自定义数据集

该数据集是一个自定义的数据集，由意大利理工学院的研究人员收集，包含20名参与者执行五种不同的动作：站立、行走、蹲下、从行走姿势向后跌倒和从蹲下姿势向侧面跌倒。数据集通过三个接收器同步记录RGB图像和CSI信号，用于训练和测试TED-Net模型和DGNN模型，以进行动作识别和跌倒检测。

This custom dataset was collected by researchers from the Italian Institute of Technology, involving 20 participants performing five distinct actions: standing, walking, squatting, falling backward from a walking posture, and falling sideways from a squatting posture. The dataset synchronously records RGB images and Channel State Information (CSI) signals via three receivers, and is used to train and test the TED-Net and DGNN models for action recognition and fall detection.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于Wi-Fi信道状态信息（CSI）与RGB图像的同步采集技术，通过配置单发射器和三接收器天线系统，结合高分辨率摄像头捕捉人体动作。数据采集过程中，20名受试者执行站立、行走、蹲坐及跌倒等标准化动作，所有CSI信号以300Hz采样率记录并经过归一化处理，同时YOLOv11Pose模型从RGB图像中提取17个关键点作为姿态估计的基准真值。实验设计严格遵循伦理规范，确保数据采集的安全性与隐私性。

特点

数据集的核心特点在于其多模态特性与隐私保护优势。通过融合Wi-Fi CSI信号与视觉数据，实现了非侵入式的人体姿态捕捉，特别适用于光照受限或隐私敏感场景。数据包含跌倒与非跌倒动作的精细分类，其中跌倒动作涵盖后仰与侧倒两种典型模式，并标注了动作转换时序。关键点坐标的归一化处理与插值补偿机制显著提升了数据质量，而跨位置（中心/左侧）的动作设计增强了模型的泛化能力。

使用方法

该数据集主要服务于基于CSI的人体姿态估计与动作识别算法开发。研究者可首先利用TED-Net从CSI信号重建2D骨架，再通过DGNN进行动作分类。数据集按80%-20%比例划分训练测试集，跌倒动作采用留一法验证。评估指标包括PCK（关键点正确率）和混淆矩阵分析，支持端到端系统性能验证。值得注意的是，CSI骨架数据可直接替代RGB骨架输入，为隐私保护型监测系统提供基准测试平台。

背景与挑战

背景概述

该数据集由意大利理工学院HRI2实验室的研究团队于2025年创建，主要研究人员包括Younggeol Cho等人，旨在解决基于Wi-Fi信道状态信息(CSI)的人体骨骼姿态估计与动作识别问题。作为视觉隐私保护技术的创新探索，该研究突破了传统RGB摄像头的物理限制，通过Transformer编码器-解码器网络(TED-Net)和定向图神经网络(DGNN)的协同架构，在老年跌倒检测等医疗监护场景展现出显著优势。数据集包含20名受试者的多模态同步数据，其创新性地将无线信号处理与计算机视觉技术融合，为智能家居环境下的非侵入式健康监测提供了新的技术范式。

当前挑战

在领域问题层面，该数据集需解决CSI信号低空间分辨率导致的末端肢体定位不准问题，以及快速跌倒动作引起的信号突变干扰。构建过程中面临三大技术挑战：多接收天线信号的时间同步精度需控制在毫秒级，复杂室内环境下的多径效应会降低信号质量，且动态场景中家具布局变化可能导致模型泛化能力下降。此外，为保持隐私保护特性，数据采集需在严格去除可识别身份信息的前提下，保证动作特征的完整表达，这对数据脱敏处理提出了更高要求。

常用场景

经典使用场景

在智能健康监护领域，该数据集通过Wi-Fi信道状态信息（CSI）实现了无视觉干扰的人体姿态估计与动作识别，特别适用于老年人跌倒检测。其经典使用场景包括家庭环境中的实时活动监测，通过捕捉人体运动引起的无线信号变化，构建二维骨骼关键点，进而识别站立、行走、蹲下及跌倒等动作。这种非侵入式方法避免了摄像头带来的隐私问题，同时利用广泛部署的Wi-Fi路由器降低了硬件成本。

实际应用

在实际应用中，该数据集支持开发隐私保护的智能家居监护系统，尤其适用于浴室、卧室等敏感区域。系统可通过商用Wi-Fi设备持续监测用户活动状态，在检测到跌倒时自动触发警报。实验表明，在20名受试者构成的定制数据集中，该系统对非跌倒动作的平均识别准确率达94.8%，且能跟踪人体躯干位置（误差<10%）。这种方案显著降低了养老机构的监护成本，同时避免了摄像头带来的伦理争议。

衍生相关工作

该数据集衍生了多项无线感知领域的创新研究，包括Zhou等人提出的MetaFi++（基于Transformer的元宇宙姿态仿真）、Yang团队的MetaFi（Wi-Fi姿态估计框架）等。其TED-Net架构启发了后续对CSI信号时空特征提取的改进，而DGNN模型为基于图神经网络的骨骼动作识别提供了新范式。相关技术已扩展至多目标跟踪、3D姿态重建等方向，推动了《MM-Fi》等多模态数据集的构建。