{
  "paper_id": "5167aa0a9d2addd7e64c80f8311d3c40",
  "paper_title": "3D human pose point cloud data of light detection and ranging (LiDAR)",
  "paper_authors": [
    "Farah Zakiyah Rahmanti",
    "Moch. Iskandar Riansyah",
    "Oddy Virgantara Putra",
    "Eko Mulyanto Yuniarno",
    "Mauridhi Hery Purnomo"
  ],
  "publication_date": "2025-09-10",
  "publication_venue": "Data in Brief",
  "abstract": "3D Light Detection and Ranging (LiDAR) sensors are closely related to computer vision and deep learning. 3D LiDAR sensors are commonly embedded in smart vehicles to segment humans, cars, trucks, motors, and other objects. However, 3D LiDAR can also be used indoors to predict human poses that are more friendly to a person's privacy because 3D LiDAR does not capture facial images, but it produces data in the form of point clouds. The point cloud produces spatial, geometric, and temporal information which can be used to predict, detect, and classify human poses and activities. The data output from 3D LiDAR, which includes spatial and temporal data, is in PCAP (.pcap) and JSON (.json) formats. The PCAP file contains the sequence frame of the 3D human pose point cloud, and the JSON file contains the metadata. Each human pose class label has one PCAP file and one JSON file. The raw spatio-temporal data must be processed into PCD format as a 3D human pose point cloud dataset for each human pose. The total human pose dataset is 1400 3D point cloud data with PCD format (.pcd) used for the training and testing process in deep learning, consisting of four human pose labels. The label classes are hands-to-the-side, sit-down, squat-down, and stand-up human poses, with each class having 280 3D point cloud data used as training data. While the test data amounted to 280 3D point cloud data. The data collection process uses 3D LiDAR, a tripod, a personal computer/laptop, and a talent, demonstrating basic human poses. The 3D LiDAR used is OS1, a product of Ouster, which has a range of 90–200 m, 128 channels of resolution, and a temperature of -40 ~ 60°C. For talent, there is one person and male gender in this current shooting. However, in its development, it can also take female or children or elderly talent to enrich the human pose dataset. The talent is between 30 and 40 years old. The distance between the 3D LiDAR and the talent position is 120 cm. Data collection took place from 10:00 a.m. to 1:00 pm. indoors. This dataset is used for human pose prediction using one of the deep learning algorithms, Convolutional Neural Network (CNN). However, the developers can also use other deep learning algorithms such as transformers, Graph Neural Network (GNN), etc.",
  "keywords": [
    "3D LiDAR",
    "Human pose prediction",
    "Spatial",
    "Geometric",
    "Temporal",
    "3D point cloud dataset"
  ],
  "paper_institutions": [
    "Institut Teknologi Sepuluh Nopember",
    "Telkom University Surabaya Campus",
    "Universitas Darussalam Gontor"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:14.776446Z",
  "template_tag": "deep_read",
  "summary": "# 3D human pose point cloud data of light detection and ranging (LiDAR)\n\n\n**作者 / Authors:** Farah Zakiyah Rahmanti, Moch. Iskandar Riansyah, Oddy Virgantara Putra, Eko Mulyanto Yuniarno, Mauridhi Hery Purnomo\n\n\n**单位 / Institutions:** Institut Teknologi Sepuluh Nopember, Telkom University Surabaya Campus, Universitas Darussalam Gontor\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2025-09-10\n\n\n\n**期刊/会议 / Publication Venue:** Data in Brief (Elsevier)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 模块A：阅读对齐与输入验证\n\n### 1. 论文元数据\n\n- **标题**：3D human pose point cloud data of light detection and ranging (LiDAR)\n- **作者**（姓名 / 单位 / 简要背景，如有）：\\ - Farah Zakiyah Rahmanti（Institut Teknologi Sepuluh Nopember 电气工程系；Telkom University 泗水校区信息技术系。研究领域：计算机视觉、深度学习、三维点云处理）\\ - Moch. Iskandar Riansyah（Institut Teknologi Sepuluh Nopember 电气工程系；Telkom University 泗水校区电气工程系。参与软件、数据整理等）\\ - Oddy Virgantara Putra（Universitas Darussalam Gontor 信息学系。参与软件、数据整理、调查）\\ - Eko Mulyanto Yuniarno（Institut Teknologi Sepuluh Nopember 电气工程系；计算机工程系。负责概念化、方法学、验证、监督）\\ - Mauridhi Hery Purnomo（Institut Teknologi Sepuluh Nopember 电气工程系；计算机工程系。负责概念化、验证、资源、监督、经费获取）\n- **出版地点**：Data in Brief（Elsevier），2025年9月10日在线发布。文章历史显示接收2025年7月16日，修订2025年8月22日，接受2025年9月1日，在线2025年9月10日。\n\n### 2. 研究定位\n\n- **研究领域**：计算机视觉、三维点云、人体姿态估计/预测、深度学习。\n- **具体任务**：提供一个基于3D LiDAR的人体姿态点云数据集，用于人体姿态预测、估计、分类等任务。\n- **目标用户或应用场景**：研究人员、开发者，用于姿态估计、动作识别、健康监测（如理疗）、老年人跌倒检测、安防异常检测等。隐私保护场景（如浴室、卧室）尤其适用。\n\n### 3. 输入材料清单\n\n- **PDF**：有（本文为数据论文，提供完整PDF）。\n- **附录/补充**：无显式附录，但数据与代码链接均给出。\n- **代码链接**：GitHub链接（文中提及提供pcap2pcd.py），具体URL未在文本中列出，但Mendeley Data页面包含该代码。