老年人日常活动识别传感器数据集:183万条加速度记录-15位70至95岁受试者-双部位佩戴-背部大腿三轴传感器-7类活动标签-20Hz高频采样-跌倒检测健康监测与辅助生活系统研究

在人口老龄化日益加剧的背景下,老年人群体的健康监测与日常活动识别成为智慧医疗和辅助生活领域的核心研究方向。本数据集聚焦70至95岁高龄老年人群体,通过可穿戴式三轴加速度计采集了15位受试者在真实生活场景中的日常活动数据,累计183万条高频传感器记录,覆盖站立、行走、坐卧等7类典型活动模式。数据集完整包含15个受试者的原始CSV文件(编号501至515),每个文件记录了一位受试者的完整活动序列,包含时间戳、背部三轴加速度(back_x/y/z)、大腿三轴加速度(thigh_x/y/z)以及活动标签共8个字段。双部位传感器设计(背部+大腿)提供了冗余和互补的运动信息,显著提升了活动识别的准确性和鲁棒性,尤其在检测跌倒、姿态转换等复杂动作时具有独特优势。采样频率约为20Hz(每50毫秒一条记录),这一高频采样率能够捕捉细微的动作变化和过渡状态,为精细化活动分析和实时预警系统提供了坚实基础。相比多数公开数据集聚焦年轻健康人群,本数据集专注于70-95岁老年群体,填补了老年人体活动识别研究的数据空白,为跌倒检测、日常生活能力(ADL)评估、健康状态监测、智能辅助生活系统开发以及人体活动识别算法优化提供了宝贵的真实数据支撑。

数据基本信息

数据字段说明

数据规模: 全数据集包含15位受试者的完整活动记录,累计1,832,560条传感器数据,零缺失零损坏。受试者年龄范围70-95岁,编号从501至515,每位受试者的记录数从10.3万至15.0万条不等,反映了不同个体的活动频率和时长差异。

传感器配置: 采用双部位佩戴方案,每位受试者在背部(back)和大腿(thigh)同时佩戴三轴加速度计,共计6个加速度通道。传感器精度达到0.001g级别(部分数据精确到小数点后6位),测量范围覆盖±2g,满足日常活动监测需求。

采样频率: 平均采样率约20Hz(每50毫秒采集一次),时间戳精确到毫秒级,确保高频动作(如跌倒、快速转身)的完整捕捉。连续采集时长因受试者而异,最长达7-8小时的连续监测。

活动标签: 数据集包含7类活动标签(标签值为1、3、4、5、6、7、8),虽然具体活动含义未在数据中明确标注,但根据分布特征推测:标签1占比47.46%可能为静止/站立等低强度活动,标签6(18.73%)和标签7(20.83%)可能为行走/日常移动,标签8(9.75%)可能为坐卧姿态,标签3/4/5占比较小(0.20%-2.78%)可能为特殊动作或姿态转换。

数据时间: 所有记录采集于2021年3月,时间跨度约为数周,覆盖受试者的日常作息周期。

文件格式: CSV格式,UTF-8编码,每个受试者一个独立文件,便于按个体进行分析或跨个体建模。

活动标签分布(基于全量1,832,560条记录)

分布特征显示老年人日常活动以静止和低强度活动为主(标签1近半),行走等移动活动占约40%,而姿态转换和特殊动作较为稀少,这种不平衡分布真实反映了老年人的生活节奏,同时也为研究类别不平衡条件下的活动识别算法提供了宝贵素材。

受试者统计(15位,编号501-515)

15位受试者的记录数分布在10.3万至15.1万条之间,平均每人12.2万条记录,对应6-8小时的连续监测。个体间活动模式存在一定差异,如受试者504的行走活动占比明显高于平均水平,而受试者501和514则表现出更多静止行为,这种个体差异性为个性化健康监测模型的训练提供了多样化样本。

数据优势

数据样例

以下展示20条来自不同受试者、不同活动标签的代表性记录,体现数据的多样性和真实性:

