摘要：该数据集是一个面向人体跌倒检测与时间序列异常识别任务构建的多维传感器数据集，主要应用于智能家居、老年人安全监护和独立生活辅助场景。
数据集概述
该数据集是一个面向人体跌倒检测与时间序列异常识别任务构建的多传感器数据集，主要来源于智能家居和老年人独立生活监护研究。数据集通过佩戴在人体不同位置的传感器持续采集运动信息，用于区分正常日常活动与跌倒异常事件，为智慧养老、居家安全监护和实时跌倒预警系统提供数据基础。整个数据集共包含 164,259 个样本，其中训练集包含 134,229 个样本，约占总数据的 81.72%；测试集包含 30,030 个样本，约占 18.28%。实验共涉及 25 名受试者，其中 20 名受试者的数据用于模型训练，5 名受试者的数据用于测试。
数据结构与关键特征
数据以 CSV 文件形式进行存储，每个文件对应实验中的一名受试者。训练集由 data_0.csv 至 data_19.csv 等 20 个受试者文件组成，测试集则包含 data_20.csv 至 data_24.csv 共 5 个文件。每条数据包含 X、Y、Z 三个维度的传感器参数，用于描述人体运动过程中不同方向的位置或运动变化，同时包含 010-000-024-033、010-000-030-096、020-000-032-221 和 020-000-033-111 等传感器活动编码。实验中共使用 4 个传感器，并将其固定在受试者胸部、脚踝和腰带等身体部位，以获取人体活动过程中的多位置运动信息。数据采用二分类标签，其中 0 表示正常生活活动，1 表示跌倒异常事件。原始时间戳字段已被移除，以减少模型对特定时间信息的依赖，避免时间特征主导分类结果，并提升模型在不同受试者和不同活动场景下的泛化能力。
应用价值与研究方向
该数据集适用于人体跌倒检测、时间序列异常检测、人体活动识别、老年人智能监护、可穿戴设备运动分析以及智慧家居安全预警等研究方向。研究中既可以采用 Random Forest、SVM、XGBoost 等传统机器学习算法，也可以使用 1D-CNN、LSTM、GRU、TCN 和 Transformer 等深度学习模型对多维时间序列特征进行建模。同时还可以进一步研究多传感器特征融合、滑动窗口检测、类别不平衡处理、实时异常预警以及跨受试者泛化等问题，从而提高跌倒事件识别的准确性、稳定性和实际应用能力。
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-796
文件大小：4M
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)