CAPTURE-24, BOXRR-23, RealWorld, UCI dataset, WISDM dataset

CAPTURE-24: 一个大规模的野外采集的手腕佩戴活动追踪器数据集，用于人类活动识别。 BOXRR-23: 利用头部和手部动作数据，成功对超过50,000名虚拟现实用户进行身份识别。 RealWorld: 包含多种日常活动的数据集，如上下楼梯、躺、坐、站、跳、走、跑。 UCI dataset: 包含加速度计和陀螺仪数据，涉及不同年龄、性别、身高和体重的用户。 WISDM dataset: 仅包含加速度数据，记录了行走、慢跑、上楼、下楼、坐、站等活动。CAPTURE-24: A large-scale dataset of wrist-worn activity trackers collected in the wild for human activity recognition. BOXRR-23: Successfully identified over 50,000 virtual reality users using head and hand motion data. RealWorld: A dataset containing a variety of daily activities such as going up and down stairs, lying, sitting, standing, jumping, walking, and running. UCI dataset: Includes accelerometer and gyroscope data involving users of different ages, genders, heights, and weights. WISDM dataset: Contains only accelerometer data, recording activities such as walking, jogging, going upstairs, going downstairs, sitting, and standing.

原始信息汇总

数据集概述

主要传感任务

• 人体活动识别（HAR）/人体活动传感
• 手势识别
• 步态识别
• 定位与导航
• 用户识别

公开数据集

数据集	用户数	活动类型数	样本数	设备类型	安装位置	采样率	发布年份
CAPTURE-24	151	>200	2,562小时	腕带	腰部	100Hz	2024
BOXRR-23	-	-	4,717,215次	-	头部和手部	-	2023
Parkinsons Freezing of Gait Prediction	-	3	70.59GB	传感器	腰部	100,128Hz	2023
Multimodal Data for the Detection of Freezing of Gait in Parkinson’s Disease	12	-	-	多模态数据（EEG, EMG, ECG, SC, ACC）	-	-	2022
PhysioNet Gait of Parkinsons Disease Dataset	93	73	-	力传感器	脚底	100Hz	2008
RealWorld	-	8	-	-	-	50Hz	2016
UCI dataset	30	6	1,687	智能手机	腰部	50Hz	2012
WISDM dataset	36	6	1,098,207	智能手机	前腿口袋	20Hz	2012

数据集特点

• CAPTURE-24: 大规模野外收集的人体活动识别数据集，包含2,562小时的标注数据。
• BOXRR-23: 用于虚拟现实用户独特识别的数据集，包含超过50,000名用户的头部和手部运动数据。
• Parkinsons Freezing of Gait Prediction: Kaggle竞赛数据集，用于检测帕金森病患者的步态冻结事件。
• Multimodal Data for the Detection of Freezing of Gait in Parkinson’s Disease: 包含多种生理信号的数据集，用于帕金森病患者的步态冻结检测。
• PhysioNet Gait of Parkinsons Disease Dataset: 包含帕金森病患者和对照组的数据集，使用脚底力传感器收集。
• RealWorld: 包含多种日常活动数据集，用于活动识别研究。
• UCI dataset: 包含加速度计和陀螺仪数据，用于多种活动识别。
• WISDM dataset: 仅包含加速度计数据，用于识别日常活动如行走、跑步等。

这些数据集覆盖了从日常活动识别到特定疾病状态监测的广泛应用，为人体活动识别和相关研究提供了丰富的资源。

搜集汇总

数据集介绍

构建方式

CAPTURE-24数据集通过在自然环境中收集手腕佩戴的活动追踪器数据，构建了一个大规模的人类活动识别数据集。该数据集包含2,562小时的标注数据，由151名用户在日常生活中的活动数据组成。数据采集设备为腕带式传感器，采样频率为100Hz，主要用于捕捉用户的日常活动模式。通过这种方式，CAPTURE-24数据集为研究人员提供了一个丰富的资源，用于开发和验证基于惯性测量单元（IMU）的活动识别算法。

特点

CAPTURE-24数据集的主要特点在于其大规模和多样性。首先，数据集包含超过2,500小时的标注数据，涵盖了广泛的活动类型，为模型训练提供了充足的样本。其次，数据采集于真实世界环境中，确保了数据的实用性和代表性。此外，高频率的采样率（100Hz）使得数据能够捕捉到细微的活动变化，从而提高了识别的准确性。最后，数据集的开放性和详细标注为跨领域的研究提供了便利。

使用方法

使用CAPTURE-24数据集进行研究时，研究人员首先需要下载并解压数据集文件。随后，可以根据研究需求选择合适的活动类型和时间段进行数据预处理，如滤波、归一化等。接着，可以使用机器学习或深度学习模型对预处理后的数据进行训练和验证。为了充分利用数据集的多样性，建议采用交叉验证和数据增强技术。最后，通过评估模型在测试集上的表现，研究人员可以得出结论并进行进一步的优化。

背景与挑战

背景概述

CAPTURE-24数据集是由牛津穿戴式设备研究团队于2024年创建的，旨在为人类活动识别（HAR）领域提供一个大规模、高质量的数据资源。该数据集包含了2,562小时的标注数据，涵盖了超过200种不同的活动类型，由151名参与者在自然环境中佩戴腕带设备收集。CAPTURE-24的发布不仅推动了HAR技术的研究进展，还为健康监测、运动分析等应用领域提供了宝贵的数据支持。

当前挑战

CAPTURE-24数据集在构建过程中面临了多重挑战。首先，如何在自然环境中准确捕捉和标注大量的人类活动数据是一个技术难题。其次，数据集的多样性和复杂性要求高效的算法来处理和分析这些数据，以实现高精度的活动识别。此外，数据隐私和安全问题也是该数据集在使用过程中需要重点考虑的挑战，尤其是在涉及个人健康信息的情况下。

常用场景

经典使用场景

CAPTURE-24数据集在人机交互领域中，主要用于大规模的腕戴式活动追踪器数据的收集与分析。其经典使用场景包括人类活动识别（HAR），通过分析2,562小时的标注数据，研究人员能够深入理解用户在日常生活中的行为模式。此外，该数据集还支持手势识别、步态识别以及用户身份识别等任务，为智能健康监测、虚拟现实游戏和安全监控等应用提供了坚实的基础。

解决学术问题

CAPTURE-24数据集解决了在实际环境中收集和标注大规模活动数据的问题，这对于推动人类活动识别技术的研究至关重要。通过提供高质量、多样化的数据，该数据集帮助学术界克服了数据稀缺和标注不准确的难题，促进了模型在不同用户和环境中的泛化能力。此外，CAPTURE-24还为跨用户和跨设备的适应性研究提供了宝贵的资源，推动了个性化和自适应系统的开发。

衍生相关工作

基于CAPTURE-24数据集，研究者们开发了多种创新模型和算法，如跨数据集的人类活动识别模型（CrossHAR）和自监督学习方法（colloSSL）。这些工作不仅提升了活动识别的准确性，还推动了多模态数据融合和跨模态知识迁移的研究。此外，CAPTURE-24还激发了关于数据隐私和安全性的研究，如差分隐私保护和联邦学习在活动识别中的应用，进一步拓宽了该领域的研究边界。