DYLEM-GRID dataset (Dynamic Leap Motion Gesture Recognition Indexed Dataset)

DYLEM-GRID数据集是一个用于动态手势识别系统的综合资源，包含400个四种不同动态手势的录制数据，由100名不同参与者完成。手势包括空中引号、手指摆动、挥手和缩放动作。数据使用Ultraleap Leap Motion Controller 2采集，采样频率约30Hz，捕捉244个特征点，代表27个手部元素的位置和旋转数据。数据集提供三个版本：原始未处理数据、预处理版本和特征工程版本。The DYLEM-GRID dataset is a comprehensive resource for dynamic gesture recognition systems, encompassing 400 recorded instances of four distinct dynamic gestures completed by 100 unique participants. The four gestures are air quotes, finger wagging, waving, and zooming motions. The data was collected via an Ultraleap Leap Motion Controller 2, with a sampling frequency of approximately 30 Hz, capturing 244 feature points that represent the position and rotation data of 27 hand elements. The dataset provides three variants: raw unprocessed data, a preprocessed version, and a feature-engineered version.

原始信息汇总

DYLEM-GRID 数据集概述

数据集基本信息

• 数据集名称: DYLEM-GRID（Dynamic Leap Motion Gesture Recognition Indexed Dataset）
• 数据集地址: https://www.kaggle.com/datasets/marcantoniolopez/dylem-grid
• 许可证: MIT License

数据集描述

DYLEM-GRID是一个用于动态手势识别系统训练和评估的综合资源数据集，专门为动态手势识别研究设计。

手势类别

数据集包含4种常见的跨语言通用手势，每种手势在屏幕交互中普遍使用：

• Air Quotes: 双手举至肩高，食指和中指伸展，向下弯曲手指模拟引号动作
• Finger Wagging: 单臂向前伸展，食指向上指，手指以节奏性动作左右移动
• Waving: 单臂伸展，手掌打开面向前方，手腕旋转使手在连续弧线中左右移动
• Zoom: 单手拇指和食指捏合，通过分开拇指和手指"放大"或靠近"缩小"

数据收集

• 采集设备: Ultraleap Leap Motion Controller 2
• 参与者: 100名不同参与者
• 记录数量: 400条手势记录
• 采集条件: 参与者站在传感器固定距离处，手掌位于传感器上方约40厘米
• 采样频率: 约30 Hz
• 特征数量: 244个独特特征，代表27个独特手部元素（关节和骨骼）的位置和旋转数据

数据版本

数据集提供三个版本以适应不同使用场景：

1. DYLEM-GRID_Raw

• 内容: 原始未处理的时序数据
• 格式: 每个手势为单独的CSV文件
• 特征: 244个特征
• 特点: 序列长度各不相同

2. DYLEM-GRID_Cleaned

• 内容: 预处理版本
• 处理: 移除冗余和无关特征，通过填充均衡序列长度，数据归一化至[-1, 1]范围
• 特征: 174个显著特征
• 适用: 循环神经网络训练

3. DYLEM-GRID_Statistic

• 内容: 特征工程、时间无关版本
• 格式: 单个CSV文件，400行（每个手势一行）
• 特征生成: 对174个显著特征计算四个统计指标（均值、最大值、最小值、标准差）
• 总特征: 696个工程特征
• 适用: 不处理时序数据的经典机器学习算法

数据结构

所有版本的数据集都按80/20分割组织到train和test目录中，在这些目录内，数据进一步按四种手势类型细分到相应文件夹。

搜集汇总

数据集介绍

构建方式

在动态手势识别研究领域，DYLEM-GRID数据集通过严谨的实验设计构建而成。数据采集采用Ultraleap Leap Motion Controller 2传感器，以约30赫兹的采样频率记录400组手势数据，涵盖100名参与者执行的四种典型动态手势。该数据集特别设计了三个版本：原始版本保留244维时空特征，清洗版本通过填充和归一化处理得到174维规整序列，统计版本则提取均值、极值等696维统计特征，形成适用于不同算法需求的层次化数据体系。

特点

该数据集在动态手势识别领域展现出多维度特性。其核心价值在于同时提供原始时序数据与特征工程版本，支持从端到端深度学习到传统机器学习的全流程研究。数据维度涵盖手部27个关节骨骼的六自由度运动信息，通过80/20标准划分训练测试集，确保模型评估的可靠性。四种手势类别经过跨文化场景筛选，兼具普遍性与交互代表性，为手势语义理解研究提供丰富样本基础。

使用方法

针对动态手势识别任务，该数据集支持分层研究范式。研究者可通过加载预处理模块直接使用清洗版本数据，利用内置的PCA降维和序列对齐功能构建时序模型。对于传统机器学习方法，统计版本提供即用的特征矩阵便于快速实验。项目配套的双向LSTM注意力模型实现完整训练流程，包含超参数优化和可视化评估模块，用户可通过修改配置文件灵活调整网络结构，并利用推理接口部署实时识别系统。

背景与挑战

背景概述

DYLEM-GRID数据集作为动态手势识别领域的重要资源，由研究团队基于Ultraleap Leap Motion Controller 2传感器技术构建，旨在解决人机交互中非接触式手势识别的核心问题。该数据集收录了100名参与者执行的四类跨语言通用手势，包括引号手势、手指摆动、挥手及缩放动作，通过记录27个手部关节的244维时空特征，为深度学习模型提供了丰富的训练基础。其多版本数据架构覆盖原始时序数据、清洗后序列及统计特征工程，显著推动了手势识别算法在虚拟现实与智能交互系统中的发展与应用。

当前挑战

动态手势识别需克服时序动作的类内差异与环境干扰，例如相似手势轨迹的区分度不足、传感器噪声对特征稳定性的影响。在数据构建层面，原始传感器数据存在特征冗余与序列长度不一的问题，需通过降维与标准化处理保持数据一致性；同时，跨参与者手势执行风格差异要求模型具备强泛化能力，而高维时空特征的有效提取与注意力权重的优化分配亦是模型训练中的关键难点。

常用场景

经典使用场景

在动态手势识别研究领域，DYLEM-GRID数据集通过包含四种跨文化通用手势的400组时序数据，为深度学习模型提供了标准化的训练基准。其多版本数据结构特别适合验证双向长短期记忆网络与注意力机制的协同效能，研究人员可通过对比原始数据与特征工程版本，系统评估模型在时序特征提取与分类精度方面的表现。

衍生相关工作

受该数据集启发，学界涌现出多项创新研究。有团队将时序注意力机制与图神经网络结合，构建了手部骨骼拓扑关系建模新范式；另有研究通过跨版本数据迁移学习，实现了小样本场景下的手势自适应识别。这些衍生工作持续推动着人机交互领域从单一手势识别向连续动作理解的范式转变。

数据集最近研究

最新研究方向

在动态手势识别领域，DYLEM-GRID数据集正推动基于注意力增强型双向长短期记忆网络的研究浪潮。通过融合时序建模与注意力机制，模型能够精准捕捉手势序列中的关键帧特征，有效应对类间相似性高与个体执行差异大的挑战。当前研究聚焦于多模态数据融合策略，结合骨骼点运动轨迹与关节角度变化，提升复杂场景下的手势语义理解能力。随着人机交互技术向无接触控制方向发展，该数据集为智能座舱、虚拟现实等前沿应用提供了高精度手势识别的核心支撑，其标准化数据格式与多版本设计亦为跨领域算法比较建立了重要基准。