Axivity Ax3 sensor accelerometer data

该数据集包含使用Axivity Ax3传感器在手腕和腿上记录的原始三轴加速度计数据。数据集分为三个子文件夹：wrist50、wrist34和thigh34，分别表示传感器的不同位置和参与人数。每个子文件夹下有6个子文件夹，对应不同的活动类型，如行走、慢跑、站立、坐着、上楼和下楼。每个活动子文件夹包含34或50个.csv文件，记录了原始加速度数据，每个文件包括时间、x轴、y轴和z轴的加速度值。This dataset comprises raw triaxial accelerometer data recorded using Axivity Ax3 sensors on the wrist and thigh. The dataset is organized into three subfolders: wrist50, wrist34, and thigh34, which denote different sensor placements and participant numbers. Each subfolder contains six additional subfolders corresponding to various activity types, such as walking, jogging, standing, sitting, ascending stairs, and descending stairs. Each activity subfolder includes 34 or 50 .csv files that document the raw acceleration data, with each file containing timestamps and acceleration values along the x, y, and z axes.

原始信息汇总

数据集概述

数据集结构

• 位置: raw 文件夹
• 传感器类型: Axivity Ax3 3-轴加速度计
• 安装位置: 手腕和 thigh
• 子文件夹:
  • wrist50: 包含50人的数据
  • wrist34: 包含34人的数据
  • thigh34: 包含34人的数据
• 活动类型: 步行、慢跑、站立、坐下、上楼、下楼
• 文件格式: .csv
• 数据字段:
  • time: 记录数据的日期和时间
  • x: x轴加速度值
  • y: y轴加速度值
  • z: z轴加速度值

引用要求

• wrist34 和 thigh34 数据集:
  • 引用文献: Learning Deep and Shallow Features for Human Activity Recognition
  • 作者: Sani, S., Massie, S., Wiratunga, N., Cooper, K.
  • 会议: International Conference on Knowledge Science, Engineering and Management – KSEM 2017
• wrist50 数据集:
  • 引用文献: knn Sampling for Personalised Human Activity Recognition
  • 作者: Sani, S., Wiratunga, N., Massie, S., Cooper, K.
  • 会议: International Conference on Case-Based Reasoning – ICCBR 2017

搜集汇总

数据集介绍

构建方式

Axivity Ax3 sensor accelerometer data数据集的构建，是通过对Axivity Ax3传感器在手腕和腿部（大腿）两个部位所采集的三轴向加速度原始数据进行整理而形成。数据按照传感器位置（手腕或大腿）以及参与者数量（34或50人）分为不同的子文件夹，并进一步根据活动类型（如行走、慢跑、站立、坐着、上楼和下楼）细分为六个更小的子文件夹，每个子文件夹包含了对应活动类型的.csv格式原始加速度数据文件。

使用方法

使用该数据集时，研究者可根据需求引用相应的研究论文以表明数据来源。数据集以.csv格式存储，可直接通过常见的表格处理软件或编程语言中的数据处理库进行读取和分析。针对数据集的不同子集，研究者应依据子集对应的研究论文进行正确的引用，以遵守学术规范和知识产权的要求。

背景与挑战

背景概述

Axivity Ax3 sensor accelerometer data数据集，是由Sani等人于2017年创建，旨在为人类活动识别领域提供一种高质量的三轴加速度数据。该数据集通过Axivity Ax3传感器记录了手腕和腿部分别在行走、慢跑、站立、坐立、上楼和下楼等不同活动类型下的原始三轴加速度数据，涉及34至50名参与者。该数据集的构建，为研究人类活动识别提供了宝贵的实验资源，对推动相关领域的研究与发展产生了显著影响。

当前挑战

数据集构建过程中，研究人员面临了多重挑战。首先，如何确保传感器数据的准确性与可靠性是一个关键问题。其次，数据集的多样性与代表性也是一大挑战，需要涵盖不同人群在不同活动下的数据。此外，构建过程中还需解决数据预处理、标注一致性以及数据隐私保护等问题。在研究领域问题方面，该数据集解决了人类活动识别中特征提取与分类的挑战，研究人员需开发出能够准确识别不同活动的算法模型。

常用场景

经典使用场景

在人体活动识别领域，Axivity Ax3 sensor accelerometer data数据集因其详尽的三轴向心加速度原始数据而备受推崇。该数据集记录了手腕和股部在不同活动类型下的运动数据，如行走、慢跑、站立、坐立、上楼和下楼，为研究人类日常活动的模式提供了丰富的信息资源。

解决学术问题

该数据集解决了学术研究中对于精确识别和分类人类日常活动的需求。通过提供不同身体部位在不同活动中的加速度数据，它有助于研究者分析人类运动模式，进而为健康监测、人机交互以及智能穿戴设备等领域提供科学依据。

实际应用

在实际应用中，Axivity Ax3 sensor accelerometer data数据集可被用于开发智能健康监测系统，通过分析用户的日常活动数据，为用户提供个性化的健康建议和活动反馈。此外，它还可以用于改进人机交互技术，使智能设备更好地适应和响应人类的运动指令。

数据集最近研究

最新研究方向

在人体活动识别领域，Axivity Ax3传感器加速度计数据集正被广泛应用于深度特征与浅层特征学习的结合研究。该数据集通过手腕和腿部佩戴传感器收集数据，为研究人员提供了不同活动状态下三轴向量的原始加速度数据。近期研究集中于通过深度学习与案例推理技术提高活动识别的准确性和个性化水平。例如，Sani等人（2017年）在KSEM 2017会议上提出的论文中，探讨了深度与浅层特征融合的方法，而针对个性化活动识别，他们在ICCBR 2017会议上提出的knn采样算法，均表明了该数据集在本领域的前沿应用，及其对于提升活动识别技术的影响与意义。