smartwatch inertial data dataset

本研究创建了一个包含10名参与者在半控制条件下进行饮食的智能手表惯性数据数据集，共记录了342次咬合事件。数据集包含了智能手表（华为Watch 2） worn on the dominant wrist收集的同步加速度计和陀螺仪信号，以及通过蓝牙启用的小菜盘秤测量的地面真实咬合重量。该数据集用于评估提出的咬合重量估计方法，该方法结合了从微运动分类模型中提取的行为特征和惯性信号的统计特征，以估计每次咬合的重量。This study created a smartwatch-based inertial dataset for eating tasks conducted by 10 participants under semi-controlled conditions, with a total of 342 masticatory events recorded. The dataset includes synchronized accelerometer and gyroscope signals collected by a Huawei Watch 2 worn on the participants' dominant wrists, alongside ground-truth masticatory weight measurements acquired via a Bluetooth-enabled small plate scale. This dataset is employed to evaluate the proposed masticatory weight estimation method, which combines behavioral features extracted from a micro-movement classification model and statistical features of inertial signals to estimate the weight of each single chewing event.

搜集汇总

数据集介绍

构建方式

本数据集的构建方式涉及从十名参与者在半控制条件下进行进食的同步智能手表惯性信号和智能秤重量测量中收集数据。每个咬合事件通过视频分析手动标注，并与IMU记录和相应的重量测量同步，从而构建出一个包含342个咬合事件的公开数据集。

特点

该数据集的特点在于，它包含了从商业智能手表收集的惯性测量单元(IMU)数据，这些数据通过手动标注的咬合事件起始和结束时间进行标记，并伴有相应的重量测量。数据集利用了行为特征和统计特征，能够为支持向量回归(SVR)模型提供输入，以估计咬合重量。

使用方法

使用该数据集时，研究者可以采用留一法(LOSO CV)进行模型评估。数据集提供了行为特征和统计特征，这些特征可以作为SVR模型的输入，以估计每个咬合的重量。此外，数据集还包含了一个基线模型，用于比较不同方法的性能改进。

背景与挑战

背景概述

智能手表惯性数据集（smartwatch inertial data dataset）是一项针对饮食行为监测的研究成果，由Ioannis Levi等研究人员在2025年的论文《Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches》中提出。该数据集旨在通过商业智能手表收集的惯性信号，估计食物摄入量，对于管理肥胖和饮食失调如暴食症等具有重要意义。研究背景包括现有方法的局限性，如依赖专业传感器和手动报告的准确性问题。该数据集的创建，为开发无创、易于使用的饮食监测系统奠定了基础。

当前挑战

研究面临的挑战主要包括：1) 解决领域问题，即如何仅通过智能手表的惯性信号准确估计每一口的重量；2) 构建过程中的挑战，如如何处理和特征化惯性信号，以及如何选择和训练回归模型。具体挑战包括信号预处理、特征工程、模型选择和性能评估等方面。

常用场景

经典使用场景

该smartwatch inertial data dataset在估计食物摄入量的研究中具有经典的应用场景。通过捕捉商业智能手表中的惯性信号，该数据集能够对个体的每次咬食进行精确的时间标注和重量估计，从而为研究饮食习惯、监测肥胖和饮食障碍等提供了可靠的数据支持。

实际应用

在实际应用中，该数据集可以应用于健康管理、疾病预防等领域。例如，通过智能手表监测用户的饮食习惯，可以帮助营养师制定个性化的饮食计划，或者用于监测肥胖和饮食障碍患者的饮食习惯，以评估治疗效果。

衍生相关工作

该数据集衍生了多项相关工作，如基于智能手表数据的饮食习惯分类、食物摄入量的自动监测等。这些研究不仅拓展了数据集的应用范围，也为智能健康监测领域的发展提供了新的思路和方法。