CAPTURE-24: A large dataset of wrist-worn activity tracker data collected in the wild for human activity recognition

现有的人类活动识别活动追踪器数据集通常是通过让参与者在受监督的封闭环境下执行预定义的活动来获得的。这导致数据集规模小，活动数量和异质性有限，缺乏在自由生活场景中通常发现的混合和细致的动作。因此，基于实验室样式数据集训练的模型可能无法推广到样本外。为了解决这个问题，我们介绍了一个新的数据集，涉及手腕加速计、可穿戴相机和睡眠日记，可以在自由生活环境中收集超过24小时的数据。结果是CAPTURE-24，一个大型活动追踪器数据集，从151名参与者中收集，总共3883小时的加速度计数据，其中2562小时有注释。CAPTURE-24比现有的公开可用数据集大两到三个数量级，这对于开发准确的人类活动识别模型至关重要。

CAPTURE-24论文旨在解决现有人体活动识别数据集规模小、缺乏真实场景数据的问题，提出了一种在自由活动环境下收集数据的方法。

CAPTURE-24数据集通过佩戴手腕加速度计、可穿戴相机和睡眠日志，收集了151个参与者超过24小时的数据，其中2562小时的加速度计数据已经进行了注释。该数据集比现有公开数据集大2-3个数量级，是开发准确的人体活动识别模型的关键。

CAPTURE-24数据集是在自由活动环境下收集的，比现有数据集规模大，涵盖了更多真实场景数据。该数据集已经公开，可以用于研究人体活动识别模型。实验设计合理，使用了多种传感器收集数据，并进行了注释。CAPTURE-24数据集可以用于许多应用领域，如健康监测、运动监测等。

与CAPTURE-24论文相关的研究包括：《A Review on Human Activity Recognition Using Wearable Sensors and Smartphones》、《Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition》、《A Survey of Human Activity Recognition Using Smartphone》等。