Успейте опубликовать статью: прием статей до 20 апреля , публикация выпуска 30 апреля

Теория и практика науки и образования №9 (9) Ноябрь 2026 г.

Информатика Препринт
16.11.2026

Сравнительный анализ открытых наборов данных и нейросетевых методов оценки качества физических упражнений по скелетным последовательностям

УДК 004.032.26
Самойленко Марк Анатольевич
Студент
Федеральное государственное автономное образовательное учреждение высшего образования Московский политехнический университет
Россия, Москва
Email: samojlenko.wot@gmail.com
Библиографическое описание

Самойленко М. А. Сравнительный анализ открытых наборов данных и нейросетевых методов оценки качества физических упражнений по скелетным последовательностям // Теория и практика науки и образования. — 2026. — № 9 (9). — URL: https://smart-science.net/arhiv/9/15/ (дата обращения: ДД.ММ.ГГГГ).

Обложка журнала

Теория и практика науки и образования №9 (9) Ноябрь 2026 г.

⏳ Препринт · Файл будет доступен после публикации

Аннотация

Проанализирована пригодность нейросетевых методов и восьми наборов данных для оценки физических упражнений при смене пользователя и неполноте скелета. Сопоставлены происхождение и уровень меток, независимость участников, представления движения и экспериментальные протоколы. Разделены бинарная корректность, клинические показатели и вычисляемые оценки. Предложены обязательные условия допуска данных и парная проверка исходных и повреждённых наблюдений на новых людях. Устойчивость к ошибкам измерения рассматривается совместно с чувствительностью к нарушениям техники. Результат работы – аналитическая систематизация и проект воспроизводимого сравнения; собственное обучение моделей не проводилось.

Ключевые слова
оценка качества движения физические упражнения скелетные последовательности графовые нейронные сети пропуски суставов обобщение на новых пользователей реабилитационные наборы данных
Abstract

The suitability of neural network methods and eight datasets for assessing physical exercises across users and with incomplete skeleton data is analyzed. The origin and level of labels, participant independence, motion representations, and experimental protocols are compared. Binary correctness, clinical measures, and computed scores are distinguished. Mandatory criteria for data eligibility and paired evaluation of original and corrupted observations on unseen participants are proposed. Robustness to measurement errors is considered jointly with sensitivity to errors in exercise technique. The outcome is an analytical systematization and a design for a reproducible comparison; no models were trained as part of this study.

Keywords
movement quality assessment physical exercises skeleton sequences graph neural networks missing joints generalization to unseen users rehabilitation datasets

1. Введение

Оценка физических упражнений по координатам суставов требует интерпретации качества движения, а не только регистрации действия. Обзор вычислительных подходов показывает разнообразие целевых показателей и методов [1]. Высокая метрика на отдельном наборе поэтому не гарантирует пригодности модели для нового человека и ненадёжных наблюдений.

Различия между людьми связаны с антропометрией, двигательным опытом и состоянием здоровья; неполнота наблюдений – с окклюзиями и ошибками захвата. Эти факторы могут сочетаться. Разделение повторений одного человека между обучением и тестом проверяет иной режим, чем тест на новых участниках.

Цель работы – определить пригодность методов и данных для исследования обеих проблем. Рассматриваются механизмы анализа структуры и динамики, обеспеченность нужной разметкой и условия корректного сравнения. Аналитический вклад – матрица экспериментальных свидетельств, условия допуска данных и проект парной проверки. Существующий benchmark Rehab-Pile [16] учитывается как предшествующая основа сравнения.

2. Теоретические основы и методика анализа

Скелет – тензор X размера T×J×d, где T – число отсчётов, J – суставов, d – координат. Вход дополняют бинарная маска доступности M размера T×J и реальные показатели надёжности C. Дискретный статус отслеживания, visibility и уверенность детектора не являются взаимозаменяемыми вероятностями ошибки.

Распознавание действия определяет упражнение, подсчёт – число циклов, оценка качества – корректность или степень соответствия заданию. Выявление конкретной ошибки требует её разметки. Вероятность класса, число повторений и клинический балл характеризуют разные цели.

Единица анализа следует уровню метки: повторения с общей оценкой человека и упражнения зависимы, поэтому итоговые прогнозы агрегируются до исходного уровня. Вычисленное отклонение от эталона не равнозначно независимому суждению специалиста.