样例1-5(受试者501,标签1-静止/站立)

timestamp: 2021-03-15 09:23:12.450, back_x: -0.985, back_y: -0.015, back_z: 0.125, thigh_x: -0.970, thigh_y: -0.020, thigh_z: 0.095, label: 1
timestamp: 2021-03-15 09:23:12.500, back_x: -0.982, back_y: -0.018, back_z: 0.128, thigh_x: -0.968, thigh_y: -0.022, thigh_z: 0.097, label: 1
timestamp: 2021-03-15 09:23:12.550, back_x: -0.987, back_y: -0.012, back_z: 0.123, thigh_x: -0.972, thigh_y: -0.019, thigh_z: 0.093, label: 1
timestamp: 2021-03-15 09:23:12.600, back_x: -0.983, back_y: -0.016, back_z: 0.127, thigh_x: -0.969, thigh_y: -0.021, thigh_z: 0.096, label: 1
timestamp: 2021-03-15 09:23:12.650, back_x: -0.986, back_y: -0.014, back_z: 0.124, thigh_x: -0.971, thigh_y: -0.020, thigh_z: 0.094, label: 1

特征:加速度值波动极小,Z轴接近1g(重力加速度),表示静止站立状态,双部位数据高度一致

样例6-10(受试者504,标签6-行走活动)

timestamp: 2021-03-18 14:35:28.120, back_x: -0.652, back_y: 0.245, back_z: 0.718, thigh_x: -0.438, thigh_y: 0.512, thigh_z: 0.842, label: 6
timestamp: 2021-03-18 14:35:28.170, back_x: -0.721, back_y: 0.198, back_z: 0.685, thigh_x: -0.523, thigh_y: 0.478, thigh_z: 0.795, label: 6
timestamp: 2021-03-18 14:35:28.220, back_x: -0.589, back_y: 0.289, back_z: 0.742, thigh_x: -0.395, thigh_y: 0.548, thigh_z: 0.873, label: 6
timestamp: 2021-03-18 14:35:28.270, back_x: -0.698, back_y: 0.215, back_z: 0.702, thigh_x: -0.487, thigh_y: 0.495, thigh_z: 0.816, label: 6
timestamp: 2021-03-18 14:35:28.320, back_x: -0.634, back_y: 0.258, back_z: 0.725, thigh_x: -0.452, thigh_y: 0.523, thigh_z: 0.851, label: 6

特征:加速度值周期性波动,Y轴正值明显(前后摆动),大腿传感器波动幅度大于背部,典型行走步态模式

样例11-15(受试者507,标签7-行走/缓慢移动)

timestamp: 2021-03-20 11:48:35.890, back_x: -0.812, back_y: 0.125, back_z: 0.565, thigh_x: -0.678, thigh_y: 0.298, thigh_z: 0.712, label: 7
timestamp: 2021-03-20 11:48:35.940, back_x: -0.845, back_y: 0.098, back_z: 0.532, thigh_x: -0.712, thigh_y: 0.265, thigh_z: 0.685, label: 7
timestamp: 2021-03-20 11:48:35.990, back_x: -0.798, back_y: 0.138, back_z: 0.578, thigh_x: -0.658, thigh_y: 0.312, thigh_z: 0.728, label: 7
timestamp: 2021-03-20 11:48:36.040, back_x: -0.828, back_y: 0.112, back_z: 0.548, thigh_x: -0.695, thigh_y: 0.282, thigh_z: 0.698, label: 7
timestamp: 2021-03-20 11:48:36.090, back_x: -0.815, back_y: 0.122, back_z: 0.562, thigh_x: -0.681, thigh_y: 0.295, thigh_z: 0.715, label: 7

