Cet ensemble de données est spécialement conçu pour les systèmes de contrôle gestuel des téléviseurs intelligents et contient environ 500 courts échantillons vidéo collectés indépendamment. Chaque clip vidéo dure 2 à 3 secondes, enregistrant entièrement le processus dynamique depuis le mouvement initial du geste jusqu'à l'affichage complet. Ces gestes incluent les pouces vers le haut, les pouces vers le bas, le balayage vers la gauche, le balayage vers la droite et l'arrêt, et servent d'échantillons d'entraînement distincts pour le modèle de reconnaissance des gestes. Les échantillons ont été complétés de manière collaborative par des participants d'âges différents (18-65 ans), de sexes et de couleurs de peau différents, couvrant une variété de postures interactives telles que la position debout et assise, afin de saisir les différences dans les habitudes de fonctionnement qui peuvent survenir parmi les utilisateurs réels. La résolution vidéo d'origine est de 640 × 480 pixels, simulant les caractéristiques d'imagerie des caméras réseau domestiques grand public pour garantir la cohérence des données de formation avec des scénarios d'application réels.