Выполнен целевой обзор по состоянию на 10.11.2026. Поиск охватывал exercise quality assessment, rehabilitation assessment, skeleton-based action quality assessment, cross-subject, missing joints и названия методов и данных. Приоритет отдавался работам 2022–2026 гг. и более ранним основополагающим публикациям. Проверялись издательские страницы, полные авторские тексты и официальные репозитории; полнота систематического обзора не заявляется.

Включались прямая оценка упражнений, ключевые архитектуры и смежные исследования неполного скелета. Для каждой работы сопоставлялись задача, метка, вход, механизм обработки, разбиение и условия наблюдения. Препринт и публикация учитывались как одна работа; использованные версии указаны в библиографии. Неустановленные сведения не восстанавливались по аннотациям.

Единица сравнения – «метод – версия данных – метка – разбиение – наблюдение». При несогласованных компонентах опубликованные метрики непосредственно не ранжируются.

3. Нейросетевые методы анализа скелетных последовательностей

Сети с долгой краткосрочной памятью (LSTM) и управляемыми узлами (GRU) обновляют состояние. Liao и соавторы сочетают свёрточные сети (CNN), LSTM и иерархию частей тела [2]. Происхождение целевого балла зависит от опыта.

Временные свёрточные сети (TCN) расширяют рецептивное поле фильтров; пример AQA – LightPRA [4]. Причинные слои не гарантируют потоковый конвейер, если подготовка входа использует целое повторение.

Графовые сети (GCN) описывают суставы вершинами и связи рёбрами. ST-GCN объединяет пространственную и временную обработку для распознавания действий (HAR) [3]. EGCN++ объединяет положения и ориентации при реабилитационной оценке [5].

Transformer связывает удалённые элементы вниманием. D-STGCNT сочетает граф, GRU и Transformer для AQA [7]; трансформерные архитектуры также сопоставлены в Rehab-Pile [16]. Эти механизмы представлены в таблице 1.

Контрастивное обучение [6] различает качество и виды упражнений. Дистилляция по частям тела исследована для низкокачественных скелетов в HAR [8]; её результат не является прямым подтверждением устойчивости AQA.

Abedi, Malmirian и Khan [18] отражают и поворачивают обучающие RGB-видео KIMORE, повторно извлекают MediaPipe-позу и прогнозируют балл через LSTM. Временные преобразования исключены, фолды отличаются от предшественников; пропуски на новых людях отдельно не проверены.

Таблица 1 сопоставляет механизмы и ограничения семейств; численного рейтинга архитектур она не задаёт.

Таблица 1
Нейросетевые семейства и условия их применения
Семейство; источники Механизм Потенциальная польза Условие / ограничение
CNN/LSTM, GRU [2, 16] Локальные признаки; рекуррентная временная память Моделирование порядка и динамики Анатомические связи зависят от представления входа
TCN [4] Временные свёртки с расширенным полем Локальные и многомасштабные зависимости Чувствительность к масштабу времени и заполнению пропусков
GCN / ST-GCN [3, 5] Связи суставов и временная обработка Явная анатомическая структура Ошибка вершины распространяется по связям; граф не заменяет маску
Transformer [16] Пространственно-временное внимание Гибкие дальние взаимодействия Нужны контроль ёмкости и проверка на малой выборке людей
Гибриды [7] Граф, рекуррентность и внимание Несколько механизмов в одной модели Вклад компонентов устанавливается абляциями
Контрастивное обучение; дистилляция [6, 8] Организация представления / перенос знаний Различимость качества; обучение на повреждённом входе Эффект для HAR не доказывает эффект для оценки техники

Маска различает пропуск и допустимый ноль, но не выявляет любую ошибку доступного сустава. Информативность уверенности детектора требует проверки. Этот канал уже использовался в ST-GCN [3], поэтому одно его добавление не обосновывает новизну.

Таблица 2 связывает конкретные работы с метками, разбиениями и проверками. «Не установлено» обозначает границу подтверждения. Отсутствие серии повреждений относится к рассмотренному протоколу, а не ко всем реализациям метода.

