RF sensing datasets

该数据集收集了全球不同研究组公开的RF sensing数据，用于支持如人体存在检测、手势识别、活动识别、步态识别等RF信号感知应用。数据集包括多种信号类型如Wi-Fi、蓝牙、毫米波等，并详细记录了每个数据集的应用、志愿者数量和数据量。

This dataset compiles RF sensing data publicly available from various research groups worldwide, designed to support RF signal perception applications such as human presence detection, gesture recognition, activity recognition, and gait recognition. The dataset encompasses a variety of signal types including Wi-Fi, Bluetooth, millimeter waves, among others, and meticulously documents the applications, number of volunteers, and data volume for each dataset.

原始信息汇总

RF-based Activity Recognition Datasets 概述

数据集简介

• 目的：收集并整理全球不同研究组发布的RF传感数据集，用于支持如人体存在检测、手势识别、活动识别等RF传感应用。
• 挑战：该领域面临的主要挑战是缺乏大规模数据集，特别是对于依赖高质量数据训练的DNN解决方案。

数据集列表

年份	项目名称	信号类型	特征	描述	数据集链接
2020	mmGait (AAAI 2020)	mmWave	RSSI, DFS	- 应用：步态识别<br>- 志愿者：95人<br>- 数据量：30小时	mmGait 数据
2019	WiAR (IEEE Access)	WiFi	RSSI, CSI	- 应用：活动识别<br>- 志愿者：10人<br>- 数据量：每人30次	WiAR 数据
2019	WiDar 3.0 (MobiSys 2019)	WiFi	CSI, DFS, BVP	- 应用：手势识别<br>- 场景：教室、办公室和走廊<br>- 数据量：258K实例，8,620分钟	WiDar 3.0 数据
2018	WiDar 1.0/2.0 (MobiHoc 2017)<br>(MobiSys 2018)	WiFi	CSI, AoA, DFS	- 应用：被动定位和跟踪<br>- 场景：教室、办公室和走廊<br>- 数据量：80条轨迹	WiDar 1.0/2.0 数据
2018	SignFi (UbiComp 2018)	WiFi	CSI	- 应用：手势识别<br>- 场景：实验室和家庭环境<br>- 数据量：约6GB，276个手势词	SignFi 数据
2017	(N/A) (IEEE Commun. Mag.)	WiFi	CSI	- 应用：活动识别<br>- 志愿者：6人<br>- 数据量：约4GB，6种活动	活动识别数据

联系方式

• 联系人：Prof. Zheng Yang
• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

该数据集通过整合全球多个研究团队公开的射频感知数据构建而成，涵盖了Wi-Fi、蓝牙、毫米波等多种射频信号。数据采集过程中，射频信号通过直射、反射和散射等多路径传播，最终在接收端叠加，携带了环境特征信息。数据集涵盖了不同应用场景下的活动识别、手势识别、步态识别等任务，数据来源包括实验室、办公室、走廊等多种环境。

特点

该数据集的特点在于其多样性和广泛性，涵盖了从2017年至2020年间多个研究项目的数据，涉及Wi-Fi、毫米波等多种射频信号类型。数据集不仅包含了接收信号强度指示（RSSI）、信道状态信息（CSI）等常见特征，还涵盖了多普勒频移（DFS）、角度到达（AoA）等高级特征。数据集的规模较大，部分项目包含数万条实例，数据量达到GB级别，适用于深度学习模型的训练与验证。

使用方法

该数据集的使用方法较为灵活，用户可以根据具体的研究需求选择相应的子数据集进行下载。数据集中的每个项目均附有详细的应用场景、信号类型、特征描述以及数据量信息，便于用户快速定位所需数据。用户可以通过GitHub或相关研究团队的官方网站获取数据，并按照提供的说明进行预处理和模型训练。数据集适用于射频感知领域的多种任务，如活动识别、手势识别和步态识别等。

背景与挑战

背景概述

RF sensing datasets是由清华大学MobiSense实验室于2020年发布的一个专注于射频信号感知的数据集集合。该数据集旨在解决射频信号在环境感知中的应用问题，特别是在室内环境中，射频信号（如Wi-Fi、蓝牙、毫米波）通过多种路径传播，携带了环境特征的信息。这些数据集广泛应用于人体存在检测、手势识别、活动识别和步态识别等领域。该数据集的发布填补了射频感知领域大规模数据集的空白，尤其是为依赖高质量数据进行训练的深度学习解决方案提供了重要支持。

当前挑战

RF sensing datasets面临的主要挑战包括两个方面。首先，射频感知领域的核心问题在于如何从复杂的多径传播信号中提取有效的环境特征信息，这需要高精度的信号处理和特征提取技术。其次，数据集的构建过程中，研究人员需要克服数据采集的复杂性，特别是在不同场景下（如教室、办公室和走廊）进行大规模数据收集时，如何确保数据的多样性和一致性。此外，数据标注的准确性和数据量的不足也是构建高质量数据集时需要解决的关键问题。

常用场景

经典使用场景

RF sensing datasets在无线通信和感知领域具有广泛的应用，尤其是在基于深度学习的活动识别和手势识别任务中。这些数据集通过捕获Wi-Fi、毫米波等射频信号的多路径传播特性，能够有效识别环境中的动态变化。例如，mmGait数据集通过毫米波信号实现了步态识别，WiAR数据集则利用Wi-Fi信号进行活动识别。这些数据集为研究人员提供了丰富的实验数据，推动了射频感知技术的发展。

衍生相关工作

RF sensing datasets催生了一系列经典研究工作，推动了射频感知领域的快速发展。例如，基于WiDar系列数据集的研究提出了多种高效的手势识别算法，显著提升了识别精度和鲁棒性；mmGait数据集则激发了步态识别领域的新方法探索，为生物特征识别提供了新的技术路径。这些衍生工作不仅丰富了射频感知的理论体系，也为实际应用提供了技术保障。

数据集最近研究

最新研究方向

近年来，基于射频（RF）信号的环境感知技术在智能感知领域取得了显著进展，尤其是在室内环境中的人体活动识别、手势识别和步态识别等应用场景中。随着深度学习技术的快速发展，RF感知数据集的需求日益增长，尤其是高质量、大规模的数据集对于训练深度神经网络（DNN）模型至关重要。当前的研究热点集中在利用毫米波（mmWave）和WiFi信号进行高精度感知，例如通过接收信号强度指示（RSSI）和信道状态信息（CSI）等特征提取环境信息。此外，多路径传播效应和信号叠加现象的建模也成为研究重点，旨在提升感知精度和鲁棒性。RF感知数据集的开放共享为学术界和工业界提供了宝贵的资源，推动了相关技术的实际应用和商业化进程。