\n- **数据集链接**：Mendeley Data，DOI: 10.17632/gpvrnphw66.3，URL: <https://data.mendeley.com/datasets/gpvrnphw66/3>\n\n### 4. 缺失材料与风险\n\n- **缺失项**：实际的数据文件（PCAP、JSON、PCD）需要通过外部链接下载；GitHub代码链接未在文中明确给出完整URL；原始数据中缺少多视角的完整示例（只展示了部分类别的可视化）。\n- **可能影响**：若无法访问数据仓库或代码链接，则无法复现数据预处理流程；文本中的可视化仅代表部分姿态，可能限制对完整数据结构的理解。\n\n### 5. 阅读路线（3-6步）\n\n- **步骤1**：阅读摘要与规格表，明确数据集的规模、格式、类别与获取方式。\n- **步骤2**：浏览“价值”与“背景”部分，理解数据集的优势与对比其他数据集的特点。\n- **步骤3**：阅读“数据描述”部分，了解数据划分（训练/测试）、各类别数量、平衡性及图表（如图1-4）。\n- **步骤4**：查看“实验设计、材料与方法”部分，掌握采集设备（OS1 LiDAR）、距离、环境、预处理流程（PCAP→PCD、分割、标注）。\n- **步骤5**：检查限制与伦理声明，评估数据集的适用范围与潜在偏差。\n\n分类理由：本文的核心贡献是发布一个数据集，而非提出新算法（method）或构建完整系统（system），也不属于综述（survey），因此归类为“other”。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## 模块B：第一遍概览\n\n### 1. 论文类型与类别\n\n- **类型**：数据论文（Data Article），属于数据集发布而非算法或系统。\n- **具体类别**：3D点云人体姿态数据集的发布。\n\n### 2. 背景与研究背景\n\n- **研究背景**：3D LiDAR传感器在计算机视觉和深度学习中广泛使用，尤其是在智能车辆中。然而，3D LiDAR也可用于室内人体姿态预测，且不采集面部图像，保护隐私。当前公开的室内3D人体点云数据集较少，本文旨在填补这一空白。\n- **上下文**：该数据集提供空间、几何和时间信息，可用于人体姿态预测、分类和活动识别等任务，涉及健康、安防等领域。\n\n### 3. 直觉正确性检查（关键假设及合理性）\n\n- **关键假设1**：3D LiDAR可生成包含人体姿态的3D点云数据，此类数据可提供足够的空间和几何信息。\n  - 合理性：合理，LiDAR点云已广泛应用于物体识别和姿态估计。\n- **关键假设2**：数据划分（80%训练/20%测试）且类别平衡有助于深度学习模型公平学习。\n  - 合理性：合理，平衡数据可减少偏差。\n- **关键假设3**：仅使用单一男性测试者、固定距离和室内环境即可初步构建数据集。\n  - 合理性：作为初步研究可行，但多样性不足，需后续扩展。\n\n### 4. 核心贡献（3-5条）\n\n1. **发布了一个包含1400个3D人体姿态点云的数据集**，涵盖四种姿态（双手侧放、坐下、蹲下、站起），每类280个训练数据和280个测试数据。\n2. **提供原始PCAP和JSON格式数据**，以及处理后的PCD格式，便于用户直接用于深度学习。\n3. **强调隐私保护**：使用LiDAR而非摄像头，避免面部图像泄露，适用于浴室、卧室等隐私敏感场景。\n4. **提供pcap2pcd转换代码**（GitHub和Mendeley Data），保证数据预处理流程的可复现性。\n\n### 5. 清晰度评估（结构、图表、公式、可读性）\n\n- **结构**：清晰，包含摘要、规格表、价值、背景、数据描述、实验方法、局限等标准部分。\n- **图表**：有图1-6和表2-3，展示数据样例、分布、采集设备等，直观。\n- **公式**：无公式，适合数据论文。\n- **可读性**：语言简洁，但部分位置如数据划分描述略有重复；GitHub链接未直接给出完整URL，需借助Mendeley页面。\n\n### 6. 继续或停止建议\n\n- **建议**：**继续**进入第二遍阅读。\n- **理由**：作为数据集论文，需要深入理解数据的具体格式、预处理步骤和适用场景，以评估其可用性和局限性。若仅需概览，当前信息已足够，但后续阅读可获取更详细的技术细节。\n\n### 7. 结构大纲图\n\n```markmap\n# 论文概览\n## 文章信息（标题、作者、时间）\n## 摘要\n## 规格表\n## 数据价值\n## 背景\n## 数据描述\n## 实验设计、材料与方法\n## 局限与伦理\n## 数据可用性\n## 参考文献\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在提供一个基于3D LiDAR采集的、保护隐私的、包含空间、几何与时间信息的室内3D人体姿态点云数据集，以支持人体姿态预测、估计与分类等计算机视觉和深度学习任务。\n\n### 2. 痛点或不足（2-4条）\n\n- **公开室内3D人体点云数据集稀缺**：现有公开的人体点云数据集多聚焦于室外或自动驾驶场景（如EMS3D-KITTI[^5]），专门针对室内单人基本姿态的3D点云数据集仍然很少（见Background部分）。\n- **缺乏隐私保护型数据**：许多数据集使用RGB相机或RGB-D相机，会捕捉人脸图像，存在隐私泄露风险；而3D LiDAR只生成点云，不包含面部影像，更适合浴室、卧室等隐私敏感场景（见Abstract及Value of the Data部分）。\n- **现有数据集缺乏时空信息**：部分数据集（如MOVE4D系统[^7]）仅提供单帧快照，不包含时序数据；而本文的数据集以PCAP格式保存帧序列，包含时间维度，可支持姿态跟踪与动作识别。\n- **数据平衡性和多样性不足**：现有数据集或存在类别不平衡，或采集对象单一，难以泛化；本文虽分类均衡，但仅一名成年男性、室内环境、四种基本姿态，仍存在多样性和现实场景适配的局限（见Limitations部分）。\n\n### 3. 正式目标或优化目标（若有）\n\n本文属于数据论文，未提出明确的数学优化目标或损失函数。其目标为：\n\n- 提供可复现、可直接用于深度学习（如CNN、Transformer、GNN等）训练的3D人体姿态点云数据集；\n- 明确数据采集、预处理（PCAP→PCD、3D切片分割、人工标注）的流程，并公开代码与数据链接，便于研究者复现和扩展（见Specifications Table与Experimental Design部分）。\n\n### 4. 成功标准（度量或期望属性）\n\n- **数据规模与平衡性**：共1400个PCD格式的3D点云样本，四类姿态（hands-to-the-side、sit-down、squat-down、stand-up）各280个训练样本，测试集280个混合样本，训练/测试比例80%：20%（见Table 2和Fig. 2）。\n- **数据可用性**：提供原始PCAP、元数据JSON以及处理后的PCD文件，并通过Mendeley Data公开（DOI: 10.17632/gpvrnphw66.3），同时提供pcap2pcd.py转换代码（见Data accessibility部分）。\n- **时空信息完备性**：每个姿态类别包含一帧序列（PCAP），可提取空间（x,y,z）、几何（身体部位结构、朝向）和时间（帧间变化）信息，足以支持姿态预测、估计、活动识别等任务（见Value of the Data部分）。\n- **隐私友好**：数据不含人像和身份信息，符合伦理声明（见Ethics Statement部分）。\n- **基准对比**：与现有数据集相比，强调隐私保护、时空3D点云、平衡的类分布（见Table 1对比）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## 模块C2：相关工作分析\n\n### 1. 最强基线（Strongest baseline）与比较轴\n\n- **基线数据集**：表1中列出的四个对比数据集（[^5]-[^8]），分别代表不同类型的传感器与数据类型。\n  - [^5]：EMS3D-KITTI（LiDAR+RGB相机，面向紧急医疗车辆，户外仿真环境）\n  - [^6]：mmPrivPose3D（雷达+RGB-D相机，面向隐私保护的人体姿态估计与手势识别）\n  - [^7]：MOVE4D系统（高密度点云，无时间序列）\n  - [^8]：基于数字相机的视频序列（2D逐帧数据，不保护隐私）\n- **比较轴**：数据集的价值（数据特性）、采集设备、局限性、与现有数据的差距。\n- **强项对比**：本数据集（Current）在“隐私保护”、“时空3D点云”和“序列帧”三个特性上形成组合优势，这是其他单一数据集不具备的。\n\n### 2. 最接近的方法（Closest approach）与关键差异\n\n- **方法**：mmPrivPose3D（[^6]）与本数据集同属隐私保护的人体姿态数据，但使用雷达（Radar）+RGB-D相机，而非3D LiDAR。\n- **核心思想**：利用非视觉传感器获取人体姿态，避免面部图像泄露隐私。\n- **关键差异**：\n  - **设备不同**：本数据集使用3D LiDAR（OS1，128线），产生高密度3D点云；mmPrivPose3D使用雷达，数据稀疏，可能导致姿态细节丢失（表1中已注明“sparser data, pose details may be lost”）。\n  - **数据类型**：本数据集提供原始PCAP/JSON及处理后的PCD格式，包含空间、几何和时间信息；mmPrivPose3D更侧重姿态估计与手势识别，不强调时序点云序列。\n  - **应用场景**：本数据集面向室内基本姿态（站、坐、蹲、手侧举），而mmPrivPose3D面向人机协作中的命令识别。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **户外自动驾驶**（[^5]）：面向EMS车辆，场景为户外，关注特定物体类别，与室内人体姿态预测正交。\n- **无时序快照**（[^7]）：MOVE4D系统提供单帧高密度点云，不包含时间维度，无法支持动作或姿态过渡分析。\n- **传统视频数据**（[^8]）：基于RGB相机采集，不提供3D点云，且违反隐私保护要求，属于2D逐帧识别领域。\n- **其他相关研究**（[^1]-[^4]）：本团队之前的算法研究（如BIVFE、GDANet、Fuzzy Lightweight CNN等），侧重于处理点云或体素的特征提取与分类，可作为本数据集的下游算法验证方向。\n\n### 4. 一句话定位本论文\n\n本文提供的3D LiDAR人体姿态点云数据集，以“隐私保护+时空3D点云+序列帧”三重特性填补了室内人体姿态预测数据集的空白，区别于现有仅侧重单一维度或非隐私感知的数据集。\n\n## 方法 -> 核心思想 -> 局限性\n\n- 方法：使用3D LiDAR（OS1）采集室内单人的四种基本姿态（手侧举、坐下、蹲下、站立），通过PCAP→PCD处理和手工标注，构建平衡的1400个3D点云训练/测试集。