gesti_smartwatch, gesti_smartwatch

  • Descrizione :

Il set di dati SmartWatch Gestures è stato raccolto per valutare diversi algoritmi di riconoscimento dei gesti per l'interazione con le applicazioni mobili utilizzando i gesti del braccio.

Otto diversi utenti hanno eseguito venti ripetizioni di venti gesti diversi, per un totale di 3200 sequenze. Ogni sequenza contiene i dati di accelerazione dell'accelerometro a 3 assi di un Sony SmartWatch™ di prima generazione, nonché i timestamp delle diverse sorgenti di clock disponibili su un dispositivo Android. Lo smartwatch è stato indossato al polso destro dell'utente. I gesti sono stati segmentati manualmente dagli utenti che li eseguono toccando lo schermo dello smartwatch all'inizio e alla fine di ogni ripetizione.

Diviso Esempi
'train' 3.251
  • Struttura delle caratteristiche :
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,
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
tentativo Tensore uint8
caratteristiche Sequenza
features/accel_x Tensore galleggiante64
caratteristiche/accel_y Tensore galleggiante64
features/accel_z Tensore galleggiante64
features/time_event Tensore uint64
caratteristiche/tempo_millis Tensore uint64
features/time_nanos Tensore uint64
gesto ClassLabel int64
partecipante Tensore uint8
  • Citazione :
@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={} }