[论文解读] Human Gait Database for Normal Walk Collected by Smartphone Accelerometer

Amir Vajdi, Mohammad Reza Zaghian+8 more|arXiv (Cornell University)|May 4, 2019

Gait Recognition and Analysis参考文献 11被引用 7

一句话总结

本论文介绍了一个公开的步态数据库，包含93名受试者在两个时段内行走320米的步态数据，其中智能手机加速度计数据分别从右大腿和左腰部采集。该数据集通过提供时间上丰富的多时段数据及详细元数据，支持基于深度学习的步态识别，有助于实现无接触式人体身份识别的稳健模型训练与验证。

ABSTRACT

Gait recognition is the characterization of unique biometric patterns associated with each individual which can be utilized to identify a person without direct contact. A public gait database with a relatively large number of subjects can provide a great opportunity for future studies to build and validate gait authentication models. The goal of this study is to introduce a comprehensive gait database of 93 human subjects who walked between two endpoints (320 meters) during two different sessions and record their gait data using two smartphones, one attached to the right thigh and another one on the left side of the waist. This data is collected to be utilized by a deep learning-based method that requires enough time points. The metadata including age, gender, smoking, daily exercise time, height, and weight of an individual is recorded. this data set is publicly available.

研究动机与目标

• 创建一个全面且公开可访问的步态数据库，以支持基于步态模式的无接触式人体身份识别研究。
• 通过可穿戴智能手机从多样化受试者群体中采集多时段步态数据，以提升模型的泛化能力。
• 记录详细的元数据（年龄、性别、身高、体重、吸烟状况、每日运动时间），以支持基于人口统计信息的步态分析。
• 提供具有足够时间分辨率和持续时间的数据集，以支持需要长序列数据的深度学习方法。
• 通过标准化、可复现的数据采集方式，促进步态认证模型的开发与验证。

提出的方法

• 使用两部智能手机进行数据采集：一部固定在受试者的右大腿，另一部固定在左腰部。
• 受试者在两个独立时段内行走320米，以捕捉重复的步态模式。
• 在每次行走过程中连续记录加速度计数据，以确保为深度学习模型提供充足的时序数据点。
• 记录每位受试者的元数据，包括年龄、性别、吸烟状况、每日运动时间、身高和体重。
• 数据集设计支持时间序列建模，两个传感器的数据流实现同步。
• 最终数据集已公开发布，以支持步态识别与生物特征认证研究的广泛应用。

实验结果

研究问题

• RQ1 通过智能手机采集的大规模、多时段步态数据库是否能够有效支持基于深度学习的步态识别？
• RQ2 步态模式在不同时间段之间的差异性在多大程度上影响人员识别模型的性能？
• RQ3 年龄、性别和运动习惯等人口统计因素在所采集数据中对步态特征的影响程度如何？
• RQ4 从多个身体部位获取的智能手机加速度计数据能否可靠地捕捉具有区分性的步态特征？
• RQ5 数据长度和时间分辨率对深度学习模型在步态认证任务中性能的影响是什么？

主要发现

• 该数据集包含93名受试者，每人完成两个行走时段，共产生186个不同的步态记录，分布在两个传感器位置。
• 320米的行走距离提供了足够的时间持续时间，支持深度学习架构中的长序列建模。
• 大腿和腰部位置的加速度计数据捕捉到互补的步态动力学特征，增强了特征的丰富性。
• 详细的元数据使未来研究能够探究人口统计和生活方式因素对步态模式的影响。
• 数据集的公开可用性促进了研究的可复现性，并为步态识别模型的基准测试提供了支持。
• 由于其数据长度、一致性以及多时段设计，该数据集非常适合用于深度学习模型的训练与验证。