mmWave-gesture-dataset

该数据集是首个毫米波手势数据集，具有多个优势：包括短距离和长距离两种场景；包含56,420条记录，总时长1,357分钟；涉及144人参与；数据类型多样，不仅包括PRM信息，还有原始信号数据、原始距离-多普勒图像和SEP云数据；研究范围广泛，不仅直接感知，还包括在特定障碍物（如纸张、瓦楞纸、金属板）后的感知。

This dataset represents the first millimeter-wave gesture dataset, boasting several advantages: it encompasses both short-range and long-range scenarios; it includes 56,420 records with a total duration of 1,357 minutes; it involves 144 participants; the data types are diverse, not only including PRM information but also raw signal data, raw range-Doppler images, and SEP cloud data; the research scope is extensive, covering not only direct perception but also perception behind specific obstacles (such as paper, corrugated cardboard, and metal plates).

原始信息汇总

mmWave-gesture-dataset 概述

• 场景: 包含短距离（HRD < 0.5 m）和长距离（2m < HRD < 5m）两种场景。
• 数据量: 总计56,420条记录，总时长1,357分钟。
• 参与者: 144人（64男，80女）。
• 数据类型: 不仅包括PRM信息，还有原始信号数据、原始Range-Doppler图像和SEP的云数据。
• 研究范围: 不仅直接感知，还包括在特定障碍物（如纸、瓦楞纸、金属板）后的感知。

短距离场景

• 参与者: 131人（60男，71女）。
• 动作类型: 五组预定动作及多种意外动作（如手指动作、英文字母书写）。
• 数据细分:
  • Eigenvalue sequences: 44人（22男，22女）执行5种动作，每种动作重复15次。
  • 其他动作: 60人（26男，34女）执行5种动作，每种动作重复50次；27人（12男，15女）执行390次意外动作。
  • Range-Doppler图像: 15人（8男，7女）执行5种动作，每种动作重复10或15次。
  • 原始信号数据: 1人执行10种动作，每种动作重复50次；5人进行英文字母书写。

长距离场景

• 参与者: 100人（44男，56女）。
• 动作类型: 五种预定动作及意外动作。
• 数据细分:
  • 点云数据: 79人（35男，44女）执行4种动作，每种动作重复50次；11人（5男，6女）执行300次意外动作。
  • 原始信号数据: 10人（4男，6女）执行4种动作，每种动作重复50次。

数据格式

• 短距离场景:

  • Eigenvalue sequences: gesture_name_ hand_short_center_sort_number.txt
  • 其他动作: short_point_id_ sort_ number.txt
  • Range-Doppler图像: short_RD_id_ sort_ number.mp4
  • 原始信号数据: short_raw_id_ sort_ number.mat

• 长距离场景:

  • 点云数据: long_point_id_ sort.csv
  • 原始信号数据: long_raw_id_ sort_ number.mat

搜集汇总

数据集介绍

构建方式

mmWave-gesture-dataset数据集的构建基于毫米波雷达技术，涵盖了短距离和长距离两种场景。在短距离场景中，邀请了131名志愿者进行五组手势动作，共收集了30,360条轨迹，不仅包括预设手势，还包含意外动作如手指运动和书写英文字母。长距离场景则邀请了100名志愿者进行相同的手势动作，共收集了26,060条轨迹。数据集不仅包含特征值序列，还提供了原始信号数据、Range-Doppler图像和点云数据，确保了数据的多样性和丰富性。

使用方法

使用mmWave-gesture-dataset数据集时，用户可以根据需求选择不同类型的数据进行分析和模型训练。对于特征值序列，用户可以利用/gesture_dataset/short_range_gesture/short_PRMinfo和/gesture_dataset/short_range_gesture/short_PRMinfo_other文件夹中的数据。对于原始信号数据和Range-Doppler图像，用户可以访问/gesture_dataset/short_range_gesture/short_raw和/gesture_dataset/short_range_gesture/short_RangeDoppler文件夹。长距离场景的数据则位于/gesture_dataset/short_range_gesture/long_SEP和/gesture_dataset/short_range_gesture/long_raw文件夹中。通过这些数据，用户可以进行手势识别算法的开发和验证，以及毫米波雷达信号处理的研究。

背景与挑战

背景概述

毫米波手势数据集（mmWave-gesture-dataset）是首个毫米波手势数据集，由一支专注于毫米波技术与手势识别的研究团队创建。该数据集的构建旨在推动毫米波技术在短距离和长距离手势识别中的应用，涵盖了从近距离（0.5米以内）到远距离（2米至5米）的多种场景。数据集包含了56,420条手势轨迹，总时长达到1,357分钟，涉及144名参与者（64名男性和80名女性）。此外，数据集不仅包含预设的手势，还记录了意外动作，如手指运动和书写英文字母等，为手势识别研究提供了丰富的多样性。该数据集的发布为毫米波技术在人机交互领域的应用提供了重要的数据支持，推动了相关领域的研究进展。

当前挑战

毫米波手势数据集的构建面临多重挑战。首先，毫米波信号在不同距离和环境下的衰减问题，尤其是在远距离和有遮挡物的情况下，信号的稳定性和准确性受到较大影响。其次，手势识别的多样性和复杂性要求数据集能够涵盖多种手势类型，包括预设手势和意外动作，这增加了数据采集和标注的难度。此外，数据集的规模庞大，涉及大量参与者和长时间的采集，如何确保数据的一致性和质量也是一个重要挑战。最后，毫米波信号的噪声处理和特征提取是手势识别中的关键问题，如何在复杂环境中提取有效特征并减少误识别，是该数据集在实际应用中需要解决的核心问题。

常用场景

经典使用场景

mmWave-gesture-dataset 数据集的经典使用场景主要集中在毫米波雷达手势识别领域。该数据集通过收集大量不同距离、不同遮挡条件下的手势数据，为研究人员提供了丰富的实验材料。特别是在短距离和长距离场景下，数据集包含了多种预定义手势和意外动作，如敲击、滑动、旋转等，这些数据可用于开发和验证手势识别算法，尤其是在复杂环境下的鲁棒性。

解决学术问题

该数据集解决了毫米波雷达手势识别中的多个关键学术问题，包括在不同距离和遮挡条件下的手势识别精度问题。通过提供大量的手势数据和多种环境下的实验结果，研究人员可以深入探讨如何提高手势识别的准确性和鲁棒性。此外，数据集还包含了意外动作的数据，这有助于研究如何减少误识别，提升系统的可靠性。

实际应用

mmWave-gesture-dataset 数据集在实际应用中具有广泛的前景，特别是在智能家居、人机交互和自动驾驶等领域。例如，在智能家居中，用户可以通过简单的手势控制家电，提升用户体验；在自动驾驶中，驾驶员可以通过手势与车载系统进行交互，减少对物理按钮的依赖，提高行车安全性。此外，该数据集还可用于开发医疗辅助设备，帮助行动不便的患者进行远程控制。

数据集最近研究

最新研究方向

在毫米波（mmWave）手势识别领域，mmWave-gesture-dataset因其丰富的数据多样性和广泛的应用场景而备受关注。该数据集不仅涵盖了短距离和长距离的手势数据，还包含了多种类型的信号数据，如原始信号、距离多普勒图像和点云数据，为研究者提供了多维度的分析可能性。当前的研究方向主要集中在利用深度学习技术对手势数据进行精准分类和识别，尤其是在复杂环境下的鲁棒性研究。此外，数据集中的遮挡实验数据为研究手势识别在实际应用中的抗干扰能力提供了重要参考，推动了毫米波技术在智能家居、自动驾驶等领域的应用研究。