Human-Activity-Recognition-Datasets|人类活动识别数据集|传感器数据数据集

来自计算智能雷达实验室（Ci4R）的人类活动数据集已在此公开。该数据集涉及六个不同年龄、身高和体重的参与者，使用三种不同的传感器记录了11种不同的活动和步态，共计60个样本每类每传感器。此外，还使用了之前从24 GHz传感器收集的数据，为数据集增加了每类额外180个样本。所有活动均沿雷达视线进行。

原始信息汇总

数据集概述

数据集名称

CI4R- Human-Activity-Recognition-Datasets

数据集来源

来自Computational intelligence for Radar (Ci4R)实验室的人类活动数据集。

数据集相关研究论文

• 标题: Cross-frequency training with adversarial learning for radar micro-Doppler signature classification
• 引用方式: Sevgi Z. Gurbuz, M. Mahbubur Rahman, Emre Kurtoglu, Trevor Macks, and Francesco Fioranelli "Cross-frequency training with adversarial learning for radar micro-Doppler signature classification (Rising Researcher)", Proc. SPIE 11408, Radar Sensor Technology XXIV, 114080A (11 May 2020); https://doi.org/10.1117/12.2559155

数据集描述

• 参与者: 六名参与者，年龄、身高和体重各异。
• 传感器: 三种不同的传感器。
• 活动类型: 总共11种不同的活动和步行方式。
• 活动目的: 主要用于智能环境应用，如健康监测和手势识别。
• 数据量: 每个参与者对每种活动进行10次重复，总计每种传感器每类活动60个样本。此外，使用先前从24 GHz传感器收集的数据，每类活动增加了180个样本。
• 数据获取方式: 所有活动均沿雷达视线进行。

数据集下载链接

• 主要数据集下载: 数据集下载

数据集内容示例

• 传感器和活动列表: 查看图像
• 频谱图示例: 查看图像

AI搜集汇总

数据集介绍

构建方式

该数据集由计算智能雷达实验室（Ci4R）构建，涉及六名不同年龄、身高和体重的参与者。研究中使用了三种不同的传感器，记录了11种不同的日常活动和步态。每个参与者对每种活动进行了10次重复，总计每类活动每传感器60个样本。此外，还引入了先前从24 GHz传感器获取的数据，每类活动增加了180个样本，以丰富数据集。所有活动均沿雷达视线方向进行，确保数据的多样性和代表性。

特点

该数据集的显著特点在于其多样性和实用性。首先，数据涵盖了多种日常活动和步态，适用于智能环境中的健康监测和手势识别应用。其次，通过使用不同频率和波形的传感器，数据集展示了跨频率训练的挑战和潜力。此外，引入的生成对抗网络（GAN）生成的合成数据进一步增强了数据集的规模和复杂性，为深度神经网络的训练提供了丰富的资源。

使用方法

该数据集适用于研究雷达微多普勒特征分类的深度学习模型。用户可以利用该数据集进行跨频率训练，探索不同传感器和频率对分类性能的影响。通过使用生成对抗网络生成的合成数据，用户可以进一步优化模型的预训练阶段，减少跨频率训练的性能下降。数据集的多样性和丰富性使其成为研究智能环境应用中活动识别和健康监测的理想选择。

背景与挑战

背景概述

Human-Activity-Recognition-Datasets由计算智能雷达实验室（Ci4R）发布，旨在解决雷达微多普勒特征分类中的关键问题。该数据集的核心研究问题在于如何利用不同频率、带宽或波形的雷达传感器数据进行训练，以提高深度神经网络在活动识别中的鲁棒性和性能。数据集包含了六名参与者在不同年龄、身高和体重条件下的活动数据，涵盖了11种日常活动和步态。通过结合24 GHz传感器的历史数据，数据集进一步丰富了样本量，为智能环境中的健康监测和手势识别提供了重要的研究基础。该数据集的发布时间为2020年，主要研究人员包括Sevgi Z. Gurbuz等人，其研究成果已在SPIE会议上发表，并展示了对抗生成网络（GANs）在减少跨频率训练性能下降方面的潜力。

当前挑战

Human-Activity-Recognition-Datasets在构建过程中面临的主要挑战包括：首先，雷达微多普勒特征分类领域长期缺乏大规模的实测数据，限制了深度神经网络的设计与优化。其次，不同雷达传感器的频率、带宽和波形差异导致跨频率训练时分类准确率显著下降，尤其是在预训练、微调和测试数据来自不同传感器时，准确率下降高达70%。此外，如何有效利用生成对抗网络（GANs）生成合成数据以弥补实测数据的不足，并减少跨频率训练的性能下降，也是该数据集研究中的重要挑战。这些问题的解决对于提升雷达传感器在智能环境中的应用具有重要意义。

常用场景

经典使用场景

在智能环境应用领域，Human-Activity-Recognition-Datasets 数据集被广泛用于活动识别和行为分析。该数据集通过收集不同年龄、身高和体重的六名参与者在雷达视线方向上进行的11种日常活动数据，为研究人员提供了丰富的样本。这些活动包括步行、跑步、跳跃等，适用于开发和验证基于雷达微多普勒特征的深度学习模型，特别是在跨频率训练和对抗学习中的应用。

实际应用

在实际应用中，Human-Activity-Recognition-Datasets 数据集为智能家居、老年护理和安全监控等领域提供了技术支持。通过分析用户的日常活动，系统能够实时监测健康状况，识别异常行为，并提供个性化服务。例如，在老年护理中，系统可以自动识别跌倒等危险行为，及时发出警报，保障用户安全。此外，该数据集还可用于开发智能手势控制系统，提升人机交互的自然性和便捷性。

衍生相关工作

基于Human-Activity-Recognition-Datasets 数据集，研究者们开展了多项经典工作。例如，通过跨频率训练和对抗学习，研究者们提出了改进的深度神经网络架构，显著提升了雷达微多普勒特征的分类性能。此外，该数据集还激发了在合成数据生成、迁移学习和无监督预训练等领域的进一步研究，推动了雷达传感技术与人工智能的深度融合，为智能环境中的行为分析提供了新的研究方向。