Daily & Sports Activity

该数据集包含19种不同活动，由8名年龄在20至30岁之间的男女参与者执行，每项活动持续5分钟。数据被分割成5秒的段，每项活动共有480个信号段。活动包括坐、站、躺、上下楼梯、电梯内静止和移动、停车场步行、跑步机上步行和跑步、使用健身器材等。数据集的文件结构详细，包括活动、参与者、段和传感器位置。

This dataset encompasses 19 distinct activities performed by 8 participants, both male and female, aged between 20 and 30 years. Each activity was conducted for a duration of 5 minutes. The data is segmented into 5-second intervals, resulting in a total of 480 signal segments per activity. The activities include sitting, standing, lying down, ascending and descending stairs, being stationary and moving within an elevator, walking in a parking lot, walking and running on a treadmill, and using fitness equipment. The dataset's file structure is detailed, including information on activities, participants, segments, and sensor locations.

原始信息汇总

数据集概述

数据集名称

Daily & Sports Activity Dataset

数据集来源

Kaggle

数据集描述

该数据集包含19种日常和体育活动的记录，由8名年龄在20至30岁之间的受试者（4名女性，4名男性）执行，每种活动持续5分钟。每个活动的5分钟信号被分割成5秒的段，因此每种活动共有480个信号段。

活动列表

1. 坐 (A1)
2. 站立 (A2)
3. 仰卧和右侧卧 (A3 和 A4)
4. 上楼梯和下楼梯 (A5 和 A6)
5. 电梯内静止站立 (A7)
6. 电梯内移动 (A8)
7. 停车场内行走 (A9)
8. 跑步机上以4公里/小时速度行走（平地和15度倾斜）(A10 和 A11)
9. 跑步机上以8公里/小时速度跑步 (A12)
10. 踏步机上运动 (A13)
11. 交叉训练机上运动 (A14)
12. 自行车上水平和垂直位置骑行 (A15 和 A16)
13. 划船 (A17)
14. 跳跃 (A18)
15. 打篮球 (A19)

文件结构

• 19个活动文件夹（a01, a02, ..., a19）
• 每个活动文件夹内有8个子文件夹（p1, p2, ..., p8），对应8个受试者
• 每个子文件夹内有60个文本文件（s01, s02, ..., s60），对应每个活动的60个信号段

传感器配置

• 5个身体部位（躯干(T)、右臂(RA)、左臂(LA)、右腿(RL)、左腿(LL)）
• 每个部位安装9个传感器（x,y,z 加速度计、x,y,z 陀螺仪、x,y,z 磁力计）

搜集汇总

数据集介绍

构建方式

该数据集通过记录19种日常和体育活动，由8名受试者（4名女性和4名男性，年龄在20至30岁之间）在5分钟内完成。每种活动的5分钟信号被分割成5秒的片段，从而每种活动获得480个信号片段。这些活动包括坐、站、躺、上下楼梯、电梯内静止和移动、停车场步行、跑步机上步行和跑步、踏步机和交叉训练机上的锻炼、自行车骑行、划船、跳跃和打篮球等。数据集的文件结构按照活动、受试者、片段和传感器单元进行组织，每个片段包含9个传感器数据（加速度计、陀螺仪和磁力计）。

特点

该数据集的显著特点在于其多样的活动类型和高频率的信号采集，涵盖了日常和体育活动的广泛范围。每种活动由多个受试者重复进行，确保了数据的多样性和代表性。此外，数据集的结构化文件组织方式便于数据检索和处理，适合用于机器学习算法的训练和验证。

使用方法

使用该数据集时，用户可以按照活动类型、受试者和信号片段进行数据提取。首先，根据研究需求选择特定的活动和受试者，然后加载相应的信号片段数据。数据预处理步骤包括信号标准化、降噪和特征提取。随后，可以使用无监督学习算法如DBSCAN、K-Means和谱聚类进行活动检测和分类。通过调整算法的超参数，如DBSCAN的eps和min_samples，或K-Means的簇数K，可以优化模型的性能。最终，通过评估指标如精度、召回率和F1分数来验证模型的有效性。

背景与挑战

背景概述

Daily & Sports Activity数据集由19种日常和体育活动组成，涵盖了从坐下、站立到跑步和篮球等多种动作。该数据集由八名年龄在20至30岁之间的受试者参与，每种活动持续5分钟，并被分割为5秒的片段，共计480个信号片段。数据集的核心研究问题在于通过无监督学习算法，如DBSCAN、K-Means和Spectral Clustering，进行活动检测。该数据集的创建旨在推动活动识别领域的研究，特别是在无需预先定义活动类别的情况下，利用密度聚类和谱聚类等技术进行活动分类。

当前挑战

Daily & Sports Activity数据集在构建和应用过程中面临多项挑战。首先，数据集的多样性和复杂性使得活动检测成为一个难题，尤其是当活动之间存在相似性时。其次，无监督学习算法如DBSCAN和Spectral Clustering在处理高维数据时表现不佳，且对参数设置敏感，如DBSCAN的eps和min_samples参数。此外，K-Means算法在初始聚类中心的选择上存在随机性，可能导致不同的聚类结果。最后，数据集的分割和传感器数据的处理增加了数据预处理的复杂性，要求研究人员在特征提取和数据标准化方面进行深入探索。

常用场景

经典使用场景

Daily & Sports Activity数据集的经典使用场景主要集中在人体活动识别领域。通过分析从不同身体部位收集的传感器数据，研究人员可以识别和分类19种日常和体育活动，如坐、站、行走、跑步和骑自行车等。这些数据为开发和验证基于传感器的人体活动识别算法提供了宝贵的资源，特别是在无监督学习算法如DBSCAN、K-Means和Spectral Clustering的应用中。

实际应用

Daily & Sports Activity数据集在实际应用中具有广泛的前景。例如，它可以用于开发智能穿戴设备，实时监测用户的日常活动和健康状况；也可以应用于智能家居系统，自动识别和响应用户的活动模式；此外，它还可以为体育训练和康复治疗提供数据支持，帮助教练和医生制定个性化的训练和康复计划。

衍生相关工作

基于Daily & Sports Activity数据集，已经衍生出多项经典工作。例如，研究人员利用该数据集开发了多种活动识别算法，包括基于深度学习的模型和传统的机器学习方法。此外，该数据集还被用于验证新型传感器技术的有效性，以及探索多传感器融合在活动识别中的应用。这些研究不仅推动了人体活动识别技术的发展，也为相关领域的实际应用提供了技术支持。