Таблица 2
Экспериментальные основания и границы выводов по ключевым исследованиям
Работа Вход и целевая переменная Проверка смены участника / разбиение Неполнота или преобразования входа Допустимый вывод
Liao и соавт. [2] Скелет; UI-PRMD: вычисленный GMM-балл; KIMORE: клинический балл приседания UI-PRMD: случайное разделение и дополнительно LOSO; KIMORE: случайные повторения Контролируемая серия пропусков в рассмотренном протоколе не описана Нельзя переносить субъектную проверку UI-PRMD на клинический опыт KIMORE
LightPRA [4] Положения / ориентации; вычисленные оценки UI-PRMD и клинические оценки KIMORE Авторы отсылают к протоколу предшествующей работы; независимость участников в этой проверке не установлена Серия дозированных пропусков в рассмотренном протоколе не описана Скоринговые результаты не устанавливают совместную устойчивость
EGCN++ [5] Положения и ориентации; корректность и формируемая оценка Отдельно cross-subject и random division; пятифолдовая проверка Серия дозированных пропусков в рассмотренном протоколе не описана Позволяет различать режимы разделения; не заменяет проверку неполноты
Karlov и соавт. [6] ST-GCN; бинарная корректность UI-PRMD / IRDS; контрастивное обучение 3:1 train/validation и отдельная 5-fold серия; группировка по людям не установлена Контролируемые пропуски в рассмотренной серии не описаны Пять фолдов сами по себе не подтверждают проверку на новых людях
Abedi и соавт. [18] RGB → MediaPipe → признаки → LSTM; экспертный балл KIMORE 5-fold; преобразуются только обучающие видео; фолды отличаются от предшественников Отражение и небольшие повороты RGB с повторным извлечением позы Прямой AQA-пример воздействия на конвейер; не тест заданной доли пропусков
Liu и соавт. [8] Учитель–ученик по частям скелета; целевая метка – вид действия В частности NTU RGB+D: стандартные cross-subject / cross-view Разные источники позы и синтетическое обнуление суставов Есть проверка низкокачественного скелета, но для HAR, а не оценки техники
Rehab-Pile [16] Несколько архитектур; отдельные классификационные и регрессионные задачи Разделение по людям: cross-subject либо LOSO в зависимости от состава; train-нормализация Контролируемая шкала повреждений не является описанной основной задачей benchmark Основа для сопоставимого сравнения; совместная устойчивость требует отдельной постановки

Явное разделение людей в [5], преобразование конвейера позы в [18] и повреждённые скелеты для HAR в [8] дают разные свидетельства. Их согласование требует проверки обеих проблем при общей метке и фиксированных тестовых людях. Это ограничение сопоставления, а не доказательство отсутствия аналогичных исследований.

4. Анализ наборов данных

Таблица 3 различает людей, камерные записи и физические повторения. Числа привязаны к публикациям или выпускам; размер исходного сбора не равен доступному архиву. Условный допуск требует получения входа, проверки меток и прав.

Таблица 3
Состав, целевая разметка и пригодность наборов данных
Набор; источник Участники / состав Наблюдение и метка Пригодность / ограничение
REHAB24-6, v1 [12] 10; 6 упражнений; 1072 повторения 26 суставов mocap, RGB 2 камер; бинарная корректность Новые люди и контролируемые помехи; учитывать ошибки mocap
REHAB26, v1 [13] 5; 3 упражнения; 1665 физических повторений 3 камеры; MediaPipe 33 точки; корректность, типы ошибок Виды камеры и ошибки; малое число людей
UI-PRMD [9] 10; 10 упражнений Vicon / Kinect; правильные и неправильные выполнения Дополнительная бинарная задача; не клинический балл
KIMORE [10] 78: 44 контроль, 34 пациента; 5 упражнений Depth / скелеты; клиническая оценка, выбранная переменная и её уровень требуют аудита Клиническая регрессия; проверить уровень и доступность меток
IntelliRehabDS, v2.0.1 [11] 29 участников в описании; 2577 записей с метками 1/2 в анализе 25 суставов и TrackedStatus в raw; метки 1/2, отдельно label 3 Бинарная задача: исключить label 3 и ID 217 из основной серии; размер – по манифесту
UCOPhyRehab++ [14] 27; 16 упражнений с учётом сторон; 2160 камерных последовательностей исходного сбора 5 камер при сборе; экспертная порядковая оценка 1–5; кинематика целевого сустава Открыты производные представления и аннотации; RGB-доступ и полная поза не подтверждены
MobiPhysio [15] 58; 9 упражнений; 3686 видео заявлено RGB; экспертная численная оценка EAAQ; клиническая эквивалентность не предполагается Условно: сверить итоговый манифест и готовые скелеты
FineRehab [17] 50; 16 упражнений; 4215 примеров в статье 2 Kinect, 17 IMU; несколько аспектов качества Условно: полный архив и лицензия не подтверждены

