CuisineSense

CuisineSense数据集是一组综合、丰富注释的实时记录，包括11种中国食品（例如，包子、饺子、奶茶）的数据。该数据集包括来自10名参与者的27.5小时的IMU记录，并包含对进食/非进食状态和食物类别的注释。该数据集为训练和评估提供了坚实的基础，并证明了CuisineSense系统在准确识别进食行为和精细分类食物类型方面的有效性。

The CuisineSense dataset is a comprehensive, thoroughly annotated real-time recording dataset containing data for 11 categories of Chinese foods (e.g., steamed buns, dumplings, bubble tea). It includes 27.5 hours of IMU recordings collected from 10 participants, with annotations for eating/non-eating states and food categories. This dataset provides a solid foundation for model training and evaluation, and demonstrates the effectiveness of the CuisineSense system in accurately recognizing eating behaviors and finely classifying food types.

搜集汇总

数据集介绍

构建方式

在饮食监测研究领域，CuisineSense数据集的构建采用了多模态传感器融合策略。研究团队通过三星Gear Sport智能手表（50Hz采样率）和配备IMU的智能眼镜（10Hz采样率）同步采集10名志愿者的手部运动与头部动态数据，覆盖筷子、勺子、手抓三种进食方式下的11类中式餐品。数据采集过程采用自然场景下的视频同步记录，通过人工标注精确分割进食与非进食动作片段，最终形成27.5小时连续IMU记录，并采用10.24秒滑动窗口配合50%重叠率的数据增强方法，构建出包含16,625个进食序列和22,013个非进食序列的标准化数据集。

使用方法

在实践应用中，该数据集支持端到端的双层处理流程。研究者可首先利用一维U-Net架构实现基于重构误差的进食状态检测，通过设定掩码比例为0.15的预处理策略，将重构误差低于80%分位数的序列识别为有效进食片段。随后采用一维Swin Transformer模型对确认的进食片段进行细粒度分类，其分层注意力机制能有效捕捉不同食物对应的长短时程运动模式。整个处理流程在保持88.44%分类精度的同时，单个10.24秒窗口的推理时间仅需2.16毫秒，为实时饮食监测应用提供了可靠技术基础。

背景与挑战

背景概述

在健康监测与慢性病预防领域，精准的膳食摄入检测技术具有重要价值。传统自我报告方法存在记忆偏差，而基于摄像头的方案则引发隐私担忧。西安交通大学研究团队于2025年提出CuisineSense数据集，通过融合智能手表手部运动与智能眼镜头部动态的惯性测量单元数据，构建包含11类中式餐食、27.5小时记录的多元数据集。该数据集首次系统解决中式餐饮多样性识别难题，为无侵入式膳食监测提供了重要基准，推动了可穿戴设备在健康管理领域的实用化进程。

当前挑战

中式餐饮识别面临动作模式高度异质性的核心挑战，不同食材的夹取力度、咀嚼频率与餐具使用方式均存在显著差异。数据集构建过程中需克服多传感器时序同步、自然场景下非进食行为干扰等技术难点，例如徒手取食与持筷动作的惯性特征易产生混淆。同时，数据标注需依赖高精度视频同步记录，对实验环境控制与数据处理流程提出了严格要求。

常用场景

经典使用场景

在饮食健康监测领域，CuisineSense数据集为基于可穿戴设备的食物摄入检测研究提供了重要支撑。该数据集通过智能手表和智能眼镜的惯性测量单元，同步采集手部动作与头部动态的27.5小时多模态数据，覆盖11种中式餐食类别。研究者可利用该数据集开发两阶段检测模型，首先通过异常检测机制识别进食状态，继而基于时空特征实现细粒度的食物分类，为无感知饮食监测提供标准化评估基准。

解决学术问题

该数据集有效解决了传统饮食监测方法面临的三大挑战：针对自我报告法存在记忆偏差与主观偏见的问题，提供了客观的传感器数据替代方案；针对摄像头监测引发的隐私担忧，提出了基于运动模式的非视觉感知路径；针对现有可穿戴方法仅能识别有限西式餐食的局限，首次系统性地构建了涵盖包子、饺子、奶茶等典型中式餐食的识别体系，为跨文化饮食行为研究奠定了数据基础。

实际应用

在智慧医疗场景中，该数据集支撑的系统可应用于慢性病预防管理。通过持续监测用户的进食模式与食物构成，为高血压、糖尿病等代谢性疾病患者提供个性化的膳食建议。在健康管理领域，该系统能实时记录能量摄入，辅助体重控制计划实施。其非侵入式特性特别适合老年群体长期健康监测，而仅需智能手表与眼镜的硬件配置，更易于在日常生活场景中规模化部署。

数据集最近研究

最新研究方向

在可穿戴健康监测领域，CuisineSense数据集正推动基于惯性测量单元的饮食行为识别研究迈向精细化与实用化。当前前沿聚焦于多模态传感器融合与轻量级深度学习架构的协同优化，通过结合智能手表的手部运动轨迹与智能眼镜的头颈动力学特征，实现对饺子、包子等11类中式菜肴的无感化分类。这一方向呼应了慢性病防控中对客观膳食评估工具的迫切需求，其重建式异常检测框架有效解决了日常非进食动作的干扰问题，为构建隐私保护型实时饮食日志系统奠定了技术基石。该数据集的发布不仅填补了中式餐饮多样性识别的空白，更促进了健康物联网在饮食分析领域的范式革新。

相关研究论文

• What's on Your Plate? Inferring Chinese Cuisine Intake from Wearable IMUs

  西安交通大学, 西安, 陕西 710049, 中国 · 2025年