摘要：该数据集是一个面向人体活动识别（HAR）与跌倒检测任务构建的传感器时序数据集，重点利用智能手机加速度计信号区分日常活动与多种跌倒行为。
数据集概述
该数据集是一个面向人体活动识别（HAR）与跌倒检测任务构建的传感器时序数据集，重点利用智能手机加速度计信号区分日常活动与多种跌倒行为。数据集特别关注老年护理、健康监护和智能预警等实际应用场景，旨在支持研究人员训练能够识别正常活动和危险跌倒事件的机器学习模型。数据来自 4 位不同参与者，并使用多种智能手机型号采集，以增强数据多样性和模型泛化能力。所有加速度计数据均以 50Hz 采样率记录，同时考虑了**手持（Hand）和口袋（Pocket）**两种常见手机放置方式，使得该数据集能够支持对传感器位置影响的分析研究。
数据结构与关键特征
数据集按照活动类别进行文件夹组织，文件夹命名遵循 “Activity_DevicePosition” 的规则，即“活动类型_设备位置”。类别既包含日常活动，也包含多种方向的跌倒事件。其中跌倒类包括 falling_Back_Hand、falling_Back_Pocket、falling_Forwad_Hand、falling_Forwad_Pocket、falling_Left_Hand、falling_Left_Pocket、falling_Right_Hand、falling_Right_Pocket，分别表示后倒、前倒、左侧跌倒和右侧跌倒在手持或口袋位置下的传感器数据；日常活动类包括 running_Hand、sitting_Hand、sitting_Pocket、sleeping_Hand、sleeping_Pocket、walking_Hand、walking_Pocket，用于描述跑步、坐姿、睡眠和步行等正常行为。该数据集的核心特征来源于智能手机加速度计信号，属于典型的多维时间序列数据，可用于直接建模，也可进一步提取均值、标准差、峰值、能量、频域特征等统计量进行分析。
应用价值与研究方向
该数据集适用于跌倒检测、人体活动识别、老年人智能监护、可穿戴与移动健康监测、智能手机传感器分析等研究方向。研究中可以采用 Random Forest、SVM、KNN 等传统机器学习方法，也可以使用 1D-CNN、LSTM、GRU、CNN-LSTM、Transformer 等深度学习模型对原始时序信号进行建模。进一步还可以围绕跌倒与非跌倒二分类、多类活动识别、传感器位置影响分析、特征工程、跨参与者泛化等问题开展研究，为智能养老、居家健康监测和移动端安全预警系统提供数据支持。
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-804
文件大小：1.8M
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)