В REHAB24-6 бинарные метки сочетаются с RGB и захватом движения [12]. Проекция mocap-скелета не воспроизводит ошибки детектора. Повреждение этих координат и извлечение позы из RGB проверяют разные звенья конвейера.

REHAB26 даёт синхронные виды и позу MediaPipe [13]. Correctness_score=1/5 кодирует два класса, а не пять ступеней. Камеры одного повторения группируются вместе. Пять людей ограничивают обобщение; связанная работа остаётся препринтом.

UI-PRMD содержит здоровых людей с намеренно ошибочными выполнениями [9]; версия, сенсор и пропущенные файлы требуют учёта. KIMORE связывает движение с клиническими оценками [10]; ID объединяет группу и локальное имя, а конкретный показатель и его уровень проверяются до обучения.

В анализе IntelliRehabDS – 2577 записей с CorrectLabel=1/2; 12 записей label 3 исключены авторами [11]. Архив дополнительно сохраняет частичную запись ID 217. В проектируемой основной серии используются только 1/2, без ID 217; размер определяется манифестом. Raw-статус отслеживания сохраняется.

Почти все неправильные выполнения IRDS принадлежат пациентам [11]. Модель может использовать признаки группы, положения и длительности вместо техники. Нужны результаты по упражнениям и группам; пустые сочетания меток ограничивают интерпретацию даже при разделении людей.

В UCOPhyRehab++ число 2160 относится к камерным последовательностям исходного сбора [14]. Zenodo v1 перечисляет производные силуэты, поток, сегментацию и аннотации; наличие исходного RGB и полной позы для опыта отдельно не подтверждено.

Порядковая экспертная оценка UCO++ 1–5 отличается от клинической оценки KIMORE [14]. Проверяются рубрика, направление, уровень метки и согласие оценщиков. Эталон целевого сустава не считается полным эталонным скелетом.

Числа MobiPhysio и экспертная EAAQ приведены по статье [15]; итоговый файловый состав и готовые скелеты требуют аудита. Для FineRehab [17] полный архив и условия доступа не подтверждены. Эти базы рассматриваются условно.

Лицензия статьи или кода не определяет права на данные. Для UI-PRMD README указывает PDDL, для IRDS статья – CC BY 4.0. REHAB24-6/26 предусматривают некоммерческие исследовательские условия [9, 11, 12, 13]. Непроверенные права уточняются до использования.

5. Сравнительный анализ методов и данных

Допуск требует нужной метки, идентифицируемых людей, подходящего входа и разрешённого доступа. Большое число кадров не компенсирует отсутствие целевой разметки. После допуска сравниваются разнообразие и качество наблюдений, объём и затраты.

Таблица 4 согласует исследовательский вопрос с минимальным свидетельством. Клиническая оценка отделена от экспертного рейтинга: участие специалиста само по себе не доказывает клиническую валидность шкалы.

Таблица 4
Условия допустимого экспериментального вывода
Вопрос Минимальное условие Подходящие кандидаты Недостаточное свидетельство
Корректность выполнения Валидная метка правильности и ID человека IRDS, REHAB24-6; UI-PRMD дополнительно Класс упражнения или число циклов
Клиническая оценка движения Конкретный клинический показатель, его шкала и исходный уровень метки KIMORE после проверки выбранного показателя Экспертный рейтинг без подтверждения клинического смысла
Экспертная оценка выполнения Рубрика, тип шкалы, направление, единица метки и сведения о согласии UCO++: порядковая 1–5; MobiPhysio: EAAQ; оба условно Наличие оценщика не доказывает клиническую валидность
Смена пользователя Непересекающиеся участники train/validation/test Наборы с проверяемыми ID людей Разные повторения того же человека
Пропуски и шум Маски / raw-статусы или фиксированный генератор IRDS; контролируемая порча допущенных скелетов Только original-метрика
Ракурс камеры Сопоставимые виды и группировка повторений REHAB26; REHAB24-6 Считать виды независимыми людьми

Основные ограничения связаны с происхождением метки, числом независимых людей и качеством измерения. Камеры увеличивают число наблюдений одного выполнения, а вычисленный балл измеряет выбранное правило, не обязательно клиническое качество.

