新型人类活动识别数据集

该数据集由都灵理工大学和马尔默大学合作创建，包含7类活动，利用60 GHz毫米波FMCW雷达在真实环境中收集。数据集旨在支持机器学习和深度学习模型在人类活动识别方面的研究，特别是对雷达特征图的时空结构进行保留的多维特征向量。数据集将公开，以推动FMCW雷达在智能环境监测中的应用研究。

This dataset was collaboratively created by Politecnico di Torino and Malmö University. It contains 7 categories of activities, and was collected in real-world environments using a 60 GHz millimeter-wave FMCW radar. This dataset is intended to support research on human activity recognition using machine learning and deep learning models, particularly for multi-dimensional feature vectors that preserve the spatio-temporal structure of radar feature maps. The dataset will be made publicly available to advance research on the application of FMCW radar in intelligent environmental monitoring.

搜集汇总

数据集介绍

构建方式

新型人类活动识别数据集的构建采用了一种基于60 GHz雷达的非接触式监测方法，通过收集现实环境中人类活动的数据，利用雷达的多维度特征图——Range-Doppler、Range-Azimuth和Range-Elevation，直接将这些特征图作为数据向量输入到机器学习和深度学习模型中，从而保留了数据的时空结构。数据集包含了七种活动类别，并通过两种不同的验证方法进行了验证。

使用方法

使用该数据集时，首先需要对雷达数据进行预处理和特征提取，然后可以将处理后的数据输入到机器学习或深度学习模型中进行训练和评估。实验结果表明，卷积长短期记忆网络(ConvLSTM)在交叉场景验证和留一法交叉验证中均取得了最佳性能，准确率分别达到了90.51%和89.56%，F1分数分别为87.31%和87.15%。

背景与挑战

背景概述

人类活动识别（HAR）技术在智能家庭、医疗监测、步态分析和跌倒检测等领域具有重要意义。随着人口老龄化的加剧，对可靠的活动监测技术的需求日益增长，以改善生活质量并提供及时紧急响应。尽管可穿戴传感器技术在HAR领域得到了广泛应用，但它们存在着用户不适、可靠性问题以及电池寿命限制等挑战。此外，基于视频的方法引发了隐私问题，并且在低光条件或长距离下表现不佳。为了解决这些问题，本研究引入了一种基于频率调制连续波（FMCW）雷达的框架，利用60 GHz雷达和多维特征图来进行人类活动识别。与传统的将特征图作为图像处理的方法不同，本研究将多维特征图（Range-Doppler、Range-Azimuth和Range-Elevation）直接作为数据向量输入到机器学习（SVM、MLP）和深度学习（CNN、LSTM、ConvLSTM）模型中，从而保留了数据的时空结构。这些特征是从一个包含七个活动类别的创新数据集中提取的，并使用两种不同的验证方法进行了验证。ConvLSTM模型在跨场景验证和留一法交叉验证中均表现出色，准确率分别为90.51%和89.56%，F1分数分别为87.31%和87.15%。这些结果表明，该方法在现实场景中具有可扩展性、非侵入性和隐私保护性，为人类活动监测提供了新的可能性。

当前挑战

尽管基于FMCW雷达的人类活动识别技术在性能上取得了显著进展，但仍面临一些挑战。首先，如何有效地处理多维雷达特征图，并将其直接作为数据向量输入到模型中，以充分利用数据的时空结构信息，是一个重要的挑战。其次，尽管本研究使用的数据集已经包含七个活动类别，但数据集的多样性和活动范围的限制仍然是未来研究需要解决的问题。此外，尽管ConvLSTM模型在性能上表现出色，但其计算成本尚未计算，这在大规模实施、实时应用以及在边缘设备上部署时是一个关键指标。因此，未来研究需要解决这些挑战，以增强该方法在现实场景中的鲁棒性和适用性。

常用场景

经典使用场景

新型人类活动识别数据集（New Human Activity Recognition Dataset）主要应用于人类活动识别（HAR）领域。该数据集利用60 GHz雷达采集数据，并使用多维度特征图进行活动识别。与其他基于可穿戴传感器或视频的方法相比，该数据集在非侵入式和隐私保护方面具有优势，适用于家庭、医疗监测、步态分析和跌倒检测等场景。

解决学术问题

新型人类活动识别数据集解决了传统活动识别方法在用户舒适度、可靠性和隐私保护方面的难题。通过使用非侵入式的FMCW雷达和特征图处理方法，该数据集为HAR领域提供了准确、可靠和隐私保护的活动监测解决方案。

实际应用

新型人类活动识别数据集在实际应用中具有广泛的前景。它可以用于智能家居、医疗监测、步态分析和跌倒检测等领域。此外，该数据集还可以用于训练机器学习和深度学习模型，以提高活动识别的准确性和鲁棒性。

数据集最近研究

最新研究方向

本研究提出了一种基于频率调制连续波（FMCW）雷达的人类活动识别框架，该框架利用了60 GHz雷达和多维特征图。与将特征图作为图像处理的常规方法不同，本研究将多维特征图（Range-Doppler、Range-Azimuth 和 Range-Elevation）直接作为数据向量输入到机器学习（SVM、MLP）和深度学习（CNN、LSTM、ConvLSTM）模型中，从而保留了数据的时空结构。这些特征是从一个包含七个活动类别的创新数据集中提取的，并使用两种不同的验证方法进行了验证。ConvLSTM模型在跨场景验证中取得了90.51%的准确率和87.31%的F1分数，在留一法交叉验证中取得了89.56%的准确率和87.15%的F1分数。这些结果表明，该研究提出的基于FMCW雷达的方法具有在现实世界场景中进行可扩展、非侵入式和隐私保护的活动监控的潜力。

相关研究论文

• Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study

  都灵理工大学，意大利 · 2025年