AICOS-HAR：面向人类活动识别的大规模多样化数据集与跨数据集基准测试资源

《Scientific Data》：A human activity recognition dataset spanning multiple devices and body positions with cross-dataset evaluation

　　

摘要

人类活动识别（HAR）旨在对日常生活中通过运动信号采集到的身体活动进行分类，通常使用基于无处不在的设备（如智能手机）传感器数据训练的机器学习模型。尽管该领域取得了显著进展，但公开数据集的碎片化阻碍了进一步突破——这些数据集在协议、设备、传感器放置位置和标注方案上各不相同。因此，在单一数据集上表现良好的模型往往难以在不同人群、硬件和真实条件下实现泛化。在本文中，我们提出了AICOS-HAR数据集，这是一个大规模且多样化的资源，包含来自106名参与者的5,231条带标签的活动采集记录（共计101.4小时），使用87部智能手机和17种可穿戴设备在多个研究项目中采集，涵盖惯性信号和气压信号。该数据集的早期版本已在位置无关HAR、行人导航和主动学习等领域推动了进展，充分证明了其实用性。除发布经过整理的数据集外，我们还提供了21个开源解析器，可将现有的公开HAR数据集转换为统一的数据模式，便于集成分析和系统性的跨数据集基准测试。这些资源共同支持稳健且可泛化的HAR模型的开发与系统评估，加速其在健康监测和移动性分析等现实应用场景中的落地。