BADS_CLL

BadminSense构建了一个名为BADS_CLL的羽毛球数据集，包含四种常用击球类型及其对应标签，手动标注的球拍接触点位置，以及由经验丰富的羽毛球运动员提供的每次击球的质量评分。

BadminSense developed a badminton dataset named BADS_CLL, which includes four common badminton shot types and their corresponding labels, manually annotated racket contact point positions, as well as quality ratings for each shot provided by experienced badminton players.

原始信息汇总

BadminSense_Dataset 数据集概述

数据集来源

该数据集为论文《BadminSense: Enabling Fine-Grained Badminton Stroke Evaluation on a Single Smartwatch》所构建。

数据集简介

BadminSense 构建了一个名为 BADS_CLL 的羽毛球数据集。该数据集通过单一智能手表捕捉人体羽毛球运动数据，支持细粒度实时动作分析和带有统计指标的长期表现追踪。

数据集详情

数据规模与内容

• 数据集包含 848 个有效击球样本。
• 每个样本提供传感器（IMU + 音频）击球数据、击球视频片段、玩家信息以及三个数据标签。
• 数据标签包括：Stroke Type（击球类型）、Stroke Quality Rating（击球质量评分）和 Impact Location（击球接触点位置）。

数据获取

• 数据集可从 Google Drive 下载：https://drive.google.com/file/d/10Jp0-fqgbI4Gg4-hmDnopFc3JdQNQOnc/view?usp=sharing
• 文件大小：14 GB (版本 1.0)。

数据结构

解压后的数据集包含 96 个文件夹。每个文件夹对应一名玩家、一种Stroke Type和一个Section，最多包含10个有效击球数据。

文件夹命名格式：Gender_Exp_StrokeType_PlayerCode_Section_Device，用于快速识别Section的基本信息。

Section 内部结构： 每个文件夹（即一个Section）包含：

1. 一个 .json 文件：包含最多10个有效击球动作条目。
2. 与每个击球动作条目对应的 .gif 视频文件。

数据字段描述

一个有效击球动作的数据主要由 Info、Label、Data 和 Gif 四部分组成。

1. Info（信息）

字段	描述
recordName	与文件夹名称相同
gender	玩家性别 (Male, Female)
exp	玩家羽毛球经验水平 (Low, Medium, High)
section	该Stroke Type的第几个Section (1st, 2nd)
startTimestamp	该击球动作的开始时间戳
endTimestamp	该击球动作的结束时间戳

2. Label（标签）

字段	描述
positionX	Impact Location x 坐标 [-0.5, 0.5]
positionY	Impact Location y 坐标 [0, 1]
actionType	Stroke Type（击球类型）
actionEval	Stroke Quality Rating，由7名经验丰富的玩家提供

击球类型对应关系：

数据集中的类型	论文中的类型
BackhandTransition	BOC
ForehandHigh	FOC
ForehandLob	FOD
ForehandKill	FOS

3. Data（传感器数据）

字段	描述
ACCELEROMETER	加速度计 xyz 传感器数据及时间戳
AUDIO	麦克风传感器数据及时间戳
GYROSCOPE	陀螺仪 xyz 传感器数据及时间戳
GYROSCOPE_UNCALIBRATED	陀螺仪未校准传感器 xyz 数据、漂移及时间戳
MAGNETIC_FIELD	磁力计传感器 xyz 数据及时间戳
MAGNETIC_FIELD_UNCALIBRATED	磁力计未校准传感器 xyz 数据、偏差及时间戳
ROTATION_VECTOR	旋转矢量 xyz 数据、cos delta、航向精度及时间戳

采样率：

• IMU 数据采样率：100 Hz
• 麦克风数据采样率：16000 Hz

4. Gif（视频）

• .gif 文件命名格式：[e-mail]
• Index 表示对应击球动作数据在 .json 文件中的顺序索引，从0开始。

使用许可

• 本作品采用 知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议 进行许可。
• 所有材料均在 Creative Commons BY-NC-ND 4.0 许可下发布。
• 允许为非商业目的下载、使用和共享这些材料，但必须引用我们的论文给予适当署名，并且不得以任何方式修改或将其用于商业目的。

搜集汇总

数据集介绍

构建方式

在羽毛球运动分析领域，BADS_CLL数据集的构建体现了精细化的数据采集策略。该数据集通过单一智能手表设备，采集了经验丰富的羽毛球运动员执行四种常见击球类型时的多模态传感器数据。数据采集过程涵盖了惯性测量单元（IMU）的加速度计、陀螺仪、磁力计以及麦克风音频信号，采样频率分别为100赫兹和16000赫兹。每名运动员按照不同击球类型进行分段录制，每个分段包含最多10次有效击球样本，最终形成了848个标注样本。所有击球动作均辅以同步录制的视频片段，并通过专业运动员手动标注了击球类型、击球质量评分以及球拍接触点位置，确保了数据的高可靠性与结构完整性。

