smartwatch_gestures,smartwatch_gestures

• Deskripsi :

Set Data Gerakan SmartWatch telah dikumpulkan untuk mengevaluasi beberapa algoritme pengenalan gerakan untuk berinteraksi dengan aplikasi seluler menggunakan gerakan lengan.

Delapan pengguna berbeda melakukan dua puluh pengulangan dari dua puluh gerakan berbeda, dengan total 3200 urutan. Setiap urutan berisi data akselerasi dari akselerometer 3 sumbu Sony SmartWatch™ generasi pertama, serta stempel waktu dari berbagai sumber jam yang tersedia di perangkat Android. Jam tangan pintar dikenakan di pergelangan tangan kanan pengguna. Gestur telah disegmentasi secara manual oleh pengguna yang melakukannya dengan mengetuk layar jam tangan pintar di awal dan di akhir setiap pengulangan.

• Beranda : https://tev.fbk.eu/resources/smartwatch

• Kode sumber : tfds.datasets.smartwatch_gestures.Builder

• Versi :

  • 1.0.0 (default): Rilis awal.

• Ukuran unduhan : 2.06 MiB

• Ukuran dataset : 2.64 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

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,
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat as_supervised doc ): ('features', 'gesture')

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@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={} }