人体跌倒检测图像与传感器数据综合分析数据集-wearefuture01
数据来源：互联网公开数据
标签：跌倒检测,图像,传感器数据,人体行为识别,机器学习,计算机视觉,加速度计,陀螺仪,行为分类
数据概述：
本数据集整合了用于人体跌倒检测的图像数据和传感器数据，旨在为跌倒检测算法的开发和评估提供全面的数据支持。数据集包含两个主要部分：图像数据集和传感器数据（智能手机人体跌倒数据集）。
图像数据集：
该数据集包含两类图像，用于训练和验证跌倒检测模型。图像数据来源于多个来源，并经过人工标注。
训练集（train）：包含374张图像，用于训练跌倒检测模型。
验证集（Val）：包含111张图像，用于验证训练好的模型的性能。
图像标注：使用makesense.ai网站进行标注，标注类别包括：
跌倒（Fall Detected）：用紫色框标注。
行走（Walking）：用蓝色框标注。
坐着（Sitting）：用绿色框标注。
每张图像对应一个标签文件，文件内容为目标检测的标签信息，包括一个类别标签和四个边界框坐标值。
智能手机人体跌倒数据集：
该数据集包含13种人体活动，其中4种为跌倒相关活动，9种为正常活动，数据来源于智能手机的加速度计和陀螺仪传感器。
跌倒活动：
FOL: 前向躺倒。
FKL: 前向跪倒。
SDL: 侧向躺倒。
BSC: 背部靠椅坐。
正常活动：
STD: 站立。
WAL: 行走。
JOG: 慢跑。
JUM: 跳跃。
STU: 上楼梯。
STN: 下楼梯。
SCH: 坐椅子。
CSI: 上车。
CSO: 下车。
原始数据集包含11名受试者执行每种活动约190次的数据。每个数据实例是一个6秒的时间窗口，包含三轴加速度计和陀螺仪数据。从每个时间窗口中提取了13个特征：
acc_max: 第4秒的最大加速度幅度。
acc_kurtosis: 整个时间窗口的加速度峰度。
acc_skewness: 整个时间窗口的加速度偏度。
gyro_max: 第4秒的最大陀螺仪幅度。
gyro_kurtosis: 整个时间窗口的陀螺仪峰度。
gyro_skewness: 整个时间窗口的陀螺仪偏度。
lin_max: 第4秒的最大线性加速度（不包含重力的加速度）。
post_lin_max: 第6秒的最大线性加速度。
post_gyro_max: 第6秒的最大陀螺仪幅度。
fall: 如果活动是跌倒活动，则为1，否则为0。
label: 活动标签。
提取后的数据集经过平衡处理，包含767个跌倒样本和1017个非跌倒样本。非跌倒样本由9种正常活动中每种活动的113个数据样本构成（113 x 9 = 1017）。数据集以80%-20%的比例被划分为训练集和测试集。Train.csv文件包含训练数据，Test.csv文件包含测试数据。
数据用途概述：
该数据集可用于：
开发和评估基于图像的跌倒检测算法。
开发和评估基于传感器数据的跌倒检测算法。
研究结合图像和传感器数据的跌倒检测方法。
进行人体行为识别和分类的研究。
训练机器学习模型，用于跌倒风险评估和预警。
为老年人护理、健康监测等应用提供数据支持。
