smartwatch_gestos,smartwatch_gestos

  • Descripción :

El conjunto de datos de gestos de SmartWatch se ha recopilado para evaluar varios algoritmos de reconocimiento de gestos para interactuar con aplicaciones móviles mediante gestos con los brazos.

Ocho usuarios diferentes realizaron veinte repeticiones de veinte gestos diferentes, para un total de 3200 secuencias. Cada secuencia contiene datos de aceleración del acelerómetro de 3 ejes de un Sony SmartWatch™ de primera generación, así como marcas de tiempo de las diferentes fuentes de reloj disponibles en un dispositivo Android. El reloj inteligente se usó en la muñeca derecha del usuario. Los gestos han sido segmentados manualmente por los usuarios que los realizan tocando la pantalla del reloj inteligente al principio y al final de cada repetición.

Separar Ejemplos
'train' 3,251
  • Estructura de características :
FeaturesDict({
    'attempt': uint8,
    'features': Sequence({
        'accel_x': float64,
        'accel_y': float64,
        'accel_z': float64,
        'time_event': uint64,
        'time_millis': uint64,
        'time_nanos': uint64,
    }),
    'gesture': ClassLabel(shape=(), dtype=int64, num_classes=20),
    'participant': uint8,
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
intentar Tensor uint8
características Secuencia
características/accel_x Tensor flotar64
características/accel_y Tensor flotar64
funciones/accel_z Tensor flotar64
características/time_event Tensor uint64
caracteristicas/time_millis Tensor uint64
caracteristicas/time_nanos Tensor uint64
gesto Etiqueta de clase int64
partícipe Tensor uint8
  • Cita :
@INPROCEEDINGS{
  6952946,
  author={Costante, Gabriele and Porzi, Lorenzo and Lanz, Oswald and Valigi, Paolo and Ricci, Elisa},
  booktitle={2014 22nd European Signal Processing Conference (EUSIPCO)},
  title={Personalizing a smartwatch-based gesture interface with transfer learning},
  year={2014},
  volume={},
  number={},
  pages={2530-2534},
  doi={} }