Разделение повторений допускает присутствие индивидуальной кинематики в обеих частях. Разделение людей исключает это пересечение, но не все смещения. Разные режимы EGCN++ [5] и стандартизация Rehab-Pile [16] показывают необходимость раскрывать фолды и предобработку.

Сглаживание способно подавлять и шум, и значимую компенсацию. Постоянный прогноз не деградирует, но не различает качество. Поэтому устойчивость оценивается через абсолютное качество на повреждённом входе совместно с обнаружением реальных ошибок.

6. Обсуждение и проект будущих экспериментов

Проверяемая гипотеза: маска и обучающие повреждения повышают качество на неполном скелете новых людей. Самостоятельная конечная точка – сохранение чувствительности к реальным нарушениям на тех же выполнениях. При бинарных метках оцениваются recall ошибок и специфичность, при достаточных аннотациях – срезы по типам и упражнениям. Без error-type нельзя заявлять диагностику конкретной ошибки; регрессионная MAE её не заменяет.

Первичные кандидаты – IRDS для бинарной задачи и KIMORE для клинической регрессии после аудита показателя; REHAB24-6, UI-PRMD и REHAB26 дают дополнительные проверки. Экспертные шкалы UCO++/MobiPhysio анализируются отдельно при доступном входе.

Внешние группы – люди со всеми камерами и производными. Предлагаются пять фолдов при ≥10 людях, LOSO при 5–9; применимость проверяется по упражнению и классам до обучения. При невозможном разбиении задача помечается неоценимой, тестовые фолды не исключаются по качеству. Подбор и обучаемая предобработка выполняются во внутренней групповой проверке. Число эпох финального обучения – медиана выбранных внутренних эпох; внешний тест закрыт.

Парный тест сравнивает исходные и повреждённые входы одних новых людей. Исходный вход не считается безошибочным. Режим знакомых участников допустим лишь при независимых записях. Люди и производные из внешнего теста исключаются также из предобучения; совпадения между родственными наборами проверяются.

Проектные помехи: потеря 10–50% доступных пар «кадр–сустав», выпадение конечности на 10–50% цикла, полной позы на 5–20%, шум σ=0,01–0,05 длины туловища. Генераторы обучения и теста независимы, тестовые реализации общие для моделей. Метка сохраняется, поскольку меняется измерение, а не движение; эти уровни не объявляются моделью реального датчика.

Первый режим повреждает уже пространственно нормализованный скелет и предполагает доступность исходной геометрии. Второй вносит помехи до нормализации; скрытые корень и масштаб не используются. Интервалы задаются по исходному времени, затем переносятся на общую сетку вместе с масками.

Интерполяция через пропуски запрещена; итоговая маска – пересечение исходной и добавленной доступности. Координаты и показатели уверенности удалённой точки недоступны, заполнение не меняет M. Кости, углы и скорости строятся только по доступным опорам без пересечения разрывов. Известная синтетическая маска благоприятнее неопознанной ошибки детектора.

Ориентиры – константная и линейная модели; нейросети – TCN, GRU, ST-GCN и компактный Transformer. Входы, фолды и бюджет подбора общие, 2D/3D исследуются раздельно. Предлагается 128 отсчётов с сохранением длительности и времени в секундах. Скорость – Δx/Δt; после нормирования пространства единица – длина туловища/с. Потеря кратких событий остаётся ограничением. Проводятся три независимые инициализации; ёмкость и затраты раскрываются.

Для разделения эффектов предлагается схема 2×2: без/с маской × без/с обучающими повреждениями (A00, A10, A01, A11). Общий критерий внутреннего выбора – среднее основной метрики на исходных и фиксированных повреждённых входах; сам критерий не меняется между вариантами. Реальный confidence и производные признаки проверяются отдельно. Дистилляция не получает полный тестовый скелет.

