aai530-group6/pmdata|体育数据分析数据集|健康监测数据集

PMData数据集旨在将传统的生活日志与运动活动日志相结合，以开发多种分析应用程序，例如利用额外的运动数据预测和分析日常发展（如体重和睡眠模式），以及利用传统生活日志数据在运动背景下预测运动员的表现。数据集通过Fitbit Versa 2智能手表、PMSys运动日志应用和Google表单收集了16个人5个月的日志数据。数据集结构包括每个参与者的文件夹，包含Fitbit、Google Docs和PMSys三个子文件夹，分别存储了不同的健康和生活数据。此外，还包含了食物图片的压缩文件。

原始信息汇总

PMData 数据集

数据集概述

PMData 数据集旨在结合传统的生命日志和体育活动日志。该数据集支持开发多种有趣的分析应用，例如，可以使用额外的体育数据来预测和分析日常发展，如个人的体重和睡眠模式，以及在体育环境中使用传统的生命日志数据来预测运动员的表现。数据集使用了 Fitbit Versa 2 智能手表腕带、PMSys 体育日志应用和 Google 表单进行数据收集，包含了 16 名参与者 5 个月的数据。初步实验表明，这些分析是可能的，但仍有很大的改进空间。

数据集结构

数据集的主文件夹结构如下：

text [主文件夹] ├── p01 ├── p02 ├── ... ├── p16 └── participant-overview.xlsx

每个参与者的文件夹（pXX）包含以下内容：

• fitbit [文件夹]

  • calories.json：显示上一分钟燃烧的卡路里数量。
  • distance.json：每分钟移动的距离，单位为厘米。
  • exercise.json：详细描述每次活动，包含日期、开始和结束时间、不同活动水平的时间、活动类型和各种性能指标（根据活动类型不同而异）。
  • heart_rate.json：在给定时间的心跳次数（每分钟）。
  • lightly_active_minutes.json：汇总每天的轻度活动分钟数。
  • moderately_active_minutes.json：汇总每天的中度活动分钟数。
  • resting_heart_rate.json：每天的静息心率。
  • sedentary_minutes.json：汇总每天的静坐分钟数。
  • sleep_score.csv：帮助理解每晚的睡眠情况，包含一个0-100的总体评分，由组成、恢复和持续时间评分、深度睡眠分钟数、静息心率和不安分评分组成。
  • sleep.json：每次睡眠的分解，包括浅睡、深度睡眠、REM睡眠和清醒时间。
  • steps.json：每分钟的步数。
  • time_in_heart_rate_zones.json：不同心率区间的分钟数。
  • very_active_minutes.json：汇总每天的高度活动分钟数。

• googledocs [文件夹]

  • reporting.csv：每条记录包含报告日期、提交时间、餐食（早餐、午餐、晚餐和晚餐）、当天体重、饮水杯数和是否饮酒。

• pmsys [文件夹]

  • injury.csv：显示受伤的时间和日期、受伤部位和轻微及严重程度。
  • srpe.csv：包含训练会话的结束时间、活动类型、感知努力（RPE）和持续时间（分钟）。
  • wellness.csv：包含时间、日期、疲劳、情绪、准备情况、睡眠时长、睡眠质量、酸痛（及酸痛部位）和压力。

• food-images.zip：参与者1、3和5在2个月（2月和3月）内拍摄的所有食物（除水外）的照片。照片包含在.zip文件中，图像头部包含日期和时间信息。

使用条款

PMData 数据集的许可证为 Attribution-NonCommercial 4.0 International。更多信息请参见：https://creativecommons.org/licenses/by-nc/4.0/legalcode

引用

bibtex @inproceedings{10.1145/3339825.3394926, address = {New York, NY, USA}, author = {Thambawita, Vajira and Hicks, Steven Alexander and Borgli, Hanna and Stensland, H {a}kon Kvale and Jha, Debesh and Svensen, Martin Kristoffer and Pettersen, Svein-Arne and Johansen, Dag and Johansen, H {a}vard Dagenborg and Pettersen, Susann Dahl and Nordvang, Simon and Pedersen, Sigurd and Gjerdrum, Anders and Gro{}nli, Tor-Morten and Fredriksen, Per Morten and Eg, Ragnhild and Hansen, Kjeld and Fagernes, Siri and Claudi, Christine and Bio{}rn-Hansen, Andreas and Nguyen, Duc Tien Dang and Kupka, Tomas and Hammer, Hugo Lewi and Jain, Ramesh and Riegler, Michael Alexander and Halvorsen, P {a}l}, booktitle = {Proceedings of the 11th ACM Multimedia Systems Conference}, doi = {10.1145/3339825.3394926}, isbn = {9781450368452}, keywords = {sports logging, questionnaires, food pictures, neural networks, multimedia dataset, sensor data, machine learning}, location = {Istanbul, Turkey}, numpages = {6}, pages = {231-236}, publisher = {Association for Computing Machinery}, series = {MMSys 20}, title = {PMData: A Sports Logging Dataset}, url = {https://doi.org/10.1145/3339825.3394926}, year = {2020}, }

