Lab to Wrist

Lab to Wrist数据集是一个多模态同步数据集，收集了来自20位参与者的831次跑步会话数据，代表了超过52,825分钟的活动和10,222.90公里的累计距离。该数据集包括来自消费者智能手表（Garmin 965）、胸部心率带、便携式Cosmed K5代谢系统、每200米进行一次的视频捕捉和血液乳酸测量的数据。数据集的收集旨在支持心率建模和氧气消耗预测，为未来无创代谢区分类奠定了基础。数据集为研究跑步期间的生理反应建模提供了丰富的资源，有助于优化运动表现、预防过度训练和保障运动员健康。The Lab-to-Wrist dataset is a multimodal synchronous dataset. It includes 831 running sessions collected from 20 participants, totaling more than 52,825 minutes of physical activity and a cumulative distance of 10,222.90 kilometers. This dataset comprises data from consumer-grade smartwatches (Garmin 965), chest-worn heart rate straps, the portable Cosmed K5 metabolic system, video capture conducted every 200 meters, and blood lactate measurements. The dataset was collected to support heart rate modeling and oxygen consumption prediction, laying a foundation for future non-invasive metabolic zone classification. It also serves as a rich resource for modeling physiological responses during running, helping optimize athletic performance, prevent overtraining, and safeguard athletes' health.

搜集汇总

数据集介绍

构建方式

Lab to Wrist数据集通过多模态同步数据采集构建，整合了来自消费级可穿戴设备（如Garmin 965智能手表和胸带心率监测器）与实验室级设备（如便携式Cosmed K5代谢分析系统）的生理数据。研究团队设计了结构化实验协议，包括最大能力评估和增量测试两种跑步会话，通过时间同步技术将心率、运动动力学、气体交换参数（VO2、VCO2）和血乳酸测量值对齐至毫秒级精度。数据预处理采用Savitzky-Golay滤波器消除呼吸间变异，并应用特定于领域的特征工程（如步长归一化、垂直振荡标准化）以增强生理可解释性。

特点

该数据集的核心价值在于其高时空分辨率的同步多模态特性，包含超过880小时的跑步活动记录（831次会话）和10,222公里运动距离，涵盖从静息到力竭的全强度范围生理响应。独特之处在于：1）首次实现消费级设备数据与实验室级VO2测量的毫秒级对齐；2）包含黄金标准的血乳酸阈值标注，支持代谢分区研究；3）通过神经卡尔曼滤波架构实现仅需1秒VO2初始数据即可生成完整代谢轨迹的序列预测能力。数据集还捕获了高度训练跑者的个体化生理特征，其HR预测模型在1秒粒度下达到2.81bpm MAE（相关性0.87），VO2预测MAPE为13%。

使用方法

使用该数据集需遵循生理信号处理的特定流程：1）预处理阶段需对原始FIT文件进行60秒非重叠窗口分割，并应用运动学参数标准化；2）模型训练推荐采用留一受试者交叉验证，以评估个体泛化能力；3）VO2预测需加载预训练的神经卡尔曼滤波器，输入维度应包括瞬时心率、步频、垂直振荡比等13项特征；4）对于实时应用场景，可通过初始化窗口的HR-VO2映射关系进行持续代谢监测。研究建议优先采用ODE-based HR模型（128-2架构）作为前端，其生成式预测模式在仅1秒初始化条件下仍能维持12bpm以内的长期HR跟踪误差。

背景与挑战

背景概述

Lab to Wrist数据集由以色列理工学院（Technion Israel Institute of Technology）和海法大学（University of Haifa）的研究团队于2025年提出，旨在通过消费者级可穿戴设备数据预测瞬时心率（HR）和氧气消耗量（VO2）。该数据集整合了来自Garmin 965智能手表、胸带式心率监测器、便携式Cosmed K5代谢系统等多模态数据，并同步记录了血乳酸测量结果。其核心研究问题在于解决传统VO2测量依赖昂贵实验室设备的局限性，通过机器学习模型实现实验室级精度的代谢监测平民化。该研究推动了运动生理学与可穿戴技术的交叉创新，为运动员和健身爱好者提供了实时、精准的生理反馈。

当前挑战

数据集面临两大挑战：1) 领域问题方面，需克服消费者设备信号丢失（如光电体积描记术PPG在高强度运动中的干扰）、个体生理差异（如训练状态对VO2动力学的影响）以及动态运动场景下的瞬时生理响应建模（如心率与代谢速率的非线性关系）；2) 构建过程中，需解决多源设备数据同步（时间对齐精度达1秒）、大规模生理数据标注（处理超过300万条心率观测）以及实验室与真实场景的数据差异（如环境因素对穿戴式传感器的影响）。此外，模型需在仅使用初始1秒VO2数据校准的条件下，实现长达120分钟的序列预测，对算法鲁棒性提出极高要求。

常用场景

经典使用场景

Lab to Wrist数据集在运动生理学和可穿戴技术领域具有广泛的应用场景，尤其在跑步运动中，该数据集能够通过消费者级可穿戴设备实时监测心率（HR）和氧气消耗（VO2）的动态变化。其经典使用场景包括运动员训练优化、个性化训练方案制定以及健康管理。通过结合实验室级代谢监测和可穿戴设备数据，该数据集为研究人员和运动员提供了高精度的生理响应分析工具。

实际应用

在实际应用中，Lab to Wrist数据集为运动员和健身爱好者提供了实时代谢监测的能力，无需依赖昂贵的实验室设备。例如，通过智能手表数据，用户可以实时了解自己的氧气消耗和心率变化，从而优化训练强度、预防过度训练并提升运动表现。此外，该数据集还为健康管理和运动科学研究提供了新的工具和方法。

衍生相关工作

Lab to Wrist数据集衍生了一系列经典研究工作，包括基于神经ODE的心率动态建模、卡尔曼滤波在生理信号预测中的应用，以及多模态数据集在运动科学中的整合。这些工作不仅推动了运动生理学的研究进展，还为可穿戴技术的算法优化提供了重要参考。例如，该数据集的神经卡尔曼滤波架构被广泛应用于其他生理参数的预测研究中。