摘要：跌倒检测与姿态分类数据集是支持埃塞克斯大学博士论文《老年人AI驱动姿态分析跌倒检测系统》的自录视频和静态图像数据集，使用MediaPipe姿态估计、模糊逻辑和有限状态机从单目RGB视频中分类静态姿态（站立、坐着、躺着、弯腰、蹲下等）并检测姿态转换（特别是跌倒），在测试中实现零误报率。
数据集简介
数据集概述
跌倒检测与姿态分类数据集是支持埃塞克斯大学博士论文《老年人AI驱动姿态分析跌倒检测系统》的自录视频和静态图像数据集，使用MediaPipe姿态估计、模糊逻辑和有限状态机从单目RGB视频中分类静态姿态（站立、坐着、躺着、弯腰、蹲下等）并检测姿态转换（特别是跌倒），在测试中实现零误报率。数据集包含3个训练视频（hr_fall_detection_1-3.mp4）和7个验证视频（fall_detection_4-10.mp4），配有帧/时间级CSV标签和分钟级Markdown标签，以及113张静态姿态图像（覆盖站立、坐着、躺着、弯腰、蹲下、跌倒、攀爬和遮挡/低照度等边缘情况）。所有图像和视频均为单一同意成年人（研究者本人）自我录制的日常活动和姿态/跌倒场景，无其他人员出现，公开发布已获埃塞克斯大学研究伦理准则批准并签署自我同意书。数据集提供衍生的MediaPipe关键点特征和分类器输出，采用CC BY 4.0许可协议，可通过Zenodo（DOI引用）和Hugging Face（可浏览查看器）访问，适用于基于视觉的人类活动识别、姿态估计基准测试和老年护理跌倒检测研究
数据结构与关键特征
数据集采用训练-验证划分结构，训练集包含3个视频和113张静态姿态图像，验证集包含7个视频，所有视频配有多级标注（帧/时间级CSV和分钟级Markdown）。关键特征包括：零误报率系统支持（数据集配套的系统在测试中实现零误报，验证了数据质量）、多模态数据（视频+静态图像提供时序和静态两种视角）、细粒度姿态覆盖（站立、坐着、躺着、弯腰、蹲下、跌倒、攀爬7大类加边缘情况）、边缘情况标注（遮挡、低照度等真实挑战场景）、以及完整的衍生特征（MediaPipe关键点和分类器输出，节省预处理时间）。数据集的技术栈（MediaPipe+模糊逻辑+有限状态机）提供了可复现的完整解决方案，源代码和PyPI包（ai-posture-monitor）使研究者可以直接复现和扩展。双级标注系统（帧级CSV+分钟级Markdown）支持不同粒度的分析需求。早期迭代数据（pose-1st-iteration）的保留体现了数据溯源的科学严谨性。单一拍摄对象的设计简化了隐私伦理问题，但也意味着模型泛化需要在实际应用中验证。
应用价值与研究方向
该数据集在老年护理、智能监控、姿态识别和跌倒检测研究领域具有重要应用价值，可用于开发老年人跌倒检测系统、姿态分析工具、活动识别模型和居家安全监控平台。研究方向包括：基于MediaPipe的姿态估计应用、模糊逻辑在姿态分类中的应用、有限状态机用于动作转换检测、零误报跌倒检测算法、边缘情况处理（遮挡、低照度）、实时姿态分析系统优化、以及单目RGB视频的3D姿态重建。数据集的零误报率成果特别适合研究如何降低跌倒检测的误报、如何平衡灵敏度和特异性、以及如何在真实居家环境中部署可靠系统。此外，该数据集还可扩展至康复训练监测、运动姿态分析、人机交互等应用场景，为推动AI技术在老年护理领域的应用、提升居家安全监测水平、实现及时跌倒响应提供重要的数据支撑和技术基础。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-213
文件大小：2.5G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)