广东省网站建设_网站建设公司_数据备份_seo优化

摘要：本研究使用的数据集由猿创作者团队自主构建，涵盖数据采集、标注与整理的完整流程，具备明确的自主知识产权属性。数据内容围绕智能养老和居家安全监护应用场景设计，包含老年人常见日常行为及摔倒、滑倒等高风险异常行为。所有样本均采集自模拟居家监控环境，并在不同拍摄视角和光照条件下获取，能够有效反映真实场景中老年人行为模式的多样性与复杂性。

作者：Bob(原创数据集)

数据集概览

本研究采用完全自建的老年人行为识别数据集，数据采集、标注及行为类别体系均由猿创作者团队独立完成，具备明确且完整的自主知识产权。

1.数据类型
本研究采用目标检测类型的数据集，通过边界框对老年人摔倒、滑倒、坐立及弯腰等行为目标进行定位与分类，适用于基于 YOLO 的实时行为检测任务。

2.标注格式
本研究采用YOLO系列目标检测算法通用的标注格式对数据集进行标注。如图所示，YOLO标注文件以文本形式存储，每行对应一个目标实例，主要包含目标类别编号、边界框中心点的相对坐标以及边界框的相对宽度和高度。所有坐标信息均采用相对于原始图像尺寸的归一化表示，取值范围为0至1，从而减少不同分辨率图像对模型训练的影响，并提高模型在多尺度目标检测任务中的适应性。

图1 YOLO 图像目标检测标注格式示意图

3.数据增强
为提高老年人行为识别模型在复杂监控环境下的泛化能力与鲁棒性，本文在原始数据集的基础上引入多种图像数据增强策略，对训练样本进行扩展与扰动处理。通过对样本实施多样化的数据增强操作，可以有效缓解由于样本数量有限及场景单一所导致的模型过拟合问题，从而提升模型在实际应用场景中的检测稳定性与识别准确性。

图2 数据集图像增强方法示例

具体而言，本文综合采用几何变换与图像质量扰动相结合的数据增强方法。在几何变换方面，对原始图像进行水平翻转、垂直翻转以及水平与垂直组合翻转处理，以模拟不同摄像机安装角度和人物姿态变化对检测结果的影响；在图像质量扰动方面，引入高斯模糊、随机噪声、雾化处理、随机颜色偏移及亮度调整等增强方式，用于模拟复杂监控环境中常见的光照变化、成像模糊及环境干扰等情况。

通过上述数据增强策略的引入，训练样本的多样性与覆盖范围得到了有效扩展，使模型能够学习到更加稳健且具有判别性的特征表示。实验结果表明，采用数据增强策略后，YOLO 系列目标检测模型在老年人摔倒与滑倒等异常行为识别任务中的整体检测性能均有所提升，为系统的实际部署与应用提供了可靠的数据支撑。

3.数据集划分
为保证模型训练与性能评估的客观性与可靠性，本文将所构建的数据集划分为训练集、验证集和测试集三部分。数据集按照 70% / 20% / 10% 的比例进行划分，其中训练集包含 2,333 张图像，用于模型参数的学习；验证集包含 666 张图像，用于模型超参数的调整与中间性能评估；测试集包含 334 张图像，用于对模型最终检测性能进行客观评估。该数据划分策略有助于系统性地分析模型的泛化性能。

图3 数据集在训练、验证和测试集上的分布

数据集来源

本系统采用猿创（2zocde）团队自建的、具有自主知识产权的行为识别数据集，该数据集围绕老年人日常行为与异常行为场景构建，主要包含老人弯腰（bend）、老人坐立（sit）、老人摔倒（fall）以及老人滑倒（slip_fall）等典型行为类别。数据集共包含数千张高质量影像样本，覆盖不同性别、不同年龄段及多样化监控场景，能够较为真实地反映实际应用环境中老年人行为的变化特征，确保了数据的多样性与代表性。上述数据被用于 YOLO 系列目标检测模型的训练、验证与测试过程，为提升模型对老年人摔倒及滑倒等异常行为的识别准确率和系统整体检测性能提供了可靠的数据支撑。

图4 数据集图片

数据集类别

表1 数据类别

数据集用途

本数据集用于老年人行为识别与跌倒检测模型的训练与验证，包含弯腰、坐立、摔倒和滑倒四类典型行为样本。可应用于以下研究与开发方向：
（1）模型训练：支持基于 YOLOv11 等目标检测模型进行老年人行为识别。
（2）性能评估：用于评估模型在行为检测任务中的检测精度与鲁棒性。
（3）系统开发：为老年人跌倒监测与智能养老安全系统提供数据支持。

数据集性能

（1）模型训练过程分析

图5 YOLOv11模型训练与验证损失函数变化曲线

该图表明，随着训练轮次的增加，YOLOv11 模型在训练集与验证集上的各项损失函数均呈现出稳定下降并逐渐收敛的趋势，同时 Precision、Recall 及 mAP 指标持续提升并趋于稳定，说明模型训练过程收敛良好，未出现明显过拟合现象，整体检测性能稳定可靠。

（2）检测性能曲线分析

图6 Precision–Recall 曲线（PR 曲线）

该 PR 曲线显示各类别及整体曲线均紧贴右上角，Precision 与 Recall 同时保持在较高水平，且 mAP@0.5 达到 0.995，表明模型在老年人行为识别任务中具有极高的检测准确性与稳定的综合性能。

（3）分类与识别效果分析

图7 老年人行为识别混淆矩阵

该混淆矩阵显示各类老年人行为样本主要集中于对角线位置，误分类现象较少，尤其在摔倒（fall）与滑倒（slip_fall）等关键异常行为上具有较高的识别准确率，表明模型具备良好的类别区分能力与整体识别性能。

（4）最终性能结果汇总

图8 YOLOv11 模型训练完成后的性能评估结果

从训练与验证结果可以看出，YOLOv11 模型在各类别上的 Precision、Recall 及 mAP 指标均接近 1.0，推理速度快且模型参数规模适中，表明模型在老年人行为识别任务中兼具较高检测精度与良好的实时性，满足实际应用需求。

数据集须知

（1）数据来源：研究团队自主采集与标注，仅限科研与教学使用。
（2）数据结构：包含训练集、验证集和测试集，覆盖四类老年人行为。
（3）文件格式：图像为 .jpg，标注为 YOLO 格式 .txt。
（4）使用要求：禁止未经授权的传播与商业使用。
（5）适用范围：老年人行为识别与跌倒检测研究。