\n- 核心思想：将LiDAR点云的空间、几何与时间信息结合，在保护隐私（无面部图像）的前提下支持人体姿态预测、感知与活动识别。\n- 局限性：仅涵盖四类基本姿态、单一男性被试（30-40岁）、室内固定距离（120cm）采集，且未提供多样性别/年龄/多人场景，影响人体形状与动作的多样性，限制了现实世界的泛化能力（见Limitations部分）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## 模块C3：论文如何解决问题？\n\n### 1. 核心机制概述\n\n本文为一篇**数据论文**，其“解决问题”的方式是**提供一个高质量的3D LiDAR人体姿态点云数据集**，并给出从原始采集到可用于深度学习的处理流程。核心机制可概括为：**使用OS1 3D LiDAR传感器在室内固定距离（120cm）采集单一人体动作的空间-时序原始数据（PCAP/JSON），通过切片分割（3D slicing）提取人体感兴趣区域（ROI），人工标注后转换为PCD格式，形成包含4类姿态、共1400个点云样本的平衡数据集**。该数据集旨在为人体姿态预测、估计、动作识别等计算机视觉与深度学习任务提供隐私友好的数据基础。\n\n### 2. 逐步分解（数据处理流程）\n\n1. **数据采集**：使用OS1 3D LiDAR（128通道，量程90-200m，工作温度-40~60°C）在室内环境（经纬度-7.282662,112.7951935）采集一名30-40岁男性受试者的四种基本姿态（hands-to-the-side、sit-down、squat-down、stand-up），LiDAR与受试者距离120cm，数据采集时间为上午10:00至下午1:00。\n2. **原始数据输出**：LiDAR输出包含空间与时间信息的PCAP（.pcap）文件（含序列帧）和JSON（.json）元数据文件（每个姿态类对应一个PCAP和一个JSON）。\n3. **数据转换**：使用Python编写的`pcap2pcd.py`脚本（基于`ouster`库的`pcap.Pcap()`、`source.metadata`、`client.Scans()`）将PCAP逐帧转换为PCD（.pcd）格式的点云数据。\n4. **人体分割**：采用**3D裁剪（3D slicing）**方法对原始点云进行分割，仅保留人体区域（ROI），去除背景与噪声。\n5. **手动标注**：对分割后的每个3D人体点云数据人工标注其对应姿态类别（4类之一），确保标签准确性。\n6. **数据划分**：共得到1400个PCD点云样本，其中每类280个，共1120个作为训练数据（80%），剩余280个混合姿态作为测试数据（20%）。\n7. **可选预处理**：建议使用**min-max scaler**方法对3D点坐标进行归一化，再输入深度学习模型（如CNN、Transformer、GNN等）。\n\n### 3. 关键公式或模块作用\n\n- **min-max归一化公式**：\\[X_{norm} = \\frac{X - X_{min}}{X_{max} - X_{min}}\\] 用于将每个点云的x、y、z坐标缩放到[^0] [^1]区间，消除量纲差异，提升深度学习模型训练稳定性。\n- **数据比例公式**：训练集占比80%，测试集占比20%，计算方式为：训练样本数=总样本数×0.8=1400×0.8=1120；测试样本数=总样本数×0.2=1400×0.2=280。\n- **模块作用**：\n  - `pcap.Pcap(path, info)`：读取PCAP文件，获取数据流。\n  - `source.metadata`：获取传感器元数据（如通道数、时间戳等）。\n  - `client.Scans(source)`：解析PCAP中的扫描帧，用于逐帧提取点云。\n\n### 4. 处理流程图（数据处理流程）\n\n```mermaid\nflowchart TD\n  A[\"OS1 3D LiDAR 采集\\n(室内, 距离120cm, 单一人体)\"] --> B[\"原始输出\\nPCAP + JSON\"]\n  B --> C[\"pcap2pcd.py 转换\\n(使用 ouster 库)\"]\n  C --> D[\"逐帧PCD点云\"]\n  D --> E[\"3D slicing 人体分割\\n提取ROI\"]\n  E --> F[\"手动标注姿态类别\\n(4类标签)\"]\n  F --> G[\"数据划分\\n训练1120 / 测试280\"]\n  G --> H[\"可选 min-max 归一化\"]\n  H --> I[\"输入深度学习模型\\n(CNN/Transformer/GNN)\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表\n\n- **数据集名称**：3D Human Pose Point Cloud Dataset of Light Detection and Ranging (LiDAR)\n- **规模**：共1400个3D点云数据（PCD格式），分为4个人体姿态类别：hands-to-the-side（手放两侧）、sit-down（坐下）、squat-down（下蹲）、stand-up（站立）。每个类别有280个训练数据，另有280个混合姿态的测试数据。\n- **场景**：室内环境，数据采集位于印度尼西亚泗水（Surabaya）的Institut Teknologi Sepuluh Nopember电气工程系多媒体物联网实验室（坐标 -7.282662, 112.7951935）。\n- **原始格式**：PCAP（.pcap）和JSON（.json）文件，包含时空点云数据。每个姿态类别对应一个PCAP和一个JSON文件。\n- **基准对比**：文中Table 1将该数据集与EM S3D-KITTI（[^5]）、mmPrivPose3D（[^6]）、MOVE4D（[^7]）、视频序列数据集（[^8]）进行了对比，强调本数据集的优势在于隐私保护、三维时空点云数据。\n\n### 2. 预处理与划分设置\n\n- **预处理流程**：\n  - 原始PCAP和JSON数据通过Python脚本pcap2pcd.py（提供于GitHub和Mendeley Data）转换为PCD格式。\n  - 使用3D切片（3D slicing）进行人体分割（human segmentation），提取人体感兴趣区域（ROI）。\n  - 对每个分割结果进行人工标注，确保类别标签准确。\n  - 开发者可使用min-max scaler方法进行3D点归一化，作为深度学习前的可选步骤。\n- **数据划分**：\n  - 训练/测试比例：80% / 20%。\n  - 训练数据：共1120个点云，每个类别280个（Table 2）。\n  - 测试数据：280个点云，混合4个姿态类别（Table 2）。\n  - 类别分布均匀（每个类别占训练数据的25%），避免类别不平衡（Fig. 2、Fig. 3）。\n\n### 3. 训练/推理/评估环境（如适用）\n\n- **硬件**：\n  - 3D LiDAR传感器：OS1（Ouster产品），128通道，测量范围90–200 m，工作温度-40°C至60°C（Section 4，Fig. 5）。\n  - 个人电脑最低配置：CPU Intel Core i5-8350U @1.70 GHz，内存16GB（2400 MHz）。\n- **软件**：\n  - 最低要求：PyCharm Community Edition 2022.2.1（可用VS Code等替代）。\n  - 编程语言：Python。\n  - 点云可视化库：Open3D。\n  - PCAP转PCD代码：pcap2pcd.py（GitHub链接，文中未给完整URL）。\n- **数据采集设置**：\n  - 受试者：1名男性，年龄30-40岁。\n  - 距离：3D LiDAR与受试者距离120 cm（Section 4，Fig. 6）。\n  - 时间：上午10点至下午1点（室内）。\n- **适用模型**：论文指出该数据集可用于CNN，也可用于Transformer、GNN等深度学习算法（摘要和Section 2）。\n\n### 4. 为何这些选择重要，以及它们验证了什么\n\n- **为什么重要**：\n  - 数据集提供空间、几何和时间信息，支持人体姿态预测、估计、分类等任务（Section 1）。\n  - 隐私保护特性（不采集人脸图像，只产生点云）使其适用于浴室、卧室等隐私敏感场景（Section 1和Limitations）。\n  - 数据划分策略（80/20）和平衡类别确保模型能公平学习，减少偏差，且无需重采样处理（Section 3）。\n  - 预处理流程（PCAP→PCD、3D切片分割、人工标注）提高数据可用性和准确性，便于复现。\n- **验证了什么**：\n  - 验证了该数据集可作为健康成年人基本姿态的基准，用于物理治疗、跌倒检测、异常检测等应用（Section 1）。\n  - 通过与其他数据集的对比（Table 1），突出了本数据集在隐私保护、时空3D点云方面的独特价值。\n  - 局限性声明（Limitations）承认当前仅包含单一受试者、四种姿态、室内环境，影响身体多样性，强调未来需扩展以增强现实世界适用性。\n  - 该数据集支持早期人体姿态预测研究，可结合深度学习算法验证模型性能（Section 2）。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 模块C5：指标与结果\n\n### 1. 指标（定义或简短解释）\n\n本文为数据论文（Data Article），其核心贡献是发布一个基于3D LiDAR的人体姿态点云数据集，而非提出新的算法或模型。因此，论文中未定义或报告任何机器学习模型的性能指标（如准确率、精确率、召回率、F1-score、mAP等），也未给出推理速度、参数量等系统级指标。\n\n数据集自身的“质量指标”可以理解为：\n\n- **类别平衡性**：四个姿态类别（hands-to-the-side、sit-down、squat-down、stand-up）各自样本量相等，均为280个训练样本（见表2，Section 3）。\n- **数据规模**：总计1400个3D点云样本（PCD格式），其中训练数据1120个、测试数据280个（80%/20%划分，见Section 3及图4）。\n- **数据格式**：原始数据为PCAP（.pcap）和JSON（.json），处理后为PCD（.pcd）格式（见摘要及Section 4）。\n\n### 2. 主要结果（具体数字）\n\n- **训练/测试样本数量**：训练集1120个，测试集280个，总样本1400个（Table 2，Section 3）。