Метрики рассчитываются отдельно по упражнениям; камеры сначала объединяются до физического повторения усреднением вероятностей/баллов. Основная macro-F1 объединяет внешние прогнозы с весом 1/n_s, где n_s – число повторений человека s в данном упражнении; это не среднее личных F1. Классы фиксированы: корректно/некорректно, порог вероятности ошибки – 0,5; при нулевом знаменателе F1 класса равен нулю с явной пометкой. Для регрессии MAE усредняется по людям после агрегации до уровня метки. Дополнительно приводятся balanced accuracy, матрица ошибок, RMSE и Spearman ρ (не определён при константе); для порядковой шкалы – взвешенная κ. Ракурсные срезы рассматриваются отдельно при той же группировке людей.

Первичный контраст – A11 против A00 при 20% случайных пропусков на внешних людях, отдельно для IRDS (macro-F1) и KIMORE (MAE). Внутри задачи упражнения имеют равный вес; целевые шкалы не смешиваются. Парная деградация определяется падением метрики качества либо ростом ошибки; обе абсолютные величины также публикуются. Иные сравнения объявляются дополнительными.

Bootstrap по людям сохраняет все зависимые записи, парность и кратность выбранных людей; метрика и веса пересчитываются. Интервалы условны для зафиксированных внешних прогнозов и не отражают всю вариативность переобучения; при пяти людях акцент – на индивидуальных результатах. Отказ – отсутствие конечного прогноза. Публикуются покрытие на фиксированном тесте и условное качество; для классификации отдельно доля верных решений среди всех объектов, для регрессии произвольный штраф отказу не назначается. Полное сокрытие может сделать цель ненаблюдаемой.

Сохраняются манифесты, версии, контрольные суммы, фолды, карта суставов, параметры и реализации помех, прогнозы и причины исключений. Ограничения обзора – целевой поиск, неполный доступ к архивам и отсутствие переобучения. Протокол не доказывает клиническую пользу, значимость улучшений или работу в реальном времени.

7. Заключение

Пригодность данных определяется меткой, независимостью людей, происхождением скелета и доступом. Бинарная корректность, клинические показатели и экспертные либо вычисленные оценки требуют отдельных постановок.

Собственный результат – сопоставление экспериментальных свидетельств, условия допуска и парный протокол для новых людей. Устойчивость к ошибкам измерения отделена от чувствительности к нарушениям техники; семейство сети не гарантирует ни одного свойства.

Дальнейшее исследование должно проверить маски и аугментации на согласованных моделях, сохраняя независимость теста. Представленные настройки проектные, собственных экспериментальных результатов нет.

Список используемой литературы

1. Liao Y., Vakanski A., Xian M., Paul D., Baker R. A review of computational approaches for evaluation of rehabilitation exercises // Computers in Biology and Medicine. — 2020. — Vol. 119. — Art. 103687. — DOI: 10.1016/j.compbiomed.2020.103687.

2. Liao Y., Vakanski A., Xian M. A Deep Learning Framework for Assessing Physical Rehabilitation Exercises // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2020. — Vol. 28, no. 2. — P. 468–477. — DOI: 10.1109/TNSRE.2020.2966249.

3. Yan S., Xiong Y., Lin D. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition // Proceedings of the AAAI Conference on Artificial Intelligence. — 2018. — Vol. 32, no. 1. — P. 7444–7452. — DOI: 10.1609/aaai.v32i1.12328.

4. Sardari S., Sharifzadeh S., Daneshkhah A. [et al.]. LightPRA: A Lightweight Temporal Convolutional Network for Automatic Physical Rehabilitation Exercise Assessment // Computers in Biology and Medicine. — 2024. — Vol. 173. — Art. 108382. — DOI: 10.1016/j.compbiomed.2024.108382.

5. Yu B. X. B., Liu Y., Chan K. C. C., Chen C. W. EGCN++: A New Fusion Strategy for Ensemble Learning in Skeleton-Based Rehabilitation Exercise Assessment // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2024. — Vol. 46, no. 9. — P. 6471–6485. — DOI: 10.1109/TPAMI.2024.3378753.

