gesty_zegarka, gesty_zegarka

  • opis :

Zestaw danych SmartWatch Gestures Dataset został zebrany w celu oceny kilku algorytmów rozpoznawania gestów do interakcji z aplikacjami mobilnymi za pomocą gestów ramion.

Ośmiu różnych użytkowników wykonało dwadzieścia powtórzeń dwudziestu różnych gestów, w sumie 3200 sekwencji. Każda sekwencja zawiera dane przyspieszenia z 3-osiowego akcelerometru Sony SmartWatch™ pierwszej generacji, a także znaczniki czasu z różnych źródeł zegara dostępnych na urządzeniu z systemem Android. Smartwatch był noszony na prawym nadgarstku użytkownika. Gesty zostały ręcznie podzielone przez wykonujących je użytkowników, dotykając ekranu smartwatcha na początku i na końcu każdego powtórzenia.

Podział Przykłady
'train' 3251
  • Struktura funkcji :
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,
})
  • Dokumentacja funkcji :
Funkcja Klasa Kształt Typ D Opis
FunkcjeDict
próba Napinacz uint8
cechy Sekwencja
funkcje/accel_x Napinacz pływak64
funkcje/accel_y Napinacz pływak64
funkcje/accel_z Napinacz pływak64
funkcje/czas_zdarzenie Napinacz uint64
funkcje/time_millis Napinacz uint64
funkcje/time_nanos Napinacz uint64
gest Etykieta klasy int64
uczestnik Napinacz uint8
  • Cytat :
@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={} }