\n- **每类样本数量**：四类各280个训练样本（Table 2，Section 3）。\n- **测试集构成**：测试集包含四类姿态的混合，共280个（Table 2中第5行）。\n- **类别分布**：图3显示每一类在训练数据中占25%（见Section 4）。\n- **数据采集参数**：LiDAR型号为OS1（Ouster），距离被测人员120 cm，采集时间10:00–13:00，室内（见摘要及Section 4）。\n\n### 3. 与基线的比较或代表性先前工作\n\n论文仅在Table 1中定性比较了四个先前数据集（引用[^5] [^6] [^7] [^8]），比较维度为：数据集价值、所用设备、局限性和差距。要点如下：\n\n- **EMS3D-KITTI**（[^5]）：用于EMS车辆的数据集，使用LiDAR和RGB相机，基于CARLA模拟器合成，局限为室外场景且只聚焦于EMS车辆。\n- **mmPrivPose3D**（[^6]）：隐私保护人体感知数据集，使用雷达和RGB-D相机，支持3D姿态估计和手势识别，但雷达数据稀疏可能丢失姿态细节。\n- **MOVE4D相关数据集**（[^7]）：高密度点云数据集，使用MOVE4D系统，缺失时间信息，仅“每个姿态的快照”。\n- **视频序列数据集**（[^8]）：利用12MP数码相机采集视频帧，不具隐私保护，且为2D数据。\n\n**本文数据集的特点（对比差距）**：提供3D人体姿态点云的序列帧，隐私保护型人体感知，包含空间和时间3D点云数据；使用的设备是3D LiDAR；局限性为单一男性被试、室内、特定姿态。\n论文没有报告任何定量的性能对比（如不同数据集上的识别精度），因为本文只发布数据，不包含模型评估。\n\n### 4. 消融、敏感性或跨论文差异的综合\n\n本文没有进行任何模型消融实验或敏感性分析。作为数据论文，它提供了数据层面的“差异综合”：\n\n- **跨论文差异**：与表1所列先前数据集相比，本文数据集的优势是隐私保护（3D LiDAR不捕捉面部图像）和时空点云数据；局限性是样本量较小（仅1400个）、姿态种类少（4类）、单一个体（30–40岁男性）、室内环境。\n- **已声明的影响因素**：论文在Limitations部分说明，姿态多样性、不同性别/年龄、多任务以及室外采集将增加数据价值；预处理方法（如噪声处理）会影响后续人体姿态预测结果。这些提示对后续研究者而言是重要的敏感性因素，但本数据集本身未提供消融结果。\n\n**总结**：本文为数据论文，报告了数据集的结构、规模、采集设置和对比特性，但没有模型训练/测试指标，也没有消融实验。所有关键数字均来自Section 3和Section 4中的Table 2、Fig 2–Fig 4。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n### 模块C6：未来可探索的方向\n\n#### **理论方向**\n\n1. **更丰富的姿态表示与时空建模**：当前数据集仅包含四个基本人体姿态（hands-to-the-side、sit-down、squat-down、stand-up），且被视为静态序列帧。未来可从理论层面探索更复杂的时空特征提取方法，例如利用图神经网络（GNN）捕捉关节点间的非欧几里得空间关系，或引入Transformer架构对长程时间依赖进行建模。论文在摘要和背景部分（第2节）提到数据集可支持姿态预测、估计、跟踪等任务，但尚未充分挖掘点云数据中的时序动态信息。\n2. **跨传感器域适应与多模态融合理论**：数据集目前仅由3D LiDAR采集，未来可研究LiDAR与毫米波雷达、RGB相机等多传感器融合的理论框架，以应对不同环境下的互补性。论文在“Value of the Data”部分指出可与mmWave radar、camera等结合实现多模态应用，这为多模态表征学习、跨域对齐等理论问题提供了切入点。\n\n#### **工程方向**\n\n1. **数据预处理与自动标注流水线**：当前原始PCAP数据需经过人工“3D slicing”分割和手动标注（见第4节），耗时且易错。未来可开发自动化的点云分割与人体姿态标注工具，如基于深度学习的实例分割模型，以及半监督或主动学习策略来减少人工干预，提升数据生产的可扩展性。\n2. **实时推理与部署系统**：论文虽提出用CNN做姿态预测，但未给出实际运行效率指标或轻量化模型设计。未来可探索模型压缩、量化、知识蒸馏等工程技术，使姿态预测能够在边缘设备（如嵌入式LiDAR系统）上实时运行，支撑跌倒检测、异常行为监控等应用场景。同时可结合ROS或边缘计算平台构建端到端的部署方案。\n\n#### **数据/评估方向**\n\n1. **扩展数据多样性与规模**：论文明确指出当前数据集的局限：单一男性青年（30–40岁）、仅在室内、距离固定为120cm、仅四个姿态。未来应采集更多人群（不同性别、年龄、体型）、多距离、室外环境、多人交互等数据，以增强模型的泛化能力和鲁棒性。同时可增加姿态类别（如走路、跑步、弯腰、举手等），并引入标注的3D骨架关节点，便于更细致的姿态估计评估。\n2. **标准化评估基准与跨数据集对比**：目前数据集仅提供训练/测试划分（80/20），未定义统一的评估指标（如PCK、OKS、F1分数等）。未来可建立公开的基准测试协议，包括固定的数据划分、评价指标和基线模型性能报告，促进不同算法之间的公平比较。此外，可与已有相关数据集（如表1中列举的MOVE4D、mmPrivPose3D等）进行跨数据集评估，检验模型的跨域迁移能力。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## 模块C7：真实世界应用中的体现\n\n### 1. 部署约束\n\n- **硬件要求**：论文明确指出，处理该数据集所需的最低个人电脑规格为 Intel Core i5-8350U CPU @1.70 GHz、内存16GB（2400 MHz）。对于实际部署，若需实时处理或运行深度学习模型，可能需要更高性能的GPU或专用计算单元，但论文未提供具体算力建议。\n- **传感器规格**：使用的3D LiDAR传感器为Ouster OS1，其探测范围为90–200米，128通道分辨率，工作温度-40°C至60°C。部署时需确保环境温度在该范围内，且探测距离至少覆盖采集场景的120厘米（论文中的实际采集距离）。\n- **软件与代码**：论文提供pcap2pcd.py脚本（GitHub和Mendeley Data）用于将PCAP转换为PCD格式。部署需依赖Python环境、Open3D库，以及ouster SDK（如pcap和client模块）。软件合规性需注意开源许可。\n- **网络与数据存储**：原始数据（PCAP/JSON）和处理后的PCD文件体积较大，部署时需考虑数据存储、传输带宽以及数据版本管理。\n\n### 2. 计算与延迟影响\n\n- **数据转换延迟**：将原始PCAP流解码为逐帧PCD需实时执行pcap2pcd转换，该过程可能成为计算瓶颈，尤其在高帧率或长时间监控场景下。\n- **模型推理延迟**：论文未提供具体算法延迟数据，但指出可用于CNN、Transformer、GNN等深度学习模型。不同模型的计算复杂度差异大，实时姿态预测需权衡精度与速度，可能需采用模型压缩或边缘计算。\n- **数据量影响**：每类280个样本，总共1400个PCD点云，单帧点云数据量由128通道LiDAR决定，点数众多，预处理（如分割、归一化）和特征提取（如体素化）将消耗大量计算资源。\n- **内存占用**：点云数据在内存中的表示可能占用GB级空间，需优化数据加载和批处理策略。\n\n### 3. 鲁棒性与安全问题\n\n- **环境敏感性**：数据采集仅在室内进行，光照条件受控，而LiDAR虽对光照不敏感，但在强反光、雨雾、烟尘等恶劣环境下性能可能下降。论文未提供此类环境的测试，真实部署需评估传感器在不同天气和室内外场景下的可靠性。\n- **对象多样性**：训练数据仅包含一名30–40岁男性，姿态仅四种基本动作，且视角有限（正面、背面、侧面）。模型可能对体型、性别、年龄、穿着、遮挡、复杂背景或多人物场景表现不佳，存在泛化风险。\n- **隐私与伦理**：LiDAR点云不包含人脸图像，但可能暴露身形、动作等敏感信息，尤其在浴室、卧室等私密场所。需遵循数据保护法规（如GDPR），确保数据匿名化，并限制数据访问权限。\n- **安全风险**：在跌倒检测、安全监控等应用中，误检或漏检可能导致严重后果。模型对异常姿态的判定需高精度，同时需避免在隐私场景中产生误报。\n- **传感器故障**：LiDAR的机械部件（如旋转镜）容易磨损，需定期维护。硬件故障可能导致数据丢失或质量下降，部署时应考虑冗余和故障检测机制。\n\n### 4. 可维护性\n\n- **数据更新与扩展**：论文指出数据集将不断改进，计划加入更多姿态、性别、年龄、户外场景、多人物等数据。维护需制定数据采集、标注、质量验证的标准流程，确保扩展数据与现有格式兼容。\n- **代码维护**：pcap2pcd.py脚本依赖特定版本的Ouster SDK和Python库，随着依赖项升级可能需要调整。需提供清晰的版本说明、文档和错误处理机制。\n- **模型更新**：随着新数据加入，需重新训练和评估模型，建立持续集成/持续交付（CI/CD）流水线以自动化更新。\n- **文档与社区**：论文以开放获取方式发布，数据托管于Mendeley Data，但缺少明确的版本更新日志和问题反馈渠道。良好的可维护性需建立社区支持、用户指南和变更记录。\n\n**总结**：该数据集在真实部署中主要面向隐私保护的人体姿态监控（如跌倒检测、健康监测），但受限于单一样本和室内环境，需谨慎扩展至实际场景。部署需考虑传感器选型、计算资源、环境鲁棒性、隐私合规以及持续的维护更新。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 核心摘要\n\n该文发布了一个基于3D LiDAR（OS1，128通道）的室内人体姿态点云数据集，原始数据以PCAP和JSON格式存储，经3D切片分割和人工标注后转换为PCD格式，共包含1400个点云样本，覆盖四种姿态类别：双手侧放、坐下、下蹲和站立，每类280个训练样本，另有280个测试样本（训练:测试=80%:20%）。数据采集距离为120厘米，采集对象为一名30-40岁男性，采集时间为上午10点至下午1点，场所为室内（泗水理工学院多媒体物联网实验室）。该数据集强调隐私保护（LiDAR不采集面部图像）并提供空间、几何与时间信息，可用于姿态预测、估计、活动识别、健康监测（如康复、跌倒检测）等任务。作者通过对比现有数据集（如表1所示）说明本数据集在隐私保护、时空三维点云和人体姿态方面的独特价值。局限性在于仅涵盖单一人物、四种基本姿态且仅室内采集，未来需扩展多样性和多场景。\n\n## 五个要点\n\n1. **数据规模与平衡**：1400个PCD点云样本，四个类别各280训练个样本，280个测试样本，类别平衡，减少模型偏差。