基于全身惯性测量单元的成年人日常任务运动数据集：探索年龄差异与应用潜力

《Scientific Data》：A Full-Body IMU-Based Motion Dataset of Daily Tasks by Older and Younger Adults

在运动分析领域，为了解决缺乏不同年龄段全身运动代表性数据的问题，研究人员开展了 “CeTI-Age-Kinematics 数据集” 研究。通过记录 32 名不同年龄段参与者执行 30 项日常任务的运动学数据，发现该数据集有助于推进机器学习、虚拟现实和医疗等应用，意义重大。

　　在人类的生活中，运动是与周围环境互动的基础，对于老年人来说，良好的运动能力更是维持自主生活的关键。然而，随着年龄的增长，大脑和身体结构会发生变化，例如脑容量缩小、身体关节活动范围减小等，这会导致老年人运动规划和执行能力受限，出现运动波动增加或灵活性降低的情况。而且不同个体的运动学变异性也存在差异，这在一定程度上与神经变异性有关。但目前在运动研究领域，缺乏能够代表年轻人和老年人日常全身运动的相关数据，现有的基于各种传感器的数据集，通常聚焦于年轻人或中年人执行的特定运动类别，难以全面反映不同年龄段人群的运动特征。为了解决这些问题，来自德累斯顿工业大学（Technische Universit?t Dresden）等机构的研究人员开展了一项研究，相关成果发表在《Scientific Data》上。

研究人员收集了 32 名参与者（分为 66 - 75 岁的老年人和 19 - 28 岁的年轻人两个年龄组）的运动数据，创建了名为 CeTI-Age-Kinematics 的数据集。该数据集涵盖了丰富的日常运动任务，对于推进机器学习（ML）、虚拟现实（VR）以及医疗应用等具有重要意义。

在研究过程中，研究人员运用了多种关键技术方法。参与者方面，招募了两个年龄组共 32 人，详细收集了他们的人口统计学信息、健康状况等数据。数据采集采用可穿戴的惯性测量单元（IMU），通过全身可穿戴数据套装（Smartsuit Pro Version 1）和数据手套（Smartgloves）以 100Hz 的频率记录运动学数据。实验设计上，设置了 30 项常见日常运动任务，在自然且不受限制的环境下进行，针对不同任务设计了多种变化，并对实验流程进行严格控制和详细记录。

下面来看具体的研究结果：

• 数据记录与整理：该数据集按照运动 - 脑成像数据结构（BIDS）标准进行存储，包含多种类型的文件。其中运动学数据以两种格式保存，TSV 格式便于详细分析传感器数据，BVH 格式常用于动画和可视化。此外，还包括描述参与者特征的文件以及数据采集过程的相关文件等。
• 技术验证：
  • 关节角度分布：研究人员检查了传感器数据的关节角度，确保其在人体可达到的典型运动范围（ROM）内。分析发现，数据集的传感器数据总体上与预期的人体解剖运动范围相符，但右腕外展（径向偏移）存在一些异常值，可能与校准姿势的不一致执行有关。
  • 视觉分析与轨迹研究：对不同高度的伸手任务进行视觉分析，结果显示不同身高的参与者在执行任务时姿势存在差异，运动轨迹也呈现出与身高相关的系统性变化，这表明位置数据能够准确反映预期的目标变化，并保留参与者的特定特征。
  • 分割分析：通过对伸手任务应用分割处理管道，验证了运动阶段的准确性。结果显示分割后的信号具有预期的特征，关节角度分布也符合任务预期，表明传感器数据记录可靠。
  • 任务相关的关节角度和轨迹：评估传感器捕捉实验设置变化的能力时发现，随着伸手高度的增加，右肩和右肘的关节角度发生了预期的变化。不同年龄和性别的参与者在执行任务时，运动轨迹具有相似的模式，但也存在个体差异。
  
  

研究结论表明，CeTI-Age-Kinematics 数据集提供了全面且真实的日常基本运动表示，涵盖了老年人和年轻人的全身运动复杂性。该数据集对于机器人运动规划、意图感知、语义动作识别等领域具有重要的应用价值，还可在神经康复和人体工程学等方面进一步探索。通过这项研究，为后续开发自适应系统提供了有价值的数据支持，有助于更好地满足不同年龄段人群的需求，特别是在远程诊断、康复治疗和机器人运动规划等应用场景中，有望推动相关技术的发展和进步。