Understanding the Representation of Older Adults in Motion Capture Locomotion Datasets

📄 arXiv: 2511.11713v1 📥 PDF

作者: Yunkai Yu, Yingying Wang, Rong Zheng

分类: cs.CY, cs.CV

发布日期: 2025-11-12

备注: 8 pages,4 figures, to be published in IEEE AIOT 2025

💡 一句话要点

分析MoCap老年人运动数据集，揭示现有数据集对老年人步态表征的不足

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知 (Perception & SLAM)

关键词: 运动捕捉 老年人步态 数据集分析 步态参数 保真度评估

📋 核心要点

  1. 现有的运动捕捉数据集在训练可穿戴或环境传感器模型时，常被用作生成人体姿态真值标注，但对老年人运动的表征不足。
  2. 该研究通过定量指标评估“老式”步态运动的保真度，即捕捉与年龄相关的步态差异的能力，从而发现现有数据集的不足。
  3. 研究发现“老式”步态运动常表现出过度控制的模式，未能真实反映老年人的步态特征，需要改进老年人在运动数据集中的表征。

📝 摘要（中文）

本研究调查了41个公开可用的运动捕捉(MoCap)数据集，旨在评估现有数据集中老年人运动的表征情况。结果显示，只有少数数据集包含老年人运动数据，且老年人参与者比例较低。此外，部分数据集包含由年轻人模仿的老年人步态数据。为了评估这些“老式”步态运动的保真度，本研究引入了定量指标，通过分析对年龄敏感的步态参数，发现这些“老式”步态运动往往表现出过度控制的模式，未能真实反映老年人的步态特征。研究结果强调了在运动数据集中改进老年人表征的必要性，并建立了一种定量评估“老式”步态运动质量的方法。

🔬 方法详解

问题定义：该论文旨在解决现有运动捕捉(MoCap)数据集中老年人运动数据代表性不足的问题。现有方法主要依赖于MoCap数据进行人体姿态估计、活动识别和跌倒检测等任务的训练，但缺乏对老年人这一重要人群的充分考虑。现有数据集要么老年人数据量少，要么使用年轻人模仿老年人步态，导致模型在老年人相关任务上的性能可能不佳。

核心思路：该论文的核心思路是通过定量分析现有MoCap数据集中老年人运动数据的质量，特别是“老式”步态运动的保真度，来揭示其不足之处。通过定义年龄敏感的步态参数，并将其与真实老年人步态数据进行对比，从而评估“老式”步态运动是否能够准确反映老年人的步态特征。

技术框架：该研究的技术框架主要包括以下几个步骤：1) 调研公开可用的MoCap数据集，筛选出包含老年人运动数据或“老式”步态运动数据的数据集；2) 定义一系列对年龄敏感、对噪声鲁棒且对数据稀缺具有弹性的步态参数，例如步长、步速、步态周期等；3) 使用这些步态参数对筛选出的数据集进行定量分析，比较“老式”步态运动与真实老年人步态运动的差异；4) 基于分析结果，评估“老式”步态运动的保真度，并提出改进建议。

关键创新：该论文的关键创新在于提出了一种定量评估“老式”步态运动保真度的方法。该方法通过定义一系列年龄敏感的步态参数，并将其与真实老年人步态数据进行对比，从而能够客观地评估“老式”步态运动是否能够准确反映老年人的步态特征。这种定量评估方法为改进MoCap数据集中老年人运动数据的质量提供了新的思路。

关键设计：在步态参数的选择上，论文强调了选择对年龄敏感、对噪声鲁棒且对数据稀缺具有弹性的参数。例如，步长和步速是常见的步态参数，但容易受到噪声的影响。因此，论文可能还考虑了其他更鲁棒的参数，例如步态周期、支撑相时间等。此外，论文还可能使用了统计方法来比较“老式”步态运动与真实老年人步态运动的差异，例如t检验或方差分析。

📊 实验亮点

研究结果表明，“老式”步态运动往往表现出过度控制的模式，未能真实反映老年人的步态特征。通过定量分析，研究发现“老式”步态运动在某些步态参数上与真实老年人步态存在显著差异。这些发现强调了在运动数据集中改进老年人表征的必要性，并为评估“老式”步态运动的质量提供了一种有效的方法。

🎯 应用场景

该研究成果可应用于改进针对老年人的活动识别、跌倒检测和康复训练等应用。通过提高MoCap数据集中老年人运动数据的质量，可以训练出更准确、更可靠的模型，从而更好地服务于老年人群体。未来，该研究还可以扩展到其他人群，例如残疾人或患有特定疾病的人群，从而构建更全面、更具代表性的运动数据集。

📄 摘要（原文）

The Internet of Things (IoT) sensors have been widely employed to capture human locomotions to enable applications such as activity recognition, human pose estimation, and fall detection. Motion capture (MoCap) systems are frequently used to generate ground truth annotations for human poses when training models with data from wearable or ambient sensors, and have been shown to be effective to synthesize data in these modalities. However, the representation of older adults, an increasingly important demographic in healthcare, in existing MoCap locomotion datasets has not been thoroughly examined. This work surveyed 41 publicly available datasets, identifying eight that include older adult motions and four that contain motions performed by younger actors annotated as old style. Older adults represent a small portion of participants overall, and few datasets provide full-body motion data for this group. To assess the fidelity of old-style walking motions, quantitative metrics are introduced, defining high fidelity as the ability to capture age-related differences relative to normative walking. Using gait parameters that are age-sensitive, robust to noise, and resilient to data scarcity, we found that old-style walking motions often exhibit overly controlled patterns and fail to faithfully characterize aging. These findings highlight the need for improved representation of older adults in motion datasets and establish a method to quantitatively evaluate the quality of old-style walking motions.