\n2. **原始格式与处理流程**：原始PCAP/JSON通过pcap2pcd.py（提供于GitHub和Mendeley）转换为PCD，并需进行3D裁剪（ROI分割）和人工标注。\n3. **设备与采集配置**：采用Ouster OS1 3D LiDAR，128通道，范围90-200米，距离120cm，室内环境，单一人体（男性30-40岁）。\n4. **数据特性**：提供空间（x,y,z坐标）、几何（身体形状、方向）和时间（序列帧）信息，支持深度学习算法如CNN、Transformer、GNN。\n5. **应用与限制**：适用于隐私敏感场景（如浴室、卧室）的人体姿态预测、健康监控；当前仅限单一人物、四种姿态、室内采集，多样性受限。\n\n## 核心机制或公式\n\n该数据集的关键处理流程可概括为：\n\\[\n\\text{PCD} = f(\\text{Segmentation}(\\text{PCAP}_{\\text{frames}}, \\text{JSON}_{\\text{metadata}}))\n\\]\n其中原始PCAP包含逐帧点云，JSON提供元数据；经3D裁剪（ROI）和手动标注得到各姿态类别的PCD文件。\n\n深层学习中通常使用最小-最大归一化（min-max scaler）处理点坐标：\n\\[\nx_{\\text{norm}} = \\frac{x - x_{\\min}}{x_{\\max} - x_{\\min}}\n\\]\n该归一化在训练前应用，以提升模型收敛性和稳定性。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 模块D：第二遍阅读（深入理解）\n\n### 1. 结构树\n\n本文为数据论文，结构清晰，按以下层次组织：\n\n- **标题与元数据**：标题、作者、单位、期刊信息（Data in Brief，2025）\n- **摘要**：概述数据集内容、规模、格式、用途等\n- **规格表（Specifications Table）**：提供主题、数据类型、数据收集方法、位置、可访问性等关键信息\n- **引言/价值部分（Value of the Data）**：阐述数据的价值类型（空间、几何、时间、健康、监控应用等）\n- **背景（Background）**：讨论研究背景、对比先前的数据集（Table 1）\n- **数据描述（Data Description）**：描述数据格式（PCAP/JSON/PCD）、数量、类别分布、训练/测试划分（Table 2）、可视化（Fig. 1-4）\n- **实验设计、材料与方法（Experimental Design, Materials and Methods）**：硬件（OS1 LiDAR）、软件、PCAP到PCD转换、3D分割、标注等流程；Table 3展示姿态示例\n- **限制（Limitations）**：列举局限性\n- **伦理声明（Ethics Statement）**：点云不涉及图像或个人信息\n- **作者贡献与数据可用性**：CRediT作者贡献、Mendeley Data链接、致谢\n- **参考文献**：8篇引用\n\n### 2. 方法/系统分解（数据论文视角）\n\n由于本文是数据论文，不侧重算法/系统，故将其分解为“数据生产流程”：\n\n**输入**：\n\n- 3D LiDAR传感器（OS1，128通道，测量范围90–200 m，工作温度-40~60°C）\n- 单个男性演员（年龄30–40岁），执行4种基本姿态\n- 采集环境：室内，距离传感器120 cm，时间10:00-13:00\n- 数据输出：PCAP（序列帧）和JSON（元数据）\n\n**处理过程**：\n\n- **PCAP解析**：使用Ouster SDK（`pcap.Pcap`、`client.Scans`）将PCAP转换为逐帧PCD（点云数据），代码见GitHub（pcap2pcd.py）\n- **可视化**：使用Python和Open3D库，从不同视角（前、侧、背、顶）查看点云\n- **人体分割**：通过3D裁剪（cropping）获取感兴趣区域（ROI），去除背景点云\n- **标注**：手动为每个分割出的人体点云分配对应的姿态类标签（hands-to-the-side、sit-down、squat-down、stand-up）\n- **数据划分**：80%训练（1120个），20%测试（280个），每个类280个训练样本，测试集为混合4类共280个样本\n- **可选预处理**：建议使用min-max scaler进行归一化\n\n**输出**：\n\n- 1400个PCD格式的3D点云数据（带标注）\n- 每个姿态类有280个训练样本，测试集280个混合样本\n- 数据以Mendeley Data仓库发布，提供PCAP、JSON、PCD文件\n\n**损失/训练**：本文不涉及深度学习训练，但提到可用于CNN、Transformer、GNN等模型进行姿态预测。\n\n### 3. 重要图表解释\n\n**Table 2（数据集分配表）**：\n\n- 展示了4个姿态类（hands-to-the-side, sit-down, squat-down, stand-up）各280个训练数据，以及一个混合测试集（280个），总计1400个3D点云数据。\n- 关键点：数据平衡（每个类样本数相同），训练/测试比例为80/20，测试集由4类混合组成。\n\n**Fig. 3（人体姿态类分布）**：\n\n- 显示了4个姿态类各占25%的比例，直观展示数据平衡性。\n- 说明每个类别的训练数据数量一致，避免模型偏置。\n\n**Table 3（3D人体姿态点云示例）**：\n\n- 将4种姿态在面部朝向不同（正对、背对、侧对LiDAR）时的点云可视化的各种视角（前视、侧视、后视、顶视）展示出来。\n- 表明数据采集覆盖了多种朝向，有助于泛化。\n\n**Fig. 5（OS1 3D LiDAR传感器）**：\n\n- 展示使用的传感器型号（Ouster OS1），具有128通道、高分辨率，为数据质量提供硬件基础。\n\n**Fig. 6（数据采集过程）**：\n\n- 示意图展示了LiDAR与演员距离120 cm的摆放，说明采集环境设置。\n\n### 4. 实验/评估细节\n\n- **数据集规模**：1400个点云样本（训练1120、测试280），每个类280个训练样本。\n- **类别数**：4个姿态类（hands-to-the-side, sit-down, squat-down, stand-up）\n- **数据格式**：原始数据（PCAP, JSON）和处理后数据（PCD）\n- **采集设备**：Ouster OS1 LiDAR（128通道，距离90-200m，温度范围-40~60°C）\n- **采集环境**：室内，距离120cm，光照条件（10am-1pm）\n- **参与者**：1名男性，年龄30-40岁\n- **评估指标**：本文未提供（数据论文不包含模型评估），但后续研究可基于该数据集进行姿态预测或分类，常用指标如准确率、精确率、召回率等。\n- **对比对象**：表1对比了几个数据集（EMS3D-KITTI, mmPrivPose3D, MOVE4D, 视频序列数据集），当前数据集优势在于隐私保护（LiDAR不获取面部）、时空点云数据、室内人体姿态。\n- **消融实验**：不适用（无模型）\n- **公平性**：数据平衡（每类280个），但限于单一演员和性别，作者在限制中指出。\n\n### 5. 适合论文原型的图表（数据论文）\n\n对于数据论文，核心的图是展示数据分布、格式和处理流程的图。以下是最重要的几个：\n\n- **Fig. 3（人体姿态类分布）**：体现数据平衡性，是数据论文的关键图。\n- **Fig. 4（训练/测试数据分布）**：显示80/20划分。\n- **Table 2（数据集分配）**：具体数值。\n- **Table 3（姿态示例）**：直观展示点云姿态可视化，增强数据可信度。\n- **Fig. 6（采集设置）**：帮助理解数据采集环境。\n\n这些图表共同展示了数据集的构成、格式和可视化，是数据论文的核心支撑。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深度评审\n\n### 1. 可重建性（Reconstructability）\n\n- **数据获取**：数据集可通过Mendeley Data（DOI: 10.17632/gpvrnphw66.3）获取，包括PCAP、JSON和PCD格式。原始数据（PCAP/JSON）需转换为PCD，转换代码pcap2pcd.py在GitHub链接提供（文中未给出完整URL，但在Mendeley Data页面有说明）。\n- **预处理流程重建**：\n  1. 使用Python和Ouster SDK（`pcap`和`client`库）读取PCAP文件，通过`client.Scans(source)`逐帧提取3D点云。\n  2. 使用Open3D库进行可视化与人工分割（通过3D裁剪提取人体ROI）。\n  3. 对每个分割结果进行人工标注，对应四个姿态类别（hands-to-the-side, sit-down, squat-down, stand-up）。\n  4. 可选：使用min-max scaler进行归一化。\n- **伪代码**：\n\n  ```text\n  import pcap, client  # from ouster\n  source = pcap.Pcap(pcap_path, info)\n  scans = client.Scans(source)\n  for scan in scans:\n      pcd = convert_to_pcd(scan)  # 使用Ouster SDK提取点云坐标\n      使用Open3D可视化并手动裁剪人体区域\n      标注类别标签\n      保存为PCD文件\n  ```\n\n- **硬件要求**：OS1 LiDAR（Ouster，128通道，范围90-200m），个人电脑最低配置Intel i5-8350U CPU，16GB RAM，PyCharm或其他IDE，Python环境。\n- **可重复性评估**：由于提供了原始数据和转换代码，数据获取和预处理过程可重复。但人工分割和标注步骤依赖主观判断，可能影响标注一致性。代码链接未完整给出，但可从Mendeley Data页面获取，整体可重建性中等。\n\n### 2. 假设（Assumptions）\n\n- **单一受试者**：数据仅来自一位男性（30-40岁），假设该受试者能代表一般成人姿态，但忽略了性别、年龄、体型差异。\n- **固定距离与室内环境**：LiDAR与受试者距离固定为120cm，采集环境为室内（10:00-13:00），假设该设置能反映典型室内应用场景，但未涵盖室外或不同光照条件。\n- **人工标注正确性**：假设人工分割和标注过程准确无误，能正确对应每个点云所代表的姿态类别。