UniMiB SHAR: Um Conjunto de Dados para Reconhecimento de Atividades Humanas Usando Dados de Aceleração de Smartphones

Smartphones, smartwatches, rastreadores de fitness e dispositivos vestíveis ad-hoc estão sendo cada vez mais usados para monitorar atividades humanas. Os dados adquiridos pelos sensores hospedados são geralmente processados por algoritmos baseados em aprendizado de máquina para classificar atividades humanas. O sucesso desses algoritmos depende principalmente da disponibilidade de dados de treinamento (rotulados) que, se tornados publicamente disponíveis, permitiriam que os pesquisadores fizessem comparações objetivas entre técnicas. Hoje em dia, conjuntos de dados disponíveis publicamente são poucos, frequentemente contêm amostras de sujeitos com características muito semelhantes e muitas vezes carecem de informações específicas, de modo que não é possível selecionar subconjuntos de amostras de acordo com critérios específicos. Neste artigo, apresentamos um novo conjunto de dados de acelerômetros de smartphone projetado para reconhecimento de atividades. O conjunto de dados inclui 11.771 atividades realizadas por 30 sujeitos com idades variando de 18 a 60 anos. As atividades são divididas em 17 classes detalhadas agrupadas em duas classes gerais: 9 tipos de atividades da vida diária (ADL) e 8 tipos de quedas. O conjunto de dados foi armazenado para incluir todas as informações úteis para selecionar amostras de acordo com diferentes critérios, como o tipo de ADL realizada, a idade, o gênero, e assim por diante. Finalmente, o conjunto de dados foi avaliado com dois classificadores diferentes e com diferentes configurações. Os melhores resultados foram alcançados com k-NN classificando apenas ADLs, considerando personalização, e com janelas de 51 e 151 amostras.