Human Posture Dataset

该数据集包含从Invensense的MEMS IMU传感器MPU-6050收集的加速度计传感器值，用于识别人类的6种姿势：站立、坐着、睡觉、跑步、向前弯曲和向后弯曲。数据集以单个csv文件形式存在，大小为3.2MB，包含44800个样本，每个样本有6列数据，分别来自胸部和腿部的传感器。This dataset comprises accelerometer sensor values collected from the MPU-6050, a MEMS IMU sensor by Invensense, aimed at identifying six human postures: standing, sitting, sleeping, running, forward bending, and backward bending. The dataset is presented in a single CSV file, with a size of 3.2MB, containing 44,800 samples. Each sample consists of six columns of data, sourced from sensors located on the chest and legs.

原始信息汇总

数据集概述

数据集名称

• 名称: Accelerometer sensor dataset for Human Posture Recognition

数据集内容

• 传感器类型: Invensenses MEMS IMU sensor MPU-6050
• 安装位置: 左胸和右大腿各一个
• 包含姿势: 站立、坐、睡、跑、前屈、后屈
• 数据格式: 单个csv文件，大小3.2MB
• 数据样本总数: 44800
• 数据列数: 6列（Ax1, Ay1, Az1, Ax2, Ay2, Az2）+ 1列标签
• 标签对应姿势:

  标签	姿势
  0	睡
  1	站立
  2	坐
  3	跑
  4	前屈
  5	后屈

数据收集

• 收集时间: 2018年春季
• 收集地点: College of Engineering, Pune
• 参与者: 3名学生
• 数据收集设备: NodeMCU（ESP8266）
• 数据传输方式: HTTP over TCP/IP
• 采样间隔: 200ms

数据特点

• 未校准或过滤: 包含原始噪声
• 姿势样本数:

  姿势	样本数
  睡	8329
  站立	8358
  坐	7542
  跑	3617
  前屈	11504
  后屈	5450

使用建议

• 数据混洗: 建议对单一姿势的数据进行混洗以增强分类器的鲁棒性
• 数据不均等: 不同姿势和不同参与者的样本数不等，已去除异常值，保证参与者舒适度

数据下载

• 下载链接: 点击下载

引用信息

• 引用文献: H. Kale, P. Mandke, H. Mahajan and V. Deshpande, "Human Posture Recognition using Artificial Neural Networks," 2018 IEEE 8th International Advance Computing Conference (IACC), Greater Noida, India, 2018, pp. 272-278.

• 引用格式:

  @INPROCEEDINGS{8692143, author={H. {Kale} and P. {Mandke} and H. {Mahajan} and V. {Deshpande}}, booktitle={2018 IEEE 8th International Advance Computing Conference (IACC)}, title={Human Posture Recognition using Artificial Neural Networks}, year={2018}, volume={}, number={}, pages={272-278}, doi={10.1109/IADCC.2018.8692143}, ISSN={2164-8263}, month={Dec}, }

搜集汇总

数据集介绍

构建方式

在2018年春季，位于印度普纳工程学院的研究团队通过使用Invensense的MEMS IMU传感器MPU-6050，分别安装在受试者的左胸和右大腿上，采集了六种不同姿势（站立、坐下、睡眠、跑步、前倾和后倾）的加速度计数据。数据采集过程中，研究团队设计了一个小型PCB板，将MPU-6050与基于Espressif ESP8266的NodeMCU连接，并通过无线传输将数据发送到中央节点。数据以200毫秒的间隔采样，并通过HTTP协议传输。为了确保数据的多样性和鲁棒性，受试者在静态姿势中加入了轻微的自然运动，而在动态姿势中则进行了特定的动作，如在跑步时原地慢跑。

特点

该数据集具有显著的特点，包括多样化的姿势类别和多传感器数据采集。数据集涵盖了六种常见的人体姿势，每种姿势的样本数量不同，反映了实际采集过程中的自然差异。此外，数据集包含来自两个不同位置（胸部和腿部）的传感器数据，提供了多维度的运动信息。值得注意的是，数据未经过滤和校准，保留了原始噪声，这为研究者提供了更真实的数据环境。

使用方法

使用该数据集时，研究者可以利用其丰富的多传感器数据进行人体姿势识别模型的训练和验证。建议在使用前对数据进行随机化处理，以增强模型的鲁棒性。数据集的CSV文件格式便于导入和处理，且每条记录包含六个加速度计读数和一个标签，指示相应的姿势类别。研究者可以根据需要提取特定姿势或传感器的数据，进行深入分析和模型构建。此外，数据集的构建方法和采集细节为研究者提供了宝贵的背景信息，有助于更好地理解和应用数据。

背景与挑战

背景概述

在人体姿态识别领域，准确捕捉和分析人体运动状态对于健康监测和行为分析具有重要意义。Human Posture Dataset由印度普纳工程学院（College of Engineering, Pune）的研究团队于2018年春季创建，主要研究人员包括Prathamesh Mandke、Hrishikesh Kale、Hrishikesh Mahajan和Vedant Deshpande。该数据集的核心研究问题是通过加速度传感器数据识别六种基本人体姿态，包括站立、坐下、睡眠、跑步、前倾和后倾。这一研究不仅推动了人体姿态识别技术的发展，还为健康监测和行为分析提供了宝贵的数据资源。

当前挑战

Human Posture Dataset在构建过程中面临多项挑战。首先，数据收集涉及多传感器同步问题，确保传感器在胸部和大腿的准确位置对数据质量至关重要。其次，不同姿态的数据样本数量不均衡，这可能导致模型训练时的偏差。此外，数据未经过滤和校准，包含原始噪声，增加了数据处理的复杂性。最后，由于数据来自少数受试者，样本多样性有限，可能影响模型的泛化能力。这些挑战需要在数据预处理和模型设计中得到有效解决，以提升姿态识别的准确性和鲁棒性。

常用场景

经典使用场景

在人体姿态识别领域，Human Posture Dataset 提供了一个经典的使用场景，即通过加速度传感器数据来识别和分类六种基本姿态：站立、坐下、睡眠、跑步、前倾和后倾。该数据集通过在人体胸部和腿部安装的MPU-6050传感器，收集了大量的加速度数据，为研究人员提供了一个丰富的数据资源，用于训练和验证姿态识别算法。

衍生相关工作

Human Posture Dataset 的发布激发了大量相关研究工作。例如，基于该数据集，研究人员开发了多种姿态识别算法，包括人工神经网络和支持向量机等。此外，该数据集还被用于验证和改进现有的姿态识别模型，推动了姿态识别技术的标准化和实用化。这些衍生工作不仅丰富了姿态识别领域的研究内容，还为未来的技术发展奠定了坚实的基础。

数据集最近研究

最新研究方向

在人体姿态识别领域，Human Posture Dataset因其丰富的传感器数据和多样的姿态类别而备受关注。最新研究方向主要集中在利用深度学习技术提升姿态识别的准确性和鲁棒性。研究者们通过引入卷积神经网络（CNN）和长短期记忆网络（LSTM）等先进模型，探索如何更有效地从传感器数据中提取特征，以应对复杂环境和多样化姿态的挑战。此外，该数据集还被用于研究个性化姿态识别系统，旨在根据个体差异调整识别模型，从而提高其在实际应用中的适应性和可靠性。这些研究不仅推动了人体姿态识别技术的发展，也为健康监测、运动分析等领域的应用提供了新的可能性。