UniMiB SHAR：一个使用智能手机加速度数据进行人类活动识别的新数据集

智能手机、智能手表、健身追踪器和特设的可穿戴设备正越来越多地用于监测人类活动。宿主传感器采集的数据通常由基于机器学习的算法处理，以对人类活动进行分类。这些算法的成功很大程度上取决于训练（带标签）数据的可用性，如果这些数据被公开，将使研究人员能够对不同技术进行客观比较。目前，公开可用的数据集很少，通常包含特征过于相似的受试者样本，并且往往缺乏具体信息，以至于无法根据特定标准选择样本子集。在本文中，我们提出了一个新的加速度样本数据集，该数据集使用专为人类活动识别和跌倒检测设计的 Android 智能手机采集。该数据集包含 11,771 个样本，涵盖由 30 名年龄在 18 至 60 岁之间的受试者执行的人类活动和跌倒。样本被划分为 17 个细粒度类别，并归入两个粗粒度类别：一个包含 9 种日常生活活动 (ADL) 类型的样本，另一个包含 8 种跌倒类型的样本。该数据集的存储包含了所有有助于根据不同标准（如 ADL 类型、年龄、性别等）选择样本的信息。最后，使用四种不同的分类器和两种不同的特征向量对该数据集进行了基准测试。我们评估了四种不同的分类任务：跌倒 vs 非跌倒、9 种活动、8 种跌倒、17 种活动与跌倒。对于每个分类任务，我们进行了受试者依赖和受试者独立的评估。评估的主要发现如下：i) 区分跌倒类型比区分活动类型更困难；ii) 受试者依赖评估优于受试者独立评估。