CODY：联合多动性运动障碍表型分析临床视频数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.22232609

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 15.40 GB。

数据说明

用于联合型多动性运动障碍表型分析的临床视频衍生数据集：专家标注、去标识化运动学时间序列（YOLOv8姿态估计关键点和SAM 3轮廓信号）及评估结果。八种多动性现象学（肌张力障碍、震颤、肌阵挛、舞蹈症、手足徐动症、投掷症、刻板行为、抽动）由专家评分者在来自四个队列（一个训练数据集和三个评估数据集）的常规临床视频上进行标注。本记录包含专家标注、从视频中提取的去标识化运动学表征以及评估结果。CODY系列：两条特征提取流程。CODY是CODY系列三项研究的数据集。这些研究的不同之处在于从视频中提取运动学特征的方式：CODY-1和CODY-2使用YOLOv8无标记姿态估计（Ultralytics，yolov8x-pose-p6.pt）：每帧17个COCO-17格式的2D关键点（鼻、眼、耳、肩、肘、腕、髋、膝、踝；x/y以图像像素为单位，约33 fps）以及每个关键点的位移信号（*_distance）。

CODY-3 使用 SAM 3（Segment Anything Model 3）流程：逐帧密集轮廓信号（质心、面积、边界框、方向、约160点轮廓及内部网格坐标），外加 SAM 3D Body 关键帧网格。三项研究：CODY-1（YOLOv8 特征，训练队列 dataset_0）—— Cif L, et al. Deep Learning Pose Estimation for Phenotyping of Co-Occurring Hyperkinetic Movement Disorders. Annals of Clinical and Translational Neurology (2026), 1–22. https://doi.org/10.1002/acn3.70474 —— 代码：https://github.com/xaviervasques/CODY —— 本记录中的数据：dataset_0_labels_raw_cody_1_2_yolo.zip CODY-2（YOLOv8 特征，跨队列儿科迁移 dataset_0 → dataset_2）—— Cif L, Demailly D, Souei Z, et al. Simultaneous hyperkinetic movement disorders phenotyping: a cross-cohort pediatric transfer study using routine videos, markerless pose estimation and a tabular foundation

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。