6. Karlov M., Abedi A., Khan S. S. Rehabilitation exercise quality assessment through supervised contrastive learning with hard and soft negatives // Medical & Biological Engineering & Computing. — 2025. — Vol. 63, no. 1. — P. 15–28. — DOI: 10.1007/s11517-024-03177-x.

7. Mourchid Y., Slama R. D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on transformer for assessment of patient physical rehabilitation // Computers in Biology and Medicine. — 2023. — Vol. 165. — Art. 107420. — DOI: 10.1016/j.compbiomed.2023.107420.

8. Liu C., Jiang Y., Du C., Li Z. Enhancing action recognition from low-quality skeleton data via part-level knowledge distillation // Signal Processing. — 2024. — Vol. 221. — Art. 109486. — DOI: 10.1016/j.sigpro.2024.109486.

9. Vakanski A., Jun H.-P., Paul D., Baker R. A Data Set of Human Body Movements for Physical Rehabilitation Exercises // Data. — 2018. — Vol. 3, no. 1. — Art. 2. — DOI: 10.3390/data3010002.

10. Capecci M., Ceravolo M. G., Ferracuti F. [et al.]. The KIMORE Dataset: KInematic Assessment of MOvement and Clinical Scores for Remote Monitoring of Physical REhabilitation // IEEE Transactions on Neural Systems and Rehabilitation Engineering. — 2019. — Vol. 27, no. 7. — P. 1436–1448. — DOI: 10.1109/TNSRE.2019.2923060.

11. Miron A., Sadawi N., Ismail W. [et al.]. IntelliRehabDS (IRDS)–A Dataset of Physical Rehabilitation Movements // Data. — 2021. — Vol. 6, no. 5. — Art. 46. — DOI: 10.3390/data6050046.

12. ernek A., Sedmidubsk J., Budkov P. Pose estimation analysis and fine-tuning on the REHAB24-6 rehabilitation dataset // Information Systems. — 2025. — Vol. 134. — Art. 102579. — DOI: 10.1016/j.is.2025.102579.

13. Jnoov M., Lang A., Budikova P., Sedmidubsky J. Impact of Patient Orientation in Single- and Multi-View Camera Environments for AI-based Rehabilitation Monitoring. — 2026. — Препринт. — DOI: 10.48550/arXiv.2609.35726.

14. Aguilar-Ortega R., Zafra-Palma J., Muoz-Salinas R., Marin-Jimenez M. J. UCOPhyRehab++: A multi-modal and multi-view dataset for human rehabilitation analysis // Scientific Data. — 2026. — Vol. 13. — Art. 1035. — DOI: 10.1038/s41597-026-07362-5.

15. Iqbal M. T. B., Mostafa M. T., Ahmed M. T. [et al.]. MobiPhysio: A 2D video dataset of physiotherapy exercises for AI-driven assessment and monitoring // Data in Brief. — 2026. — Vol. 65. — Art. 112635. — DOI: 10.1016/j.dib.2026.112635.

16. Ismail-Fawaz A., Devanne M., Berretti S. [et al.]. A Standardized Benchmark for Skeleton-Based Rehabilitation Assessment Using Deep Learning // IEEE International Conference on Automatic Face and Gesture Recognition (FG). — 2026. — P. 1–9. — DOI: 10.1109/FG67764.2026.11556986.

17. Li J., Xue J., Cao R. [et al.]. FineRehab: A Multi-modality and Multi-task Dataset for Rehabilitation Analysis // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. — 2024. — P. 3184–3193. — URL: https://openaccess.thecvf.com/content/CVPR2024W/CVsports/html/Li_FineRehab_A_Multi-modality_and_Multi-task_Dataset_for_Rehabilitation_Analysis_CVPRW_2024_paper.html (дата обращения: 10.11.2026).

18. Abedi A., Malmirian M., Khan S. S. Cross-Modal Video to Body-Joints Augmentation for Rehabilitation Exercise Quality Assessment // Machine Learning and Principles and Practice of Knowledge Discovery in Databases. ECML PKDD 2023. Communications in Computer and Information Science. — 2025. — Vol. 2136. — P. 320–327. — DOI: 10.1007/978-3-031-74640-6_24.