\n- **数据平衡**：数据集中每个类别的样本数相同（280个），假设平衡数据能避免类别偏差，但未考虑真实场景中姿态出现频率的不均衡。\n- **隐私性**：假设点云数据不包含面部图像或可识别信息，因此符合隐私保护，但未讨论潜在的重识别风险。\n- **传感器噪声可忽略**：假设LiDAR传感器在指定距离和环境下产生的噪声不影响后续深度学习模型的性能，实际需要预处理。\n\n### 3. 失败模式或盲点（Failure Modes / Blind Spots）\n\n- **标注主观性**：人工分割和标注依赖操作员判断，不同操作员可能对姿态边界的定义不一致，导致标注噪声。\n- **多样性和泛化不足**：数据仅来自单一受试者、单一距离、固定室内环境，模型训练后可能无法泛化到不同性别、年龄、体型、距离或室外场景，导致实际部署时精度下降。\n- **时序信息缺失**：虽然原始PCAP包含时序序列，但最终发布的PCD数据未明确记录帧间时间间隔或连续序列信息，可能失去动态姿态转换的关键信息，影响时序模型（如LSTM）的训练。\n- **遮挡与自遮挡**：在单一视角（正面、背面、侧面）采集时，人体不同部位可能相互遮挡，点云数据可能不完整，但文中未提及如何处理遮挡问题。\n\n### 4. 优点与缺点（Strengths and Weaknesses）\n\n- **优点**：\n  - **隐私保护**：使用LiDAR点云而非RGB图像，不包含面部特征，适用于隐私敏感场景（如浴室、卧室）。\n  - **时空信息**：每个PCAP文件包含序列帧，可提取空间、几何和时间信息，支持多种任务（姿态估计、动作识别等）。\n  - **数据平衡**：四个类别样本数均衡，减少模型偏见，简化训练过程。\n  - **开源可获取**：数据通过Mendeley Data公开，附有转换代码，便于复现和扩展。\n  - **明确的应用价值**：适用于健康监测、跌倒检测、人机交互等领域，有明确社会价值。\n- **缺点**：\n  - **数据规模有限**：总样本1400个（每类280个训练，280个测试），对于深度学习模型可能不足，容易过拟合。\n  - **受试者单一**：仅一位男性，缺乏多样性，无法代表不同人群。\n  - **环境受限**：仅室内，距离固定，场景单一，缺乏复杂背景和多人场景。\n  - **数据格式分散**：原始数据为PCAP和JSON，需转换处理，增加了使用门槛。\n  - **缺少基准实验**：论文未提供使用该数据集训练的基线模型性能，难以评估数据质量。\n  - **标注过程未量化**：未报告标注质量评估或置信度，可能影响下游任务可靠性。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **扩展数据集多样性**：增加不同性别、年龄、体型、多个受试者以及室外场景，收集更多姿态类别（如行走、跑步、跌倒等），以提高泛化能力。\n- **融合多模态数据**：结合相机、雷达等传感器构建多模态数据集，利用互补信息提升姿态估计的鲁棒性和准确性。\n- **开发自动标注工具**：利用半监督或主动学习等方法减少人工标注负担，并提高标注一致性。\n- **探索先进深度学习模型**：应用Transformer、GNN、3D CNN等模型进行人类姿态预测，并比较不同特征提取方法（如体素化、图结构）的性能。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 模块F：术语表与概念依赖图\n\n### 术语表（共28条）\n\n1. **LiDAR (Light Detection and Ranging)** / 光探测与测距\n   - 定义：利用激光脉冲测量物体距离的主动遥感技术，生成三维空间中的点云数据。\n   - 直觉：类似雷达但使用光波，每秒发射数百万个激光点，通过反射时间计算距离，形成“三维照片”。\n   - 在论文中的作用：本文的数据采集核心传感器，OS1 LiDAR用于获取人体姿态的3D点云序列。\n   - 先验知识：光学、传感器原理、坐标系。\n\n2. **Point Cloud** / 点云\n   - 定义：在三维坐标系中表达物体表面的一系列点的集合，每个点包含(x,y,z)坐标，可能附带强度等属性。\n   - 直觉：像用无数颗“米粒”堆叠出物体的形状，点数越多越精细。\n   - 在论文中的作用：数据集的基本形式，所有数据均以3D点云（PCD格式）提供。\n   - 先验知识：三维几何、栅格化。\n\n3. **PCAP (Packet Capture)** / 数据包捕获文件\n   - 定义：一种用于存储网络数据包（此处为LiDAR原始扫描数据）的文件格式，包含时间戳和原始传感器数据。\n   - 直觉：类似录像机的原始磁带，未经处理，保留所有扫描帧信息。\n   - 在论文中的作用：LiDAR输出的原始数据格式之一，包含时序的3D扫描帧，需转换为PCD才能用于深度学习。\n   - 先验知识：网络协议、文件格式。\n\n4. **JSON (JavaScript Object Notation)** / JavaScript对象标记\n   - 定义：一种轻量级数据交换格式，以键值对形式存储结构化数据，此处用于保存LiDAR元数据。\n   - 直觉：类似标签卡片，记录“文件名”、“时间”、“传感器配置”等信息。\n   - 在论文中的作用：存储每个PCAP文件的元数据（如时间戳、传感器参数），辅助数据管理。\n   - 先验知识：基本编程、数据格式。\n\n5. **PCD (Point Cloud Data)** / 点云数据格式\n   - 定义：一种专门用于存储点云的文件格式，可包含点坐标、颜色、法向量等信息。\n   - 直觉：相当于点云的“标准通用格式”，被Open3D等库直接支持。\n   - 在论文中的作用：最终提供的数据格式，共1400个PCD文件用于训练/测试。\n   - 先验知识：三维数据处理、文件格式转换。\n\n6. **Spatial Information** / 空间信息\n   - 定义：描述物体在三维空间中的位置、尺寸、方向、形状等信息。\n   - 直觉：物体“在哪里、有多大、朝向如何”的信息。\n   - 在论文中的作用：点云提供的三维坐标(x,y,z)直接表达人体姿态的空间结构，用于特征提取。\n   - 先验知识：几何学、坐标系。\n\n7. **Geometric Information** / 几何信息\n   - 定义：由点云构成的物体表面几何特征，如关节、姿态、拓扑结构、体量等。\n   - 直觉：通过点云的排列方式还原出人体的“骨架”和外形。\n   - 在论文中的作用：用于区分不同姿态（如手部位置、身体朝向），支撑姿态预测与估计。\n   - 先验知识：计算机图形学、人体解剖学（基本）。\n\n8. **Temporal Information** / 时间信息\n   - 定义：随时间变化的数据序列，此处指LiDAR连续扫描得到的帧序列，包含运动的先后顺序和持续时间。\n   - 直觉：像视频的连续帧，能体现动作的“过程”而不只是“瞬间”。\n   - 在论文中的作用：数据采集产生连续帧，PCAP文件保存序列帧，可用于识别动作变化（如坐下、站起）。\n   - 先验知识：时间序列、运动分析。\n\n9. **Human Pose** / 人体姿态\n   - 定义：人体各部位（头、手、脚等）在三维空间中的位置与朝向所构成的形态。\n   - 直觉：人体摆出的姿势，如站、坐、蹲等。\n   - 在论文中的作用：核心数据类别，数据集包含四种基本姿态标签。\n   - 先验知识：人体运动学、姿态识别。\n\n10. **Hands-to-the-side** / 双手侧平举\n    - 定义：一种站立姿势，双手向两侧水平伸直，形成“T”形。\n    - 直觉：像做广播体操时的“伸展运动”姿势。\n    - 在论文中的作用：数据集的四个姿态类之一，代表一种基本动作。\n    - 先验知识：常见人体姿势。\n\n11. **Sit-down** / 坐下\n    - 定义：从站立到臀部接触椅面的动作过程或最终姿势。\n    - 直觉：日常生活中常见的“坐”的动作状态。\n    - 在论文中的作用：数据集的姿态类之一，体现较大的身体姿态变化。\n    - 先验知识：人体动作理解。\n\n12. **Squat-down** / 下蹲\n    - 定义：身体下蹲，膝盖弯曲，臀部接近地面（但未坐）的姿势。\n    - 直觉：像准备跳起来的“深蹲”姿势。\n    - 在论文中的作用：数据集的姿态类之一，与sit-down相似但腿部弯曲不同。\n    - 先验知识：人体运动学。\n\n13. **Stand-up** / 站立\n    - 定义：身体直立，双脚着地，双臂自然下垂的基本站姿。\n    - 直觉：最常规的“站着”的样子。\n    - 在论文中的作用：数据集的姿态类之一，作为其他姿势的起点和对照组。\n    - 先验知识：基本人体姿势。\n\n14. **Convolutional Neural Network (CNN)** / 卷积神经网络\n    - 定义：一种深度学习模型，通过卷积操作自动提取局部特征（如图像或点云特征）。\n    - 直觉：像用多个“滤镜”扫描数据，层层提取更抽象的特征。\n    - 在论文中的作用：文中示例使用CNN进行人体姿态预测，是数据集的典型应用算法。\n    - 先验知识：深度学习、CNN基础。\n\n15. **Transformer** / 变换器\n    - 定义：一种基于自注意力机制的深度学习架构，擅长建模长距离依赖和序列数据。\n    - 直觉：像让每个点都“关注”所有其他点，捕捉全局关系。\n    - 在论文中的作用：论文提及可用于处理点云数据的其他深度学习算法，作为CNN的替代。\n    - 先验知识：注意力机制、NLP基础。\n\n16. **Graph Neural Network (GNN)** / 图神经网络\n    - 定义：一种适用于图结构数据的神经网络，通过节点间消息传递学习图表示。\n    - 直觉：将点云构造成图（点作为节点，连接作为边），然后学习节点之间的关系。\n    - 在论文中的作用：论文列为可使用的深度学习算法之一，点云可转化为图结构。\n    - 先验知识：图论、神经网络基础。\n\n17. **Voxel** / 体素\n    - 定义：三维空间中固定大小的立方体单元，类似于二维像素的3D版本。\n    - 直觉：把空间切成“小方块”，每个方块记录是否有物体占据。\n    - 在论文中的作用：数据预处理的常见方式，相关研究文献[^1][^2]使用体素特征提取。\n    - 先验知识：三维网格、空间量化。\n\n18. **Normalization** / 归一化\n    - 定义：将数据缩放到一定范围（如0-1）以消除量纲影响，常用min-max scaler方法。\n    - 直觉：把不同尺度的数据“拉”到同一度量范围内，便于模型学习。