LSTM运动分类：俯卧撑视频数据集

摘要：LSTM运动分类：俯卧撑视频数据集是一个专门用于序列模型分类（如LSTM）的视频数据集，包含从一致视角拍摄的个体完成俯卧撑组数的视频。

数据集简介

数据集概述

LSTM运动分类：俯卧撑视频数据集是一个专门用于序列模型分类（如LSTM）的视频数据集，包含从一致视角拍摄的个体完成俯卧撑组数的视频。数据集精心组织为两个文件夹：Correct（正确）文件夹包含准确执行的俯卧撑动作，Incorrect（错误）文件夹包含有缺陷的俯卧撑动作。所有视频均使用MediaPipe进行处理，生成包含身体关键点记录的.npy文件，便于详细分析。数据集设计目标是使模型能够准确分类俯卧撑动作是正确还是错误，为健身追踪和教练应用提供有价值的洞察。该数据集适用于健身应用、物理治疗、自动化教练系统、运动科学研究、教育平台、竞技健身应用、AI个人训练、职场健康、姿态估计研究和健康教育内容创作等10个应用方向。

数据结构与关键特征

数据集采用二分类文件夹结构（Correct/Incorrect），每个视频从一致的POV视角拍摄，经MediaPipe处理生成.npy格式的身体关键点序列数据。关键特征包括：一致视角采集（统一的拍摄视角减少了视角变化带来的干扰）、正确-错误二分类（清晰的标签用于监督学习）、关键点序列数据（MediaPipe提取的身体关键点时序序列，适合LSTM等序列模型）、以及完整动作周期（记录俯卧撑的完整运动过程）。数据集的.npy格式关键点数据直接可用于序列模型训练，无需研究者重复进行姿态估计预处理。MediaPipe提供的关键点包括肩、肘、腕、躯干等俯卧撑相关的身体部位，使模型能够学习正确动作的生物力学特征（如身体保持直线、肘部弯曲角度、下降深度等）和常见错误模式（如塌腰、抬臀、半程动作等）。一致视角的设计确保了数据的标准化和可比性，降低了模型训练的复杂度。

应用价值与研究方向

该数据集在智能健身、康复医疗、运动科学和计算机视觉研究领域具有重要应用价值，可用于开发健身动作纠正APP、智能健身镜、自动化教练系统和康复训练监测工具。研究方向包括：基于LSTM的序列分类算法、时序动作质量评估、动作错误模式识别、人体姿态估计、生物力学特征提取、实时动作反馈系统、迁移学习应用于其他运动动作、以及多任务学习（同时进行动作分类和计数）。数据集特别适合研究如何从关键点序列中学习运动模式、如何识别细微的动作错误、以及如何提供实时的动作纠正建议。此外，该数据集还可扩展至其他健身动作识别（深蹲、平板支撑、引体向上）、运动损伤预防、个性化训练计划制定等应用场景，为推动AI技术在智能健身领域的应用、提升健身效果、降低运动损伤风险、实现个性化健身指导提供重要的数据支撑和技术基础。

数据集来源

由张家梁(Bob)整理并于2026年在7zcode平台公开发布。

数据集信息

免责声明与引用

数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。

作者信息

作者：Bob (张家梁)
项目编号：Datasets-215
文件大小：17M
原创声明：本数据集为整理作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。