Isometric-Multiclass Dataset (IMCD)

Isometric-Multiclass Dataset (IMCD) 是一个包含超过 3,600 个视频片段的多类别等长运动视频数据集，涵盖六种姿势的正确和错误变化。该数据集由印度理工学院坎普尔分校的研究人员创建，旨在解决家庭锻炼中缺乏实时反馈的问题。IMCD 数据集包含十位不同体型和表演风格的参与者，每个练习都包含了超过 500 次正确和错误类别的数据。数据在室内和室外设置中录制，参与者穿着标准的家居服装，以确保数据集尽可能接近真实的生活场景。IMCD 数据集可用于训练和评估自动反馈系统，以提高家庭锻炼计划的质量和可持续性。Isometric-Multiclass Dataset (IMCD) is a multi-class isometric motion video dataset comprising over 3,600 video clips, covering correct and incorrect variations of six postures. This dataset was created by researchers from the Indian Institute of Technology Kanpur to address the lack of real-time feedback during home workouts. The IMCD dataset includes ten participants with different body types and performance styles, with each exercise category containing over 500 samples of both correct and incorrect instances. The data was recorded in both indoor and outdoor settings, with participants wearing standard household clothing to ensure the dataset closely approximates real-life scenarios. The IMCD dataset can be utilized to train and evaluate automated feedback systems to improve the quality and sustainability of home exercise programs.

搜集汇总

数据集介绍

构建方式

该数据集通过精心设计的实验流程构建，涵盖六种等长运动（如眼镜蛇式、三角式等），每种运动包含一个正确姿态和两个常见错误变体。由约十名不同体型的男性参与者在室内外环境中完成超过3600个视频片段，使用多种手机在不同距离和角度录制，确保模拟真实家庭锻炼场景。参与者需保持身体完整可见，并被告知如何正确设置摄像头。每个动作的重复由基于关节坐标时序信号的关键点峰值检测算法自动划分，利用信号中局部极大值与极小值确定开始与结束帧，从而提取出完整的静态保持阶段用于后续分析。

特点

IMCD是迄今为止规模最大的多类等长运动视频数据集，其显著创新在于不仅收录了正确姿态样本，还系统地收集了常见错误姿态，为细粒度的错误诊断提供了宝贵资源。数据采集注重生态效度，采用不同移动设备、多变的环境和自然着装，增强了模型的泛化能力。特别地，数据集中每一类运动均基于关节角度直方图构建特征向量，从数据驱动角度而非预设阈值来定义正确范围，能够适应个体体型与体态差异。此外，数据集附带一种新颖的三部分评估指标，分别衡量模型区分正误、高置信度错误识别以及低置信度不确定性，弥补了传统多分类F1分数在安全关键应用中的不足。

使用方法

该数据集适用于训练和评估能够提供实时反馈的等长姿态分类系统。研究者可利用提供的骨架关键点序列，采用多种策略建模：1) 基于角度的分类器通过学习每个运动特定关节角度的直方图分布，生成特征向量并训练多层感知机，实现快速推理；2) 基于物理预测的运动模型仅使用正确数据训练交互网络，通过实际动作与预测的偏差频域特征分类错误姿态；3) 采用双流自适应图卷积网络同时建模关节坐标与骨骼向量，自适应学习图拓扑。每种方法均可集成到实时的重复检测框架中，通过等长保持阶段的定位提供即时纠正建议，适用于家庭健身、康复与人机交互等场景。

背景与挑战

背景概述

在居家健身日益普及的背景下，等长运动因其无需专业设备、空间占用小且兼具康复价值的特性，逐渐成为追求便捷与隐私的个体的首选。然而，相较于动力性运动，等长运动在自动化反馈领域的研究长期滞后，主要症结在于缺乏涵盖错误姿态的公开数据集。为此，印度理工学院坎普尔分校的Abhishek Jaiswal及其团队于2025年构建了Isometric-Multiclass Dataset (IMCD)，这是迄今规模最大的多类别等长运动视频数据集，包含超过3600个片段，覆盖六种经典姿态及其常见错误变体。该数据集由约十名不同体型的男性受试者在室内外多种真实场景中录制，旨在服务于智能家居健身系统中的姿态评估与实时反馈，为运动康复、物理治疗等领域的算法研发提供了关键资源。

当前挑战

IMCD所面临的挑战根植于等长运动的独特属性。首先，领域核心问题在于如何精准识别静态保持阶段的微妙姿态错误。由于身体关节的静态保持依赖多关节协同，错误往往细微且相互嵌套，传统的基于固定角度阈值的方法难以适应体型差异与噪声环境，而时序分类任务又因等长运动本身缺乏周期性而更具复杂性。其次，数据集构建过程中亦存在显著困难：需系统定义并模拟六种姿态的共18类正确与错误动作，确保每类样本数量均衡；同时，为还原真实居家场景，录制采用不同手机设备与距离，并要求摄像方向与人体平行，在保证无遮挡的同时，还需应对受试者自由模拟错误动作带来的标注歧义性。这些挑战共同制约着高置信度、低不确定性的自动化反馈系统的实现。

常用场景

经典使用场景

Isometric-Multiclass Dataset (IMCD) 作为目前规模最大的等长运动多类别视频数据集，其经典使用场景聚焦于构建和评估面向家庭健身的实时姿态反馈系统。研究者可利用该数据集中的正确与错误姿态视频片段，训练能够精准分类六种常见等长运动（如平板支撑、树式、超人式等）并定位具体错误的深度学习模型。该数据集特别强调对静态保持阶段（hold phase）的时序建模，从而解决了在线健身中缺乏专业指导导致的姿态偏差与受伤风险问题。其提供的多主体、多视角手机录制数据，为在自然居家环境下实现低延迟、高鲁棒性的姿态评估奠定了基础。

衍生相关工作

IMCD 的发布催生了一系列在等长运动分析领域的衍生工作。基准研究中，研究者系统对比了基于角度直方图的分类器、基于物理交互网络的运动预测模型以及双流自适应图卷积网络（2s-AGCN）在六类姿态上的表现，揭示了简单角度方法在实时性与置信度上的优势。这一发现启发了后续工作探索轻量化图网络在静态姿态微误差检测中的潜力。同时，该数据集所倡导的三分量评估指标已被后续研究采纳，用于评估模型在康复训练等安全敏感场景中的博弈性能。此外，该数据集促使学术界开始关注错误类别间的共性与语义关联，推动了面向可解释错误反馈的生成式自然语言描述研究，如结合大语言模型为用户提供更加人性化的纠错指导。

数据集最近研究

最新研究方向

Isometric-Multiclass Dataset (IMCD) 聚焦于等长姿势评估的实时反馈与基准测试，代表了居家健身领域的前沿研究方向。该数据集通过收录超过3600段视频，涵盖六种等长运动的正确与错误姿态，弥补了现有数据集仅关注正确姿势的不足，为多分类姿势诊断模型提供了稀缺的负样本资源。当前研究热点在于融合图卷积网络与角度基分类器，结合三维度量评估模型在错误定位与置信度上的表现，以提升智能健身系统在康复与物理治疗中的安全性与可靠性。该工作呼应了居家健身中缺乏专业指导的痛点，通过数据驱动的方式降低了因姿势错误导致的损伤风险，推动了个性化、实时反馈的健身辅助技术向临床与日常场景的落地。

相关研究论文

• 通过

  印度理工学院坎普尔分校 · 2025年