smartwatch_gestures,smartwatch_gestures

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

  • توضیحات :

مجموعه داده SmartWatch Gestures برای ارزیابی چندین الگوریتم تشخیص ژست برای تعامل با برنامه های تلفن همراه با استفاده از حرکات بازو جمع آوری شده است.

هشت کاربر مختلف بیست تکرار از بیست ژست مختلف را برای مجموع 3200 دنباله انجام دادند. هر دنباله حاوی داده‌های شتاب از شتاب‌سنج 3 محوره نسل اول Sony SmartWatch™، و همچنین مهرهای زمانی از منابع ساعت مختلف موجود در دستگاه Android است. ساعت هوشمند روی مچ دست راست کاربر بسته شده بود. ژست‌ها به‌صورت دستی توسط کاربرانی که آن‌ها را با ضربه زدن روی صفحه ساعت هوشمند در ابتدا و در پایان هر تکرار انجام می‌دهند، تقسیم‌بندی شده‌اند.

شکاف مثال ها
'train' 3,251
  • ساختار ویژگی :
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,
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
تلاش تانسور uint8
امکانات توالی
ویژگی ها/accel_x تانسور float64
ویژگی ها/accel_y تانسور float64
ویژگی ها/accel_z تانسور float64
ویژگی ها/time_event تانسور uint64
features/time_millis تانسور uint64
ویژگی ها/time_nanos تانسور uint64
ژست ClassLabel int64
شرکت کننده تانسور uint8
  • نقل قول :
@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={} }