与者具有不同程度的运动障碍。这些数据通过无标记运动捕捉技术获取，并用于训练一个模仿学习策略，旨在精确复制各种运动，包括使用辅助设备或治疗师辅助的运动。数据集经过处理，包含详细的运动轨迹和相关的生物力学参数，如关节角度、地面接触事件等，为临床运动分析提供了有价值的资源。

The KinTwin Dataset contains 34 hours of motion data from 467 participants, most of whom have varying degrees of motor impairment. These data were collected via markerless motion capture technology and are used to train an imitation learning strategy aimed at accurately replicating a wide range of movements, including those assisted by assistive devices or therapists. The processed dataset includes detailed motion trajectories and relevant biomechanical parameters such as joint angles, ground contact events and more, serving as a valuable resource for clinical motion analysis.

原始信息汇总

数据集概述

基本信息

• 标题: KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture
• 作者: R. James Cotton
• 提交日期: 2025年5月19日
• 版本: v1
• DOI: https://doi.org/10.48550/arXiv.2505.13436
• arXiv标识符: arXiv:2505.13436v1
• 学科分类: Computer Science > Computer Vision and Pattern Recognition (cs.CV)

摘要

• 研究背景: 高质量运动分析的广泛应用可极大促进运动科学和康复领域的发展，例如更详细地描述运动障碍和对干预的反应，甚至早期检测新的神经系统疾病或跌倒风险。
• 研究内容:
  • 探索模仿学习应用于生物力学模型，从大量健全和受损个体的运动数据中学习计算逆动力学。
  • 使用精确的生物力学模型而非计算机视觉模型，测试包含受损运动参与者的数据集。
  • 报告详细的跟踪指标，包括关节角度和地面接触事件。
  • 将模仿学习应用于肌肉驱动的神经肌肉骨骼模型。
• 研究成果:
  • 模仿学习策略KinTwin能准确复制多种运动的运动学，包括使用辅助设备或治疗师协助的运动。
  • 推断出具有临床意义的关节扭矩和肌肉激活差异。
  • 展示了模仿学习在临床实践中实现高质量运动分析的潜力。

全文链接

• PDF全文
• HTML全文（实验性）
• TeX源码

相关工具与资源

• 引用工具: BibTeX
• 代码与数据:
  • alphaXiv
  • CatalyzeX Code Finder for Papers
  • DagsHub
  • Hugging Face
  • Papers with Code
  • ScienceCast

搜集汇总

数据集介绍

构建方式

KinTwin数据集的构建基于大规模的生物力学模型和模仿学习技术，通过467名参与者（包括运动障碍者和健全者）的34小时运动数据，利用GPU加速的神经肌肉模型进行训练。数据采集采用无标记运动捕捉技术，结合生物力学重建方法，优化了关节角度和地面反作用力的计算。数据集包含多种临床评估动作，如行走、起身行走测试等，确保了数据的多样性和临床相关性。

特点

KinTwin数据集的特点在于其专注于生物力学模型的精确性，能够捕捉关节角度、地面接触事件等临床运动测量指标。数据集包含大量运动障碍者的数据，使其在临床应用中具有独特的价值。此外，该数据集还支持扭矩驱动和肌肉驱动的生物力学模型，能够推断关节扭矩和肌肉激活等动力学参数，为运动分析和康复研究提供了丰富的信息。

使用方法

KinTwin数据集的使用方法包括通过模仿学习策略在生物力学模型中复制运动轨迹，推断关节扭矩和肌肉激活。用户可以利用该数据集进行运动分析、康复评估和临床研究。数据集已分为训练集和验证集，确保模型在未见过的参与者数据上也能表现良好。此外，数据集还提供了与仪器步道测量的地面反作用力数据的对比验证，增强了其在实际应用中的可靠性。

背景与挑战

背景概述

KinTwin数据集由西北大学Shirley Ryan AbilityLab的R. James Cotton团队于2025年创建，旨在通过生物力学模型和模仿学习技术，精确复现健全者和运动障碍者的运动模式。该数据集包含467名参与者长达34小时的运动数据，主要关注临床移动性评估中的多样化运动。KinTwin的创新之处在于首次将全身模仿学习应用于扭矩驱动和肌肉驱动的生物力学模型，并验证了其在运动障碍人群中的适用性。这一研究显著推动了运动分析和康复领域的发展，为临床实践提供了高质量的运动分析工具。

当前挑战

KinTwin数据集面临的主要挑战包括：1) 领域问题方面，如何准确推断运动背后的动力学（如地面反作用力、关节扭矩和肌肉激活）仍具挑战性，尤其是在运动障碍人群中；2) 构建过程中，需处理大量来自运动障碍参与者的异质性数据，包括使用辅助设备或治疗师协助的情况。此外，将模仿学习应用于包含92块下肢肌肉的神经肌肉骨骼模型也带来了计算和建模上的复杂性。数据集中运动障碍人群的多样性还要求模型具备更强的泛化能力和敏感性。

常用场景

经典使用场景

KinTwin数据集在运动科学和康复医学领域具有广泛的应用价值。通过结合无标记运动捕捉技术和生物力学模型，该数据集能够精确捕捉和复现健康人群及运动障碍患者的运动轨迹。其经典使用场景包括对步态障碍的详细特征分析、康复干预效果的量化评估，以及神经系统疾病的早期风险预测。数据集特别适用于需要高精度运动分析的临床研究场景。

实际应用

在实际应用层面，KinTwin数据集为临床实践带来了革命性变革。康复医师可以利用该数据集精确量化患者的运动功能障碍程度，制定个性化的康复方案。在假肢适配领域，数据集提供的动力学参数能够优化假肢设计。此外，该技术还可应用于运动员动作分析、老年人跌倒风险评估等场景，为运动功能评估提供了客观、可量化的标准。

衍生相关工作

KinTwin数据集衍生了一系列重要的相关研究。基于该数据集开发的数字孪生技术为运动功能障碍的机制研究提供了新范式。在算法层面，研究者们改进了肌肉驱动模型的GPU加速计算方法，显著提升了计算效率。此外，该数据集还促进了视频驱动运动分析技术的发展，使基于单目视频的运动动力学分析成为可能。这些衍生工作共同推动了计算生物力学领域的发展。