特点

BADS_CLL数据集在羽毛球运动感知研究中展现出多维度、细粒度的标注特色。数据集不仅提供了四种标准击球类型——反手过渡、正手高远球、正手吊球和正手杀球的传感器时序数据，还包含了由七位经验丰富运动员评定的击球质量分数，以及球拍击球点位置的二维坐标标注。数据组织形式以文件夹层级结构清晰呈现，每个文件夹对应特定运动员、击球类型和录制分段，并通过命名编码直观传递性别、经验水平、设备信息等元数据。这种设计使得研究者能够便捷地关联多模态信息，包括IMU数据、音频波形与视觉动作序列，为深入分析击球动作的力学特征与表现评估提供了丰富的基础。

使用方法

针对羽毛球动作识别与评估任务，BADS_CLL数据集提供了标准化的使用流程。用户下载压缩包后，可解压获得96个独立文件夹，每个文件夹内包含JSON格式的标注文件与对应的GIF动作视频。JSON文件结构清晰地划分为信息元数据、标注标签、传感器数据数组和视频引用，研究者可直接解析这些字段以提取时间戳、传感器读数及质量评分。数据集支持多种分析场景，例如利用IMU数据训练击球类型分类模型，结合音频信号检测击球瞬间，或基于质量评分开发性能评估算法。使用过程中需遵循知识共享署名-非商业性使用-禁止演绎许可协议，确保在非商业用途中引用原始论文，并保持数据完整性。

背景与挑战

背景概述

随着可穿戴计算与运动分析技术的深度融合，基于智能手表的精细动作捕捉成为体育科学领域的前沿方向。BADS_CLL数据集由研究团队为支撑论文《BadminSense: Enabling Fine-Grained Badminton Stroke Evaluation on a Single Smartwatch》而构建，旨在通过单一智能手表采集羽毛球运动数据，实现实时细粒度动作分析与长期表现统计追踪。该数据集聚焦于羽毛球四种常见击球类型，包含由经验丰富运动员提供的848个有效击球样本，每个样本均配有传感器数据、视频片段及手动标注的击球质量评分与接触点位置信息，为智能体育训练与评估提供了高质量的多模态数据基础。

当前挑战

在羽毛球动作分析领域，传统方法往往依赖多传感器或高速摄像系统，难以在自然训练场景下实现便捷、精细的击球评估。BADS_CLL数据集致力于解决单一可穿戴设备下的击球类型识别、质量评分与击球点定位等多任务挑战，其构建过程面临诸多困难：传感器数据需在高速动态击球中保持同步与精确采集，同时击球质量与位置标注依赖多位经验运动员的主观评判，须通过严谨的标注协议确保一致性；此外，多模态数据（IMU、音频、视频）的融合与对齐也增加了数据处理的复杂度，要求算法能有效提取跨模态特征以支撑细粒度分析。

常用场景

经典使用场景

在体育科学与可穿戴计算领域，BADS_CLL数据集为羽毛球运动分析提供了精细化的数据支撑。该数据集通过单一智能手表采集了包含加速度计、陀螺仪及音频等多模态传感器数据，并标注了击球类型、质量评分及击球点位置等关键标签。其经典使用场景在于支持基于机器学习的羽毛球动作识别与评估模型开发，研究者可利用该数据集训练深度学习算法，实现对高远球、吊球、杀球及反手过渡等四种常见击球动作的自动分类与质量分析，为运动表现量化研究奠定数据基础。

解决学术问题

BADS_CLL数据集有效解决了运动科学中羽毛球动作细粒度分析的难题。传统运动评估依赖主观观察或高成本动作捕捉系统，而该数据集通过可穿戴设备实现了低成本、高便携的数据采集，并提供了精确的击球点坐标与质量评分标签。这使研究者能够深入探究击球动作的力学特征与表现指标之间的关联，推动了基于传感器数据的运动技能客观评价方法的发展，为智能体育训练系统的学术研究提供了标准化数据资源。

衍生相关工作

围绕BADS_CLL数据集，已衍生出多项经典研究工作。原论文《BadminSense: Enabling Fine-Grained Badminton Stroke Evaluation on a Single Smartwatch》首次提出了基于单一智能手表的羽毛球击球评估框架，为后续研究奠定了方法论基础。在此基础上，学者们进一步探索了多传感器融合算法、击球质量预测模型以及实时反馈系统的优化，推动了可穿戴计算与体育分析的交叉学科发展。这些工作不仅扩展了数据集的学术价值，也为智能体育设备的实际落地提供了技术参考。