Microaction-52 (MA-52)

Microaction-52 (MA-52) 数据集是由合肥工业大学计算机科学与信息工程学院的研究团队创建，专注于微动作识别。该数据集通过专业的心理访谈收集了205名参与者的全身微动作视频数据，共包含22,422个视频实例，涵盖52种微动作类别和7种身体部位标签。数据集旨在揭示日常生活中的微动作线索，对于情感识别和心理评估等人性化应用具有重要价值。创建过程中，参与者在心理访谈中自然表达其真实思想、情感和意图，确保了数据的真实性和自然性。MA-52数据集的应用领域包括情感分析、人类行为研究等，旨在解决微动作识别中的细微差异和长尾分布问题。

The Microaction-52 (MA-52) dataset was created by a research team from the School of Computer Science and Information Engineering of Hefei University of Technology, focusing on microaction recognition. This dataset collects full-body microaction video data from 205 participants via professional psychological interviews, containing a total of 22,422 video instances, covering 52 microaction categories and 7 body part labels. The dataset aims to reveal microaction cues in daily life, and holds significant value for human-centric applications such as emotion recognition and psychological assessment. During its creation, participants naturally expressed their genuine thoughts, emotions and intentions during the psychological interviews, ensuring the authenticity and naturalness of the data. The application fields of the MA-52 dataset include sentiment analysis, human behavior research and other areas, which aims to address the issues of subtle differences and long-tail distribution in microaction recognition.

搜集汇总

数据集介绍

构建方式

在微动作识别这一新兴研究领域，数据采集面临动作强度低、难以察觉的挑战。Microaction-52（MA-52）数据集通过创新的专业心理访谈方案构建，以获取真实、自发的微动作。研究团队招募了205名参与者，在坐姿访谈环境下，由专业咨询师依据SCL-90心理评估结果进行引导性提问，从而诱发参与者自然流露的细微肢体行为。整个访谈过程使用高清摄像机（1920×1080分辨率）从全身视角进行记录，捕捉包括头部、上肢、下肢以及肢体间交互在内的完整动作线索。数据标注采用三级监督流程，由志愿者独立标注、交叉核对，并由第三方团队最终审核，确保了52个微动作类别及7个身体部位标签的标注质量。

特点

MA-52数据集在微动作研究领域展现出多维度显著特点。其核心优势在于规模与完整性，包含22,422个视频实例，覆盖52个精细动作类别，是目前规模最大的全身微动作数据集。数据采集方法独具匠心，基于专业心理访谈，确保了动作的真实性与自发性，有效避免了表演式或受控环境下的数据偏差。尤为突出的是，数据集突破了以往研究多集中于上半身的局限，系统纳入了丰富的下肢微动作（如抖腿、跷腿、踮脚等），为理解坐姿下的完整行为模式提供了关键数据。此外，数据集参与者 demographics 较为均衡，涵盖了不同性别与年龄层，并采用粗粒度（身体部位）与细粒度（具体动作）两级标注体系，为多层次分析提供了结构化基础。

使用方法

该数据集主要服务于视频基础的微动作识别任务。研究者可将视频序列作为模型输入，目标是对其中包含的微动作进行分类。数据集已按2:1:1的比例划分为训练集、验证集和测试集，便于进行模型训练与性能评估。基准方法Micro-Action Network (MANet) 提供了参考范式，其通过将Squeeze-and-Excitation模块与Temporal Shift Module集成到ResNet主干网络中，以建模微动作的时空特性，并设计了联合嵌入损失来约束视频特征与动作标签之间的语义距离，以更好地区分视觉相似但语义不同的动作类别。此外，该数据集还可扩展用于情感分析等下游任务，通过识别微动作线索来推断个体的情绪状态，体现了其在以人为本的应用中的潜在价值。

背景与挑战

背景概述

微动作作为一种难以察觉的非言语行为，以其低强度的运动特征揭示了人类内在情感与意图，在情感计算与心理评估等以人为本的应用中具有重要价值。为推进该领域研究，合肥工业大学等机构的研究团队于2024年创新性地构建了Microaction-52（MA-52）数据集。该数据集通过专业心理访谈范式，采集了205名参与者在自然状态下产生的22,422个视频实例，涵盖52类精细的全身微动作，包括手势、上下肢运动及多部位交互行为。MA-52的创立旨在为微动作识别提供大规模、高质量的研究基准，其独特的访谈式数据收集方法确保了行为的自发性和真实性，显著推动了基于计算机视觉的人类细微行为分析领域的发展。

当前挑战

微动作识别任务面临多重挑战。在领域问题层面，微动作因其运动幅度微小、持续时间短暂，导致视觉变化极其细微，难以被准确检测与区分。类别间的高度相似性，例如‘抬头’与‘点头’的差异，对模型的判别能力提出了苛刻要求。同时，数据固有的长尾分布特性使得模型在样本稀少的类别上泛化能力受限。在数据集构建过程中，挑战主要集中于如何有效诱发并捕捉真实自然的微动作。研究团队通过结合SCL-90心理量表与开放式访谈，在确保参与者舒适的前提下引导其自发行为。此外，对全身尤其是下肢微动作的全面记录、以及对海量视频数据进行精细的两级（粗粒度身体部位与细粒度动作类别）标注，均构成了构建过程中的核心难点。

常用场景

经典使用场景

在微动作识别领域，MA-52数据集通过专业心理访谈方式收集了涵盖全身52类微动作的22,422个视频实例，为研究者提供了丰富且真实的微动作样本。该数据集最经典的使用场景在于作为基准测试平台，用于评估和比较各类动作识别算法在微动作任务上的性能。其独特的坐姿访谈设计使得下肢微动作得以充分捕捉，为全面理解人体细微行为提供了关键数据支撑。

衍生相关工作

基于MA-52数据集，研究者提出了微动作网络（MANet），该网络融合了挤压激励模块与时序移位模块以增强时空特征建模能力。相关工作进一步扩展至情感分析任务，构建了MA-52-Pro数据集并设计了双分支网络架构，实现了微动作与情感的联合识别。这些衍生工作不仅验证了数据集的实用价值，也推动了复合微动作识别、多模态微动作分析等新兴研究方向的发展。

数据集最近研究

最新研究方向

在微动作识别领域，MA-52数据集的推出标志着研究重心正从传统的粗粒度动作分析转向对细微、自发非言语行为的精细化捕捉与理解。该数据集通过专业心理访谈采集的全身视角微动作，为情感计算与心理评估提供了前所未有的数据基础，推动了多模态行为分析的前沿探索。当前研究热点聚焦于利用时序建模与语义嵌入技术，如MANet网络所整合的SE与TSM模块，以区分视觉相似但语义相异的微动作类别，从而提升情感状态识别的准确性。这一进展不仅深化了计算机对人类内在精神状态的感知能力，也为智能医疗、人机交互等应用场景开辟了新的技术路径，彰显了微动作分析在揭示个体真实意图与情绪方面的深远意义。

相关研究论文

• Benchmarking Micro-action Recognition: Dataset, Methods, and Applications

  合肥工业大学计算机科学与信息工程学院 · 2024年