AI搜集汇总

数据集介绍

构建方式

PMData数据集的构建结合了传统生活日志与运动活动日志，旨在为健康与运动分析提供多维度的数据支持。数据采集过程中，研究团队采用了Fitbit Versa 2智能手表、PMSys运动日志应用以及Google表单等多种工具，历时五个月，收集了16名参与者的详细日志数据。这些数据涵盖了从日常活动到运动表现的多个方面，为后续的分析与应用奠定了坚实的基础。

特点

PMData数据集的特点在于其丰富的数据类型与多维度的信息整合。数据集不仅包含了心率、步数、卡路里消耗等基础生理指标，还涵盖了睡眠质量、运动强度、饮食记录等更为细致的健康数据。此外，数据集还引入了运动损伤、训练负荷等专业运动数据，为研究者提供了全面的分析视角。通过结合传统生活日志与运动日志，PMData能够支持从日常健康管理到运动表现预测的多种应用场景。

使用方法

PMData数据集的使用方法灵活多样，适用于多种健康与运动相关的研究与应用。研究者可以通过分析数据集中的生理指标与运动数据，探索个体健康状态与运动表现之间的关系。此外，数据集中的饮食记录与睡眠数据可用于研究生活习惯对健康的影响。对于机器学习与数据分析领域的研究者，PMData提供了丰富的特征数据，可用于构建预测模型或进行数据挖掘。使用该数据集时，需遵循CC BY-NC 4.0许可协议，确保非商业用途。

背景与挑战

背景概述

PMData数据集由Vajira Thambawita等研究人员于2020年创建，旨在将传统的生活日志记录与运动活动日志记录相结合。该数据集通过Fitbit Versa 2智能手表、PMSys运动日志应用和Google表单收集了16名参与者5个月的数据，涵盖了卡路里消耗、心率、睡眠质量、运动表现等多个维度。PMData的发布为开发分析应用程序提供了丰富的数据基础，特别是在预测和分析个人体重、睡眠模式以及运动员表现等方面具有重要应用价值。该数据集的研究成果发表于ACM多媒体系统会议，推动了健康监测与运动科学领域的交叉研究。

当前挑战

PMData数据集在解决健康监测与运动表现预测问题时面临多重挑战。首先，数据的高维度与异构性使得特征提取与模型训练变得复杂，尤其是在整合不同来源的数据时，如何有效融合时间序列数据与静态数据成为关键问题。其次，数据收集过程中存在参与者依从性问题，部分数据的缺失或不完整可能影响模型的泛化能力。此外，隐私保护与数据安全也是构建过程中不可忽视的挑战，如何在确保数据可用性的同时保护参与者隐私仍需进一步探索。最后，数据集的规模相对较小，可能限制了深度学习模型的性能，未来需要更大规模的数据集以提升模型的预测精度与鲁棒性。

常用场景

经典使用场景

PMData数据集在健康监测和运动分析领域具有广泛的应用。通过整合传统的生活日志和运动活动日志，该数据集为研究人员提供了一个多维度的视角，用于分析个体的日常行为和运动表现。例如，研究人员可以利用该数据集中的心率、步数和睡眠数据，深入探讨运动对体重和睡眠模式的影响，从而为个性化健康管理提供科学依据。

实际应用

在实际应用中，PMData数据集为健康管理和运动训练提供了有力的数据支持。例如，健身教练可以利用该数据集中的运动数据和健康指标，为会员制定个性化的训练计划。同时，医疗机构也可以利用该数据集中的睡眠和心率数据，评估患者的健康状况，并提供针对性的健康建议。这些应用不仅提高了健康管理的效率，还为个体健康提供了科学保障。

衍生相关工作

PMData数据集衍生了一系列相关研究，推动了健康监测和运动分析领域的发展。例如，基于该数据集的研究成果，研究人员开发了多种机器学习模型，用于预测运动员的表现和健康状况。此外，该数据集还为健康管理系统的开发提供了数据支持，推动了智能健康监测技术的发展。这些衍生工作不仅丰富了该领域的研究内容，还为实际应用提供了科学依据。