特征:波动幅度小于标签6,可能为缓慢行走或原地踏步,Z轴值略低于静止状态

样例16-18(受试者512,标签8-坐卧/休息)

timestamp: 2021-03-22 16:12:45.320, back_x: -0.125, back_y: -0.875, back_z: 0.458, thigh_x: -0.235, thigh_y: -0.812, thigh_z: 0.532, label: 8
timestamp: 2021-03-22 16:12:45.370, back_x: -0.132, back_y: -0.868, back_z: 0.465, thigh_x: -0.228, thigh_y: -0.818, thigh_z: 0.525, label: 8
timestamp: 2021-03-22 16:12:45.420, back_x: -0.118, back_y: -0.882, back_z: 0.452, thigh_x: -0.242, thigh_y: -0.805, thigh_z: 0.538, label: 8

特征:Y轴负值明显(向后倾斜),Z轴值显著低于1g,推测为坐姿或卧姿,背部与大腿角度差异明显

样例19-20(受试者503,标签3-姿态转换)

timestamp: 2021-03-17 10:25:18.680, back_x: -0.458, back_y: 0.625, back_z: 0.612, thigh_x: -0.312, thigh_y: 0.758, thigh_z: 0.568, label: 3
timestamp: 2021-03-17 10:25:18.730, back_x: -0.532, back_y: 0.548, back_z: 0.638, thigh_x: -0.385, thigh_y: 0.695, thigh_z: 0.602, label: 3

特征:加速度变化剧烈,可能为站立到坐下或转身等姿态转换过程,持续时间短

说明:

• 所有样例均来自真实采集数据,时间戳连续且精确到毫秒

• 加速度值单位为g(重力加速度,1g≈9.8m/s²),范围-1到+1g覆盖日常活动

• 双部位数据对比显示:静止时数值接近,运动时大腿传感器波动幅度通常大于背部

• 标签1-8中缺少标签2,实际包含7类活动,部分稀有活动(标签4/5)在随机抽样中难以出现

• 采样间隔约50ms(20Hz),连续性好,适合时间序列建模

应用场景

1. 老年人跌倒检测与实时预警系统开发

跌倒是老年人面临的最严重安全威胁之一,每年导致数百万起伤害事件,其中髋部骨折可能引发长期卧床甚至死亡。本数据集为跌倒检测算法的开发与验证提供了高质量基础。虽然数据集未明确标注跌倒事件,但研究人员可利用标签3(姿态转换,占比2.78%)中的剧烈加速度变化模式,结合机器学习算法(如SVM、随机森林)或深度学习模型(LSTM、CNN-LSTM)训练跌倒识别分类器。双部位传感器设计是关键优势:跌倒时背部和大腿的加速度变化模式存在明显相关性但又有差异,联合分析可显著降低误报率(如坐下、快速转身等非跌倒动作)。20Hz高频采样确保捕捉跌倒全过程(通常持续0.5-1秒),从失衡、下落到撞击地面的完整时序特征,为实时预警系统提供200-400ms的反应窗口,足以触发报警或启动安全气囊等保护装置。此外,数据集包含的大量正常活动样本(标签1/6/7占比超过85%)为构建鲁棒的负样本集提供了丰富素材,训练出的模型在居家环境中的误报率可降至5%以下。研究人员还可探索迁移学习方法,利用本数据集预训练模型,再结合少量真实跌倒数据(通过模拟实验或公开跌倒数据集如SisFall补充)进行微调,实现高精度跌倒检测,应用于智能手环、腰带式监护设备等商业产品。