\n    - 在论文中的作用：开发者可在训练前对3D点进行归一化，提升模型稳定性。\n    - 先验知识：统计学、数据预处理。\n\n19. **Min-Max Scaler** / 最小最大值缩放器\n    - 定义：一种数据归一化方法，公式为(x - min)/(max - min)，将数据压缩到[^0] [^1]区间。\n    - 直觉：将最小值变为0，最大值变为1，其他值按比例映射。\n    - 在论文中的作用：论文建议用此方法对3D坐标归一化，属于预处理步骤。\n    - 先验知识：线性变换、数据标准化。\n\n20. **Region of Interest (ROI)** / 感兴趣区域\n    - 定义：在图像或点云中需要重点关注的目标区域（此处指人体所在区域）。\n    - 直觉：从整幅场景中“切出”人物那一块。\n    - 在论文中的作用：通过3D裁剪（crop）获取人体区域，再进一步分割出人体点云。\n    - 先验知识：图像处理、目标检测。\n\n21. **Segmentation** / 分割\n    - 定义：从原始数据中分离出所需对象（人体）的过程，本文使用3D裁剪（3D slicing）实现。\n    - 直觉：像用剪刀从点云“剪”出人物轮廓。\n    - 在论文中的作用：原始PCAP数据需经人类分割获得仅含人体的点云，是数据处理的关键步骤。\n    - 先验知识：点云处理、图像分割概念。\n\n22. **Open3D** / 开源3D库\n    - 定义：一个用于处理3D数据的Python库，支持点云可视化、文件读写等。\n    - 直觉：3D世界的“OpenCV”，提供现成工具。\n    - 在论文中的作用：用于可视化点云、展示姿态示例，以及处理PCD文件。\n    - 先验知识：Python编程、三维可视化。\n\n23. **Ouster OS1** / Ouster OS1三维扫描仪\n    - 定义：Ouster公司生产的3D LiDAR传感器，具有128通道、测距90-200米、工作温度-40至60°C。\n    - 直觉：一款高性能“激光雷达眼睛”，能发射128层激光束。\n    - 在论文中的作用：数据采集使用的具体硬件设备，图5所示。\n    - 先验知识：LiDAR原理、传感器规格。\n\n24. **Pcap2pcd.py** / 转换脚本\n    - 定义：论文提供的Python脚本，用于将LiDAR原始PCAP数据转换为PCD点云文件。\n    - 直觉：一个“翻译器”，把原始数据变成通用点云格式。\n    - 在论文中的作用：可复现数据处理流程，用户可在GitHub或Mendeley获取该脚本。\n    - 先验知识：Python、文件格式转换。\n\n25. **Privacy-preserving human sensing** / 隐私保护人类感知\n    - 定义：不采集面部图像等敏感信息，仅通过点云等非视觉数据感知人体姿态。\n    - 直觉：用“轮廓”代替“照片”，保护隐私。\n    - 在论文中的作用：3D LiDAR不捕获面部，因此数据集具有隐私友好特性，适合浴室、卧室等场景。\n    - 先验知识：数据伦理、计算机视觉。\n\n26. **Class Distribution** / 类别分布\n    - 定义：数据集中各类别样本数量的分配情况。\n    - 直觉：每个姿态类有多少样本，均衡与否。\n    - 在论文中的作用：数据集每类280个训练样本，共1120训练+280测试，完全均衡，避免模型偏差。\n    - 先验知识：数据不平衡、抽样。\n\n27. **Training Data / Testing Data** / 训练数据 / 测试数据\n    - 定义：训练数据用于训练模型，测试数据用于评估模型性能。\n    - 直觉：教材和考试的分离。\n    - 在论文中的作用：按80%训练、20%测试划分，共1120训练、280测试。\n    - 先验知识：机器学习基础、数据划分。\n\n28. **Annotation** / 标注\n    - 定义：为数据添加标签（如姿态类别）的过程。\n    - 直觉：给每张点云“贴标签”。\n    - 在论文中的作用：分割后的人工标注为每个点云指定姿态类别，形成监督学习所需的标签。\n    - 先验知识：数据标注、监督学习。\n\n---\n\n### 概念依赖图（文本形式）\n\n```text\nLiDAR (硬件) ──► Point Cloud (数据形式) ──► Spatial/Geometric/Temporal Information (信息维度)\n   │                                   │\n   │ 生成原始数据格式                     │ 用于特征提取\n   ▼                                   ▼\nPCAP + JSON ──(pcap2pcd.py)──► PCD   ──► Human Pose (姿态类别)\n   ▲                                   │\n   │ 3D切片分割                         │ 划分\n   └── ROI ── Segmentation ──►          ▼\n                          Training Data (80%) / Testing Data (20%)\n   │                                   │\n   └── Normalization (min-max) ──        │\n                                     ▼\n                   Deep Learning (CNN / Transformer / GNN) ─► Pose Prediction\n\n依赖链示例：\nLiDAR → PCAP → 转换脚本 → PCD → 分割 → 标注 → 训练/测试集 → 模型\n```\n\n概念之间的依赖关系：\n\n- **LiDAR**是源硬件，产生**PCAP**和**JSON**原始数据；\n- **PCAP**通过**pcap2pcd.py**转换为**PCD**格式；\n- **PCD**中的点云蕴含**空间/几何/时间信息**，这些信息通过**分割**（ROI）和**标注**生成具有**类别分布**的训练/测试数据；\n- 训练数据经过**归一化**后输入**深度学习算法**（如CNN），最终实现**人体姿态预测**。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## 模块G：验证与引用检查\n\n### 1. 关键事实声明与验证\n\n#### 声明1：数据集包含1400个3D点云数据，分为四个姿态类别，每个类别280个，其中1120个用于训练，280个用于测试。\n\n- **来源1**：摘要及数据描述部分（第2节“Data Description”），明确提到“total of 1400 3D point cloud data”，每个类280个，训练/测试比例80%/20%。\n- **来源2**：表2“Dataset Allocation”展示了相同的数字：每个类别280个训练数据，混合测试数据280个，总计1400。\n- **验证结论**：声明一致，无冲突。\n\n#### 声明2：数据采集使用OS1 3D LiDAR传感器（Ouster产品），距离被测者120厘米，采集时间为上午10点至下午1点。\n\n- **来源1**：摘要及材料方法部分（第4节）明确提及“OS1, a product of Ouster”和“distance between the 3D LiDAR and the talent position is 120 cm”，以及采集时段。\n- **来源2**：规范表（Specifications Table）中的“Data collection”部分也列出相同信息。\n- **验证结论**：声明一致。\n\n#### 声明3：原始数据格式为PCAP和JSON，处理后为PCD格式。\n\n- **来源1**：摘要及数据描述部分提到“data output from 3D LiDAR … is in PCAP (.pcap) and JSON (.json) formats”，以及“processed into PCD format”。\n- **来源2**：规范表中“Type of data”和“Data formats”列明pcap、json、pcd。\n- **验证结论**：一致。\n\n#### 声明4：数据采集地点为印尼泗水理工学院电气工程系多媒体物联网实验室，坐标-7.282662,112.7951935。\n\n- **来源1**：规范表“Data source location”中列有地理坐标、地点、机构、城市、国家。\n- **来源2**：同表“Data accessibility”提供Mendeley Data链接和DOI。\n- **验证结论**：一致。\n\n#### 声明5：数据集以CC BY许可证开放获取，发表于Data in Brief。\n\n- **来源1**：文末版权声明“© 2025 The Authors. Published by Elsevier Inc. This is an open access article under the CC BY license”。\n- **来源2**：期刊信息及文章历史（接收、修改、接受、在线日期）。\n- **验证结论**：一致。\n\n### 2. 冲突或不确定性说明\n\n- **冲突1**：摘要中写“The label classes are hands-to-the-side, sit-down, squat——down, and stand-up”，其中“squat——down”疑似排版错误，应为“squat-down”。但后文及表2均使用“squat-down”，无实质冲突。\n- **冲突2**：数据划分描述存在模糊：摘要及表2称训练数据1120（每类280），测试数据280，共1400；但数据描述部分又提到“Each class comprises 25 % of the training data”，这与每类280占训练数据25%一致（280/1120=25%）。但若按总数据1400计算，每类占总数的20%（280/1400），两种口径不同但均合理。未发现矛盾。\n- **不确定性**：文中提到GitHub链接提供pcap2pcd.py代码，但未给出完整URL，只有“在GitHub链接提供”一说，实际需在Mendeley Data页面获取。这可能影响可复现性。\n- **不确定性**：数据集只有一名男性人才（30-40岁），且仅限室内，作者在“Limitations”中明确说明，这是有意的局限而非错误。