Kürzlich wurden einige auf Skelettinformationen basierende physiotherapeutische Systeme entwickelt, um die Richtigkeit oder Qualität von Übungen, die von Rehabilitationspatienten durchgeführt werden, automatisch zu bewerten. In Bezug auf Algorithmen und Bewertungskriterien bleibt jedoch die vollständige Ausnutzung unterschiedlicher Skelettmerkmale bisher nicht ausreichend erforscht. Um die bestehende Forschung voranzutreiben, schlagen wir einen Lernframework namens Ensemble-basiertes Graphen-Convolutional Network (EGCN) für die Bewertung von Rehabilitationsübungen auf der Grundlage von Skelettinformationen vor. Soweit uns bekannt ist, handelt es sich hierbei um den ersten Ansatz, der sowohl zwei Gruppen von Skelettmerkmalen nutzt als auch verschiedene Ensemble-Strategien für diese Aufgabe untersucht. Zudem prüfen wir die Angemessenheit bestehender Bewertungskriterien und legen den Fokus auf die Beurteilung der Vorhersagefähigkeit unseres vorgeschlagenen Ansatzes. Anschließend führen wir umfangreiche Kreuzvalidierungsexperimente auf zwei aktuellen öffentlichen Datensätzen durch: UI-PRMD und KIMORE. Die Ergebnisse zeigen, dass die modellbasierte Ensemble-Strategie unseres EGCN gegenüber bestehenden Methoden eine bessere Leistung erzielt. Der Quellcode ist verfügbar unter: https://github.com/bruceyo/EGCN.