检测人类行为中的异常对于及时识别潜在危险情境（如街头斗殴或老年人跌倒）至关重要。然而，异常检测具有高度复杂性，主要原因在于异常事件本身极为罕见，且该任务属于开放集识别范畴——即在推理阶段出现的异常行为在训练阶段并未被观测到。为此，我们提出了一种名为COSKAD的新模型，该模型通过图卷积网络对骨骼运动进行编码，并学习将骨骼运动嵌入（Skeletal kinematic embeddings）压缩至体积最小的潜在超球面（latent hypersphere）上，以实现视频异常检测。我们设计了三种潜在空间：常用的欧几里得空间，以及两种新颖的球面空间与双曲空间。所有变体在最新发布的UBnormal数据集上均超越了当前最先进方法的表现，该数据集我们还贡献了一个包含标注骨骼信息的人类相关版本。COSKAD在ShanghaiTech Campus与CUHK Avenue的人类相关版本上均取得了新的最先进性能，其表现可与基于视频的方法相媲美。相关源代码与数据集将在论文被接收后公开发布。