FallingDetection-CeleX|摔倒检测数据集|隐私保护数据集

FallingDetection-CeleX数据集是由新加坡南洋理工大学电气与电子工程学院、中国科学院微电子研究所和浙江大学城市学院计算机科学与计算学院合作创建的。该数据集使用高分辨率CeleX-V事件相机收集，包含51名参与者表演7种不同动作的875个记录，其中包括三种类型的摔倒。数据集特别适用于隐私敏感的应用，如家中浴室的摔倒检测。

AI搜集汇总

数据集介绍

构建方式

FallingDetection-CeleX数据集是通过高分辨率CeleX-V事件相机（1280×800像素）采集构建的，专为隐私保护的人类动作识别任务设计。该数据集包含51名受试者执行7种不同动作的875段记录，其中涵盖了三种跌倒动作。数据采集过程中，每个动作从三个不同视角（正面、背面和侧面）进行重复录制，以确保动作序列的多样性和全面性。通过事件相机的特性，仅捕捉动态运动的轮廓，避免了静态背景和可识别特征的记录，从而有效保护了用户隐私。

特点

FallingDetection-CeleX数据集以其高分辨率和隐私保护特性脱颖而出。相比于传统的DVS128和DAVIS346传感器，CeleX-V事件相机提供了更高的空间分辨率（1280×800像素），能够捕捉更丰富的动作细节。数据集涵盖了7种动作类型，特别关注了跌倒检测这一隐私敏感场景，填补了现有数据集的空白。此外，多视角录制和多样化的动作设计增强了数据集的泛化能力，使其成为研究事件相机与脉冲神经网络结合的理想选择。

使用方法

该数据集适用于人类动作识别和跌倒检测两类任务。在使用时，研究人员可以将事件数据通过事件到帧的集成技术转换为两通道视频，保留动态动作信息的同时剔除静态背景。数据已预先划分为训练集（581段）和测试集（294段），支持端到端的模型训练与评估。针对长时序信息处理，可采用分段策略（如TS-SNN）或3D卷积组件（如3D-SNN）来提升模型性能。实验表明，这两种方法在该数据集上均能达到领先的识别准确率。

背景与挑战

背景概述

FallingDetection-CeleX数据集是由南洋理工大学、中国科学院微电子研究所和浙江大学城市学院的研究团队于2025年创建的，旨在推动基于事件相机的人类动作识别（HAR）研究。该数据集采用高分辨率CeleX-V事件相机（1280×800像素）采集，包含51名受试者执行7种不同动作的875段记录，特别关注跌倒检测等隐私敏感场景。作为首个专注于隐私保护的实时动作识别数据集，其创新性地结合了脉冲神经网络（SNNs）与事件相机的优势，为解决传统视频监控中的隐私泄露问题提供了新的技术路径，显著推动了智能监护、医疗健康等领域的发展。

当前挑战

该数据集面临的核心挑战体现在两个维度：在领域问题层面，传统基于视频的HAR系统难以平衡识别精度与隐私保护，而事件相机仅捕捉动态轮廓的特性导致动作特征提取困难；在构建过程层面，高分辨率事件数据的实时处理对算法效率提出严峻考验，且多视角跌倒动作的标注需要复杂的时空对齐。此外，脉冲神经网络处理长时序信息的能力不足，导致对连续动作的识别准确率受限，这成为制约模型性能的关键瓶颈。

常用场景

经典使用场景

FallingDetection-CeleX数据集在隐私保护的人体动作识别研究中展现了其独特价值。该数据集通过高分辨率事件相机CeleX-V捕捉的7类动作数据，为基于脉冲神经网络（SNN）的算法开发提供了理想测试平台。其最经典的应用场景在于验证新型SNN架构对长时序动作的识别能力，特别是针对跌倒检测这类需要长时间跨度分析的动作类别。数据集的多视角采集特性使得算法能够在复杂视角变化下保持鲁棒性，为事件相机与SNN的协同研究建立了标准化评估基准。

实际应用

在实际应用层面，FallingDetection-CeleX直接服务于智能监护系统的开发。其捕捉的跌倒动作数据可部署于养老院、医院等隐私敏感场所，通过事件相机仅记录运动轮廓的特性，既保障个人隐私又实现精准异常检测。相比传统RGB监控，该系统功耗降低90%以上，在CeleX-V相机的1280×800高分辨率支持下，能识别从站立跌倒、起身时跌倒等细微动作差异，为银发社会的安全监护提供了符合伦理的技术方案。

衍生相关工作

该数据集催生了多项里程碑式研究，包括获得CVPR最佳论文提名的TS-SNN框架，其通过时间分段策略将长动作分解为短时序分析；以及3D-SNN架构通过三维卷积核同时提取时空特征，在DailyAction等数据集上达到99.4%的识别准确率。后续工作如EventTransformer等均以该数据集为基准，推动了脉冲神经网络在动作分割、多模态融合等方向的演进，形成了一套完整的生物启发式视觉计算方法体系。