A real-world indoor dynamic skeleton dataset of elderly abnormal gait including crutch-assisted walking
该论文介绍了 ElderlyPipe，这是一个公开发布的真实室内数据集，包含 63,855 帧经过质量保证的骨骼框架，捕捉了包括拄拐行走在内的老年人行为，并证明了时空图模型在分析步态不平衡方面优于单帧方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
跌倒是导致老年人受伤和死亡的主要原因，通常源于那些在为时已晚之前都未被察觉的细微平衡变化。为了预防这些悲剧，护理人员和医疗专业人员需要一种监测人们行走方式的方法，从而在跌倒发生前寻找不稳定的早期迹象。几十年来，研究人员一直试图构建能够观察并理解人类运动的计算机系统，但这些系统一直受困于一个主要问题：它们缺乏高质量的数据。现有的多数人类运动记录来自于在明亮、受控的工作室中的年轻健康人群，或者依赖于人们经常忘记佩戴的穿戴式传感器。一直以来缺失的是关于老年人在养老院或客厅这种杂乱、不可预测的现实环境中，实际是如何移动的清晰、详细的记录，尤其是当他们行走困难或使用拐杖支撑时。如果没有这类特定信息，计算机就无法学会分辨正常的步伐与危险的踉跄之间的区别。
来自浙江科技大学的一个研究小组现在通过创建一个名为 ElderlyPipe 的新数据集填补了这一空白。研究人员并没有记录人的面部或身体视频（因为这会引发隐私担忧），而是捕捉运动并将之转化为数字骨架。这些骨架并非绘画，而是一系列数学点，标记着人体关节（如肩膀、肘部和膝盖）随时间移动的位置。该团队专注于记录真实老年居民在日常环境中的表现，包括走廊、大堂和用餐区，捕捉了四种不同的行为：站立、行走、坐下以及关键的不平衡行为——使用拐杖行走。通过收集来自 287 段连续视频片段的 63,855 帧高质量运动帧，研究人员提供了一个资源，使计算机能够研究预示危险的特定、摇晃的步态模式。
将原始视频转化为这些有用数字骨架的过程需要一个细致的多步骤方法，以应对现实环境带来的挑战。在养老院中，光照可能会突然变化，且人们经常会遮挡彼此的视线，导致标准的计算机视觉工具丢失对人体肢体的追踪。为了解决这个问题，研究人员开发了一套系统，该系统首先使用标准检测工具识别关节，然后补全肢体被遮挡时的缺失部分。如果一个关节在短时间内消失，系统会通过在观察到该关节出现前后的位置之间画一条直线来猜测其位置。如果肢体被遮挡时间较长，系统则会根据已知的人体手臂或腿部的长度，基于仍可见的关节位置来推算缺失关节必然所在的位置。一旦骨架完成，系统会对计算机常引入的抖动、不稳的运动进行平滑处理，从而创造出一段流畅且连续的人体运动记录。
这个数据集之所以特别有价值，是因为它不仅仅展示一个人静止站立的状态；它捕捉了运动随时间流逝的过程。研究人员将数据组织成二十四帧的小窗口，使他们能够研究人体如何从一刻移动到下一刻。他们发现，将动作序列结合起来观察，比观察单个快照要有效得多。当他们在该数据上测试计算机模型时，能够理解过去与现在运动之间联系的系统，能更出色地识别出使用拐杖者那种困难且不平衡的步态。该系统识别这些高风险运动的准确率高于仅观察单帧图像的模型，这证明了跌倒的故事隐藏在步伐的节奏之中，而不仅仅在于单只脚的位置。
该数据设计得既安全又私密，不包含任何面部图像或姓名，仅包含关节的数值坐标。这使得研究界能够在不损害参与研究的老年人尊严的前提下，构建并测试新的安全工具。该发布内容不仅包括数据，还包括用于清洗和组织数据的代码及方法，确保其他科学家可以复现这些结果。通过专注于在真实室内环境中经常被忽视的特定挑战——即拄拐行走，这项工作为开发能够监护我们长辈的技术提供了新的基础，使技术能够通过观察不平衡的迹象，在跌倒发生前的很久就提供帮助，保障他们的安全。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。