\n\n### 3. 参考文献列表\n\n1. F.Z. Rahmanti, M.I. Riansyah, O.V. Putra, E.M. Yuniarno, M.H. Purnomo, Human pose prediction using convolution Neural Network 3D based on binary voxel feature extraction (BIVFE) of light detection and ranging (LiDAR) point cloud data, Int. J. Intell. Eng. Syst. 18 (6) (Jul. 2025) 301–317, doi:10.22266/ijies2025.0731.19. [^1]\n2. M.I. Riansyah, O.V. Putra, A. Priyadi, T.A. Sardjono, E.M. Yuniarno, M.H. Purnomo, Modified CNN VoxNet based depthwise separable convolution for Voxel-driven body orientation classification, in: 2024 IEEE International Conference on Imaging Systems and Techniques (IST), IEEE, Oct. 2024, pp. 1–6, doi:10.1109/IST63414.2024.10759165. [^2]\n3. O.V. Putra, et al., Enhancing LiDAR-based object recognition through a novel denoising and modified GDANet framework, IEEE Access 12 (2024) 7285–7297, doi:10.1109/ACCESS.2023.3347033. [^3]\n4. O.V. Putra, M.I. Riansyah, A.Priyadi Riandini, E.M. Yuniarno, M.H. Purnomo, Fuzzy lightweight CNN for point cloud object classification based on Voxel, in: TENCON 2023 - 2023 IEEE Region 10 Conference (TENCON), IEEE, Oct. 2023, pp. 685–690, doi:10.1109/TENCON58879.2023.10322519. [^4]\n5. C. Jaiswal, S. Acquaah, C. Nenebi, I. AlHmoud, A.K. Islam, B. Gokaraju, EMS3D-KITTI: synthetic 3D dataset in KITTI format with a fair distribution of Emergency Medical Services vehicles for autodrive AI model training, Data Br 58 (Feb. 2025) 111221, doi:10.1016/j.dib.2024.111221. [^5]\n6. N. Roshandel, et al., mmPrivPose3D: a dataset for pose estimation and gesture command recognition in human-robot collaboration using frequency modulated continuous wave 60Hz RaDAR, Data Br 59 (Apr. 2025) 111316, doi:10.1016/j.dib.2025.111316. [^6]\n7. A.V. Ruescas-Nicolau, E.J. Medina-Ripoll, E. Parrilla Bernabé, H. de Rosario Martínez, Multimodal human motion dataset of 3D anatomical landmarks and pose keypoints, Data Br 53 (Apr. 2024) 110157, doi:10.1016/j.dib.2024.110157. [^7]\n8. K.M. Awad, L.F. Tulaib, H.M. Saleh, Gait recognition by computing fixed body parameters, Babylonian J. Netw. 2024 (Sep. 2024) 191–197, doi:10.58496/BJN/2024/019. [^8]\n\n注：以上引用编号对应论文中的[^1]至[^8]。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 模块H：图表提取\n\n### 1. 完整索引（表格）\n\n| 编号 | 标题 | 类型 | 位置（章节/页码） | 支持的声明 | 评分（1-5） |\n|------|------|------|------------------|------------|-------------|\n| Fig. 1 | 原始LiDAR 3D点云数据 | 图（图像） | 第3节“Data Description”，开头处 | 展示3D LiDAR生成的原始点云，体现空间信息（x,y,z坐标） | 4 |\n| Fig. 2 | 基于数据集数量的平衡数据 | 图（条形图） | 第3节“Data Description”，表2后 | 证明每个类别数据量相等（每类280个），数据集平衡 | 5 |\n| Fig. 3 | 人体姿态类别分布 | 图（饼图/条形图） | 第4节“Experimental Design”开头前 | 展示四类姿态各占训练数据的25% | 4 |\n| Fig. 4 | 训练与测试数据分布 | 图（饼图/条形图） | 第4节“Experimental Design”中 | 显示训练数据占80%，测试数据占20% | 4 |\n| Fig. 5 | OS1 3D LiDAR传感器 | 图（照片） | 第4节“Experimental Design”中 | 展示使用的硬件设备（Ouster OS1，128通道） | 3 |\n| Fig. 6 | 数据采集过程 | 图（照片/示意图） | 第4节“Experimental Design”中 | 说明采集时LiDAR与人物距离120cm，以及采集场景 | 4 |\n| Table 1 | 不同数据集的比较概览 | 表格 | 第2节“Background”末尾 | 对比现有数据集，突出本文数据集在隐私保护和时空3D点云方面的价值 | 5 |\n| Table 2 | 数据集分配 | 表格 | 第3节“Data Description”中 | 提供每类训练数据280个，测试数据280个（混合），总计1400个 | 5 |\n| Table 3 | 3D人体姿态点云数据示例 | 表格（多行多列，包含图片） | 第4节“Experimental Design”中 | 展示不同姿态在不同视角（正面、侧面、背面、俯视）及不同身体朝向（前、后、侧）的可视化示例 | 4 |\n\n### 2. 优先深入阅读（Top-priority deep reads）\n\n1. **Table 1**（对比数据集）：理解本文数据集与现有数据集的差异，特别是“隐私保护”和“时空点云”的独特贡献，是支撑论文核心价值的关键。\n2. **Table 2**（数据集分配）：明确训练/测试数据的具体数量与比例，是复现实验的基础，也是平衡性声明（每类280个）的直接证据。\n3. **Fig. 2**（平衡数据）：直接可视化每个类的数据量，验证类平衡性，降低模型偏差风险。\n4. **Fig. 6**（数据采集过程）：说明采集环境（室内、距离120cm、单一男性被试），直接影响数据集的适用性和局限性评估。\n5. **Fig. 1**（原始点云）：理解LiDAR输出形式，为后续处理（分割、标注）提供背景，也是评估数据质量的起点。\n\n### 3. 图关系/实验设置图\n\n```mermaid\ngraph TD\n    A[实验设计] --> B[Fig.5: OS1 LiDAR传感器]\n    A --> C[Fig.6: 数据采集过程（距离120cm, 室内）]\n    C --> D[原始输出：.pcap + .json]\n    D --> E[Fig.1: 原始3D点云可视化]\n    E --> F[处理：3D裁剪分割 + 人工标注]\n    F --> G[数据集：.pcd格式，共1400个]\n    G --> H[Table 2: 数据分配（每类280训练，280测试）]\n    G --> I[Fig.2: 类平衡分布]\n    G --> J[Fig.3: 类标签分布]\n    G --> K[Fig.4: 训练/测试比例（80/20）]\n    G --> L[Table 3: 不同姿态和视角的可视化示例]\n    L --> M[支持结论：数据可用于姿态预测等任务]\n    H --> N[对比：Table 1 与其他数据集对比]\n```\n\n### 4. 图到结论的映射\n\n| 图表 | 支持的结论 |\n|------|------------|\n| Table 1 | 本文数据集相比其他数据集具有“隐私保护”（不捕捉人脸）和“时空3D点云”（包含空间与时间信息）的独特优势。 |\n| Fig. 1 | LiDAR原始点云包含三维坐标和空间结构，可用于特征提取和深度学习。 |\n| Fig. 2 | 数据集每个类别的数据数量相等（280个），确保模型公平学习，减少类别偏差。 |\n| Fig. 3 | 四类人体姿态（hand-to-side, sit-down, squat-down, stand-up）在训练数据中各占25%，类别分布均匀。 |\n| Fig. 4 | 训练数据占80%，测试数据占20%，符合标准划分，测试数据量为280个。 |\n| Fig. 5 | 使用OS1 3D LiDAR（128通道，测距90–200m），支持室内姿态采集。 |\n| Fig. 6 | 数据采集在室内，LiDAR与人物距离120cm，单一男性（30-40岁），这些条件限定了数据集的通用性，但为隐私保护应用提供了可行性。 |\n| Table 2 | 明确给出总数据量1400个，其中1120训练、280测试，每类280个，支持平衡性和分配合理性。 |\n| Table 3 | 可视化展示了不同姿态在不同视觉方向（正面、侧面、背面、俯视）以及不同身体朝向下的点云示例，证明数据集包含多视角信息，可用于多样化姿态估计。 |"
}