摘要：面向基于声音的跌倒检测、异常声音识别与智能健康监护研究构建的音频数据集，共包含 950 个 WAV 音频样本。
数据集概述
面向基于声音的跌倒检测、异常声音识别与智能健康监护研究构建的音频数据集，共包含 950 个 WAV 音频样本。其中跌倒事件与非跌倒事件各包含 475 个样本，类别比例为 1:1。所有音频均以 48 kHz 采样率录制，并统一截取为约 3 秒的声音片段，使不同样本在时长和数据格式上保持一致。数据集通过模拟真实跌倒场景以及采集家庭日常背景声音构建，可用于训练机器学习和深度学习模型自动判断环境中是否发生跌倒事件。
数据结构与关键特征
数据集中的音频文件采用结构化文件名 AA-BBB-CC-DDD-FF.wav 进行编码，其中 AA 表示 01～10 的数据折编号，可用于交叉验证或训练验证划分；BBB 为随机排序编码；CC 表示采集环境编号；DDD 为原始视频或实验片段序号；FF 表示类别，其中 01 为跌倒事件，02 为非跌倒事件。跌倒样本通过体型和重量接近成年人的假人，在地毯、木地板、混凝土楼梯等不同表面，以及地下室、实验室和木制平台等环境中模拟获得，同时覆盖站立跌倒、较低位置跌落以及与桌椅、墙面等物体发生接触的场景。非跌倒样本则包括步行、清洁、烹饪、电视等典型家庭声音。部分跌倒声音还与真实背景噪声进行混合，以增强数据的环境复杂性和实际应用价值。
应用价值与研究方向
该数据集适用于跌倒声音二分类、声音事件检测、异常声音识别、老年人居家安全监护以及智能环境感知等研究方向。传统方法可以从原始音频中提取 MFCC、Mel 频谱、短时傅里叶变换、频谱质心、过零率、能量以及频带统计特征，并结合 SVM、Random Forest、XGBoost 等算法进行分类；深度学习方向可以将音频转换为 Mel Spectrogram，使用 CNN、CRNN、LSTM、AST 或 Audio Transformer 等模型进行端到端识别。由于数据同时覆盖多种地面材质、采集环境和家庭背景噪声，还可以进一步研究跨环境泛化、背景噪声鲁棒性、实时跌倒预警、边缘设备声音识别以及多模态健康监护系统，为智慧养老和居家安全系统提供数据支持。
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-813
文件大小：200M
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)