OREBA：用于客观识别进食行为及相关摄入的数据集
人机交互
2020-10-01 v3 计算机视觉与模式识别
机器学习
摘要
进食动作（intake gesture）的自动检测是自动膳食监测的关键要素。为此目的已使用多种传感器，包括惯性测量单元（IMU）和摄像机。常见的机器学习方法利用标注的传感器数据自动学习如何进行检测。一个特征，尤其对于深度学习模型，是对大型数据集的需求。为满足该需求，我们收集了客观识别进食行为及相关摄入（Objectively Recognizing Eating Behavior and Associated Intake, OREBA）数据集。OREBA 数据集旨在为关注进食动作检测的学者提供聚餐过程中记录的综合多传感器数据。包含两种场景：离散餐盘的 100 名参与者与共享餐盘的 102 名参与者，总计 9069 次进食动作。可用传感器数据包括同步的正向视频，以及双手的含加速度计与陀螺仪的 IMU。我们报告了数据收集与标注的细节，以及传感器处理的细节。报告了涉及深度学习模型的 IMU 与视频数据研究结果，以为未来研究提供基线。具体而言，最佳基线模型在离散餐盘上使用视频达到 = 0.853，在共享餐盘上使用惯性数据达到 = 0.852。
引用
@article{arxiv.2007.15831,
title = {OREBA: A Dataset for Objectively Recognizing Eating Behaviour and Associated Intake},
author = {Philipp V. Rouast and Hamid Heydarian and Marc T. P. Adam and Megan E. Rollo},
journal= {arXiv preprint arXiv:2007.15831},
year = {2020}
}
备注
To be published in IEEE Access