RevalExo: A Functional Daily-Activity Benchmark for Inertial and Visual Locomotion Mode Recognition in Older Adults and Clinical Cohorts
作者: Diwas Lamsal, Juha Carlon, Reinhard Claeys, Maxim Yudayev, Louis Flynn, Tom Verstraten, David Beckwée, Eva Swinnen, Mihai Bâce, Bart Vanrumste, Benjamin Filtjens
分类: cs.AI, cs.CV
发布日期: 2026-09-08
备注: Accepted to BMVC 2026 (Oral)
💡 一句话要点
提出RevalExo以解决老年人和临床群体的运动模式识别问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 运动模式识别 多模态融合 老年人护理 临床研究 惯性测量单元 视觉数据 日常活动基准
📋 核心要点
- 现有的运动模式识别方法通常基于健康成年人，缺乏适用于老年人和临床群体的准确数据和标签。
- 本文提出RevalExo基准，结合惯性传感器和视觉数据，提供临床和生态有效的日常活动记录。
- 实验结果表明，融合惯性和视觉输入能提高识别精度，但在模式转换时的识别性能仍有待提升。
📝 摘要（中文）
辅助设备如动力外骨骼依赖于准确的运动模式识别，以适应控制策略并在日常活动中提供适当的帮助。然而，现有的公共基准通常来自健康成年人，缺乏检测模式转换所需的时间精确标签，或仅关注有限的任务。为支持在现实临床约束和日常移动需求下的开发与评估，本文提出了RevalExo，这是一个用于惯性和视觉运动模式识别的功能性日常活动基准。该基准围绕经过标准化、临床和生态验证的日常活动协议构建，反映了老年人和临床人群的日常移动需求。RevalExo包含27名参与者，记录了11种运动模式的10.1小时帧级注释，结果显示融合惯性和视觉输入能显著提高识别性能，但在模式转换期间的识别仍面临挑战。
🔬 方法详解
问题定义：本文旨在解决现有运动模式识别方法在老年人和临床群体中应用的不足，尤其是缺乏准确的时间标签和多样化的任务场景。
核心思路：RevalExo基准通过标准化的日常活动协议，结合惯性和视觉数据，提供了一个更全面的运动模式识别平台，以适应不同人群的需求。
技术框架：该框架包括三个主要模块：数据采集（使用下肢惯性测量单元和同步的自我中心视频）、数据标注（提供帧级注释）和模型评估（针对单模态和多模态识别进行基准测试）。
关键创新：RevalExo的创新在于其针对临床人群的设计，提供了丰富的日常活动数据和准确的标签，填补了现有基准的空白。
关键设计：在数据采集过程中，设置了多种运动模式，并采用了适合临床应用的参数配置，确保数据的多样性和代表性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，融合惯性和视觉输入的模型在运动模式识别上达到了约93%的F1分数，但在模式转换期间的识别性能下降至约68%。这表明在不同人群间的泛化能力和跨模态转移仍然存在显著挑战。
🎯 应用场景
该研究的潜在应用领域包括老年人护理、康复治疗和智能辅助设备的开发。通过提高运动模式识别的准确性，RevalExo能够帮助设计更智能的辅助设备，改善老年人和行动不便者的生活质量，促进他们的独立性和安全性。
📄 摘要（原文）
Assistive devices for people with mobility impairments, such as powered exoskeletons, rely on accurate locomotion mode recognition to adapt control strategies and provide appropriate assistance during daily activities. However, public benchmarks are typically collected from healthy adults, lack temporally precise labels necessary for detecting mode transitions, or focus on a limited set of tasks. To support development and evaluation under realistic clinical constraints and daily mobility demands, we introduce RevalExo, a functional daily-activity benchmark for inertial and visual locomotion mode recognition. RevalExo is built around a standardized, clinically and ecologically validated daily-activity protocol reflecting the cumulative everyday mobility demands in ageing and clinical populations. The benchmark includes 27 participants across three cohorts: older adults without mobility impairments, stroke survivors, and older adults with probable sarcopenia. The full cohort was recorded with lower-body IMUs, while synchronized egocentric video was collected for a clinically feasible subset of 13 participants. RevalExo provides 10.1 hours of frame-level annotations across 11 locomotion modes, including 5.1 hours of paired inertial--visual recordings. We benchmark three challenges: unimodal and multimodal locomotion mode recognition across multiple horizons, cross-population generalization from older adults without mobility impairments to clinical cohorts, and vision-guided knowledge transfer to IMU-only models. Results confirm consistent gains from fusing inertial and visual inputs but reveal a substantial gap between general recognition ($\sim$93\% F1) and recognition during transitions ($\sim$68\% F1), alongside persistent challenges in cross-population generalization and cross-modal transfer. We release RevalExo to stimulate further research on these open challenges.