Dataset aperti per il riconoscimento di attività umane

Il riconoscimento di attività umane (HAR), sempre più popolare all’interno della comunità scientifica, si basa su tecniche di machine learning e di deep learning. Queste tecniche necessitano di grandi quantità di dati per l’addestramento degli algoritmi che generano. Queste grandi quantità di dati si trovano in dataset, raccolte di dati che possono essere aperte o meno, e che possono avere caratteristiche molto diverse l’una dall’altra. Le tre principali tipologie di dataset aperti per il riconoscimento di attività umane sono: dataset contenenti dati da sensori, dataset contenenti segnali radio (RF) e segnali WiFi, dataset contenenti video. Della prima tipologia fanno parte i dataset WISDM, Berkeley MHAD, PAMAP2, Opportunity e DSADS. Alla seconda appartengono OPERAnet, Mendeley e WiAR. Infine, della terza categoria fanno parte UCF101, UCF50, UCF11, UCF Sports Action e HMDB51. Ognuno di questi dataset contiene un numero diverso di azioni svolte dai soggetti, un diverso quantitativo di dati e dimensioni differenti. Ogni dataset è presentato, da chi lo ha creato, in un articolo scientifico. Per confrontare i dataset, è stato confrontato il numero di citazioni, dato preso da Google Scholar, di ognuno di questi articoli e, inoltre, sono stati confrontati numero di citazioni e tipologia dei tre articoli più citati che utilizzano ognuno dei dataset. Altri confronti svolti hanno analizzato il numero di azioni e di soggetti presenti nel dataset e il numero di elementi del dataset. Cosı̀ facendo, è stato possibile avere una visione d’insieme del materiale e della letteratura disponibile nell’ambito dei dataset aperti per il riconoscimento di attività umane.