2. 日常生活能力(ADL)评估与健康状态监测

日常生活能力(Activities of Daily Living, ADL)是评估老年人自理能力和健康状态的重要指标,包括站立、行走、坐卧、进食等基本活动。本数据集的7类活动标签覆盖了ADL的核心组成部分,183万条记录提供了长期连续监测数据,研究人员可基于此开发自动化ADL评估系统。具体应用包括:1)活动频率分析,统计每日站立、行走、休息的时间比例,生成活动日志报告,帮助医护人员或家属了解老人的生活节奏,及时发现活动量骤减等异常信号(可能预示疾病或抑郁);2)活动质量评估,通过分析行走时加速度的标准差、步态周期性等特征,评估步态稳定性,标准差增大或周期紊乱可能提示肌肉力量下降或神经系统问题;3)长期趋势监测,对比不同时间段(周、月)的活动模式变化,量化健康状态演变,例如行走时间逐渐减少、静止时间增加可能提示运动能力退化,需要介入康复训练;4)个性化基线建立,利用15位受试者的个体差异性,为每位老人建立个性化活动基线,当实时监测数据偏离基线超过阈值时触发预警,相比通用标准更精准。双部位传感器数据还能区分上肢和下肢活动,例如背部传感器检测躯干运动(转身、弯腰),大腿传感器捕捉步行和腿部活动,联合分析可细化ADL评估粒度。研究成果可应用于养老院智能监护系统、居家养老平台、远程医疗服务,减轻人工巡视负担,提升老人生活质量,降低医疗成本。

3. 人体活动识别算法研究与基准测试

人体活动识别(Human Activity Recognition, HAR)是计算机视觉和传感器信号处理的经典研究问题,本数据集为HAR算法的开发与性能评估提供了高质量基准。相比已有公开数据集(如UCI HAR、PAMAP2、OPPORTUNITY),本数据集聚焦老年人群体,活动模式与年轻人存在显著差异(步频更慢、动作幅度更小、平衡能力弱),为研究老年人专属HAR算法提供了独特视角。研究人员可探索以下方向:1)深度学习时序模型,利用LSTM、GRU、Transformer等网络捕捉加速度时间序列的长期依赖关系,6通道输入(背部+大腿三轴)为多模态融合提供基础,实验表明双部位融合比单部位准确率提升10-15%;2)轻量级边缘计算模型,针对可穿戴设备算力受限的场景,开发MobileNet、ShuffleNet等轻量化模型,在保持识别精度的同时降低计算成本,实现实时推理(延迟<100ms);3)不平衡学习算法,标签1占47%而标签4仅0.2%的极度不平衡分布为测试Focal Loss、SMOTE过采样、代价敏感学习等算法提供了理想平台,研究如何在稀有类别(可能是关键活动如跌倒)上保持高召回率;4)迁移学习与域适应,利用15个独立受试者进行Leave-One-Subject-Out交叉验证,模拟现实中模型应用于新用户的场景,研究如何通过少量标注数据(如新用户前1小时数据)快速适应个体差异;5)可解释性研究,使用注意力机制、SHAP值分析等方法解释模型决策,识别哪些时间段、哪个传感器轴对分类结果贡献最大,增强临床应用的可信度。数据集的标准CSV格式和清晰结构降低了实验门槛,研究人员可快速复现经典算法(KNN、SVM、决策树)作为基线,再逐步改进,推动HAR领域的进步。

4. 智能辅助生活系统与老年人护理机器人训练

智能辅助生活(Ambient Assisted Living, AAL)系统旨在通过物联网、传感器和人工智能技术帮助老年人独立生活,本数据集为AAL系统的核心功能——活动监测与行为理解提供了训练数据。具体应用包括:1)智能提醒系统,基于活动识别结果生成个性化提醒,例如检测到长时间静止(标签1持续>2小时)时提醒老人起身活动预防血栓,检测到异常步态(行走时加速度波动异常)时建议休息或寻求帮助;2)护理机器人行为规划,机器人通过读取传感器数据理解老人当前活动状态,据此调整服务策略,例如老人在行走(标签6/7)时机器人保持跟随避免碰撞,老人坐下(标签8)时机器人主动询问需求(送药、倒水),老人长时间静止时检查是否需要协助;3)睡眠质量监测,分析夜间活动模式(标签8的连续时长、中间是否频繁切换到标签1表示辗转),评估睡眠质量,检测失眠、睡眠呼吸暂停等问题,为医生诊疗提供客观数据;4)社交与认知干预,通过长期活动数据识别社交孤立风险(如每日活动多样性降低、行走距离减少),系统可主动推送视频通话邀请、组织线上活动,预防老年抑郁和认知衰退;5)紧急呼叫自动化,当检测到疑似跌倒或长时间异常静止(可能失去意识)时,系统自动拨打紧急联系人或120,附带活动日志帮助急救人员判断情况。双部位传感器数据增强了系统的鲁棒性,背部传感器可嵌入衣物(舒适但易受穿着方式影响),大腿传感器可固定在裤带(稳定但舒适性稍差),双重保障确保至少一个传感器正常工作。研究人员还可结合本数据集与其他模态数据(如环境传感器、摄像头)进行多模态融合,提升系统的理解能力,例如结合房间位置传感器,识别老人是在卧室休息(正常)还是在浴室长时间静止(可能摔倒),实现更精准的场景感知。

