UniMiB SHAR

UniMiB SHAR数据集是由米兰比可卡大学信息、系统和通信系创建的，旨在通过智能手机加速计数据进行人体活动识别和跌倒检测。该数据集包含11,771个样本，涵盖了30名年龄在18至60岁之间的参与者执行的日常活动和跌倒动作。样本分为17个细粒度类别，分为两个粗粒度类别：一类包含9种日常生活活动（ADL），另一类包含8种类型的跌倒。数据集设计时考虑了选择样本的各种标准，如ADL类型、年龄、性别等。该数据集已被用于评估四种不同的分类器和两种不同的特征向量，旨在为研究人员提供一个用于客观评估ADL识别和跌倒检测技术的基准。The UniMiB SHAR dataset was created by the Department of Information, Systems and Communication of the University of Milan-Bicocca, aiming to conduct human activity recognition and fall detection using smartphone accelerometer data. This dataset contains 11,771 samples, covering daily activities and fall movements performed by 30 participants aged between 18 and 60 years old. The samples are categorized into 17 fine-grained classes, which are further divided into two coarse-grained categories: one consisting of 9 types of activities of daily living (ADL), and the other encompassing 8 types of falls. Various criteria for sample selection were taken into account during the dataset's design, including ADL types, age, gender, and other relevant factors. The dataset has been utilized to evaluate four distinct classifiers and two different feature vectors, with the goal of providing researchers with a benchmark for the objective assessment of ADL recognition and fall detection technologies.

搜集汇总

数据集介绍

构建方式

UniMiB SHAR数据集的构建方式主要体现在数据采集、预处理和标注等方面。数据采集使用了一款三星Galaxy Nexus I9250智能手机，内置Bosh BMA220加速度传感器，采集了30名受试者（24名女性，6名男性，年龄在18至60岁之间）进行9种日常活动和8种跌倒行为的加速度数据。数据预处理包括对加速度信号进行重采样，以获得50Hz的恒定采样率，并使用Butterworth低通滤波器去除重力分量。数据标注包括对每种活动和跌倒行为进行分类，并记录了每个样本的受试者信息。

特点

UniMiB SHAR数据集的特点主要体现在数据规模、多样性和可选择性等方面。该数据集包含11,771个样本，涵盖9种日常活动和8种跌倒行为，数据规模较大。受试者年龄范围广，性别比例均衡，数据多样性高。数据集包含了受试者的年龄、性别、身高、体重等信息，以及每种活动和跌倒行为的详细描述，方便研究者根据特定标准选择样本。

使用方法

UniMiB SHAR数据集的使用方法包括分类任务、特征向量和分类器等方面。分类任务包括区分17种活动类型、9种活动类型、8种跌倒类型以及跌倒与非跌倒。特征向量包括原始数据（453维）和加速度信号幅度（151维）。分类器包括k-最近邻（kNN）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）。研究者可以根据具体任务选择合适的特征向量和分类器进行实验。

背景与挑战

背景概述

随着智能手机、智能手表、健身追踪器等便携式设备的普及，人们越来越依赖这些设备来监测日常活动。机器学习算法通常用于分析这些设备传感器收集的数据，以识别和分类人类活动。然而，这些算法的成功很大程度上取决于可用的训练数据集的质量和多样性。UniMiB SHAR 数据集正是为了解决这一问题而创建的。该数据集由意大利米兰比可卡大学信息、系统和通信系的研究人员 Daniela Micucci、Marco Mobilio 和 Paolo Napoletano 在 2016 年构建，旨在为人类活动识别和跌倒检测提供高质量的加速度数据。数据集包含 11,771 个样本，由 30 位年龄在 18 至 60 岁之间的参与者完成，涵盖了 9 种日常活动和 8 种跌倒类型。该数据集的设计考虑了现有公开数据集的局限性，并提供了丰富的信息，以便研究人员可以根据不同的标准选择样本，例如活动的类型、参与者的年龄、性别等。UniMiB SHAR 数据集的发布为研究人员提供了一个宝贵的资源，用于开发更精确的人类活动识别和跌倒检测算法，从而改善人们的生活质量。

当前挑战

尽管 UniMiB SHAR 数据集提供了丰富的信息，但仍然面临一些挑战。首先，区分不同类型的跌倒比区分不同类型的日常活动更具挑战性。其次，数据集的构建过程中也遇到了一些挑战，例如确保数据的多样性和平衡性，以及选择合适的特征向量和分类器。此外，该数据集的评估结果表明，在区分精细粒度的活动类型时，受试者依赖性评估的表现优于受试者独立性评估。这表明需要进一步研究更鲁棒的特征向量和分类方案，以便更好地处理不同类型的数据和个性化问题。UniMiB SHAR 数据集为研究人员提供了一个重要的起点，但仍有许多工作要做才能开发出更精确和鲁棒的人类活动识别和跌倒检测算法。

常用场景

经典使用场景

UniMiB SHAR 数据集作为人类活动识别和跌倒检测的基准数据集，被广泛应用于评估和比较不同算法的性能。研究者可以利用该数据集进行特征提取、分类器选择和参数优化等实验，从而提高算法的准确性和鲁棒性。此外，UniMiB SHAR 数据集还可以用于研究跌倒检测中的个性化问题，例如，如何利用个体的生理特征和活动模式来提高跌倒检测的准确性。

解决学术问题

UniMiB SHAR 数据集解决了现有公开数据集存在的几个问题。首先，该数据集包含大量样本，且样本来源具有多样性，包括不同年龄、性别和体重的人群，从而克服了现有数据集样本数量不足和样本来源单一的问题。其次，UniMiB SHAR 数据集提供了丰富的标注信息，包括活动类型、跌倒类型、个体特征等，使得研究者可以根据不同的研究目的选择合适的样本子集。最后，UniMiB SHAR 数据集包含了跌倒数据，填补了现有公开数据集缺乏跌倒数据的空白。

衍生相关工作

UniMiB SHAR 数据集的发布促进了相关研究的发展。许多研究者利用 UniMiB SHAR 数据集进行了特征提取、分类器选择和参数优化等实验，并取得了显著的成果。此外，UniMiB SHAR 数据集还启发了研究者开发新的跌倒检测算法和健康监测系统，从而推动了相关技术的发展。