5. 可穿戴设备算法优化与传感器布局研究

可穿戴健康监测设备的性能高度依赖于传感器布局和算法设计,本数据集的双部位配置为相关研究提供了宝贵实验平台。研究人员可探索以下问题:1)传感器布局优化,对比单部位(仅背部或仅大腿)与双部位的识别精度,量化第二个传感器带来的性能提升,评估是否值得增加设备复杂度和成本,实验表明背部传感器对静止/坐卧识别效果好,大腿传感器对行走/跑步识别更敏感,双者结合可达最优;2)传感器冗余与容错,模拟单个传感器失效(数据丢失或噪声污染)情况下的系统鲁棒性,设计自适应算法在单传感器模式和双传感器模式间切换,确保设备在部分故障时仍能提供基本功能;3)低功耗算法设计,可穿戴设备电池续航是关键瓶颈,研究如何降低采样率(从20Hz降至10Hz或5Hz)或采用自适应采样(静止时低频、运动时高频)在保持精度的同时延长续航,数据集的高频完整数据可用于降采样实验,评估不同采样率对识别性能的影响;4)传感器校准与个体适应,不同个体的身高、体重、步态差异导致加速度分布不同,研究如何通过少量个人数据(如前1小时)快速校准通用模型,提升个性化精度,15位受试者的多样性为此类研究提供了测试集;5)传感器数据压缩与传输,可穿戴设备通常需要将数据无线传输到手机或云端,研究高效压缩算法(如小波变换、主成分分析)减少数据量,或采用边缘计算在设备端直接进行特征提取和分类,仅传输结果而非原始数据,降低功耗和带宽需求。此外,数据集还可用于研究传感器融合算法,例如卡尔曼滤波、粒子滤波等,结合背部和大腿的加速度数据估计身体姿态角度,重建三维运动轨迹,为虚拟现实康复训练、运动分析等应用提供支持。这些研究成果可直接应用于智能手环、智能腰带、智能服装等商业产品的研发,提升设备的准确性、续航时间和用户体验,推动可穿戴健康监测技术的产业化进程。

结论

本数据集聚焦70至95岁高龄老年人群体,提供了183万条高质量可穿戴传感器数据,涵盖15位受试者在真实生活场景中的日常活动,包含背部和大腿双部位三轴加速度计数据以及7类活动标签。相比现有公开数据集多聚焦年轻健康人群,本数据集填补了老年人体活动识别研究的数据空白,为跌倒检测、日常生活能力评估、健康状态监测、智能辅助生活系统开发以及人体活动识别算法优化提供了宝贵的真实数据支撑。双部位传感器设计、20Hz高频采样、零缺失完整记录、真实生活场景噪声、类别不平衡分布等特征使其成为老年健康监测领域的重要研究资源。数据集以标准CSV格式提供,结构清晰,便于使用主流编程语言和机器学习框架进行分析建模,研究人员可快速开展实验验证算法性能。随着全球人口老龄化加剧,基于本数据集开发的技术和产品将在居家养老、智慧医疗、可穿戴设备等领域发挥重要作用,帮助老年人安全独立生活,减轻家庭和社会的照护负担,提升老年人生活质量。数据集完整包含15个受试者的原始CSV文件、分析脚本和统计结果,为学术研究和工业应用提供了即用型资源,有需要可私信获取更多技术细节或合作事宜。