Tasarım ve gıda alımı ve fiziksel aktivite sınıflandırma için akıllı gözlük değerlendirme

Özet

Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.

Özet

Bu çalışmada, tasarlamak ve gıda alımı ve diğer fiziksel aktiviteler sırasında temporalis kas faaliyetleri şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim protokolleri bir dizi sunuyor. Biz 3D baskılı şasesi gözlük ve her iki menteşeler çerçeve içinde eklenen bir yük hücre entegre baskılı devre kartı (PCB) modülü imal edilmiştir. Modül kuvvet sinyalleri almak ve onları kablosuz olarak iletmek için kullanıldı. Bu yordamlar sisteme yürüyüş ve salladıktan gibi pratik giyen koşullarında değerlendirilmesi daha yüksek mobilite sağlayan. Sınıflandırma performansını da gıda alımı şekillerinin bu fiziksel aktivitelerden ayırt tarafından değerlendirilir. Sinyalleri önişlem, özellik vektörel çizimler oluşturmak ve birkaç kalıpları tanımak için kullanılan algoritmaları bir dizi özel (çiğneme ve göz kırpıyor) faaliyetleri ve diğer fiziksel aktiviteler (sedanter dinlenme, konuşma ve yürüme). Sonuçları ortalama F₁ Puan sınıflandırma seçme aktivitelerin yanı sıra %91.4 olduğunu gösterdi. Biz bu yaklaşım otomatik ve objektif ingestive davranışlarını ingestive sorunlarını tedavi etmek için pratik araç olarak daha yüksek doğruluk ile izlemek için potansiyel olarak yararlı olabilir inanıyoruz.

Giriş

Aşırı enerji birikimi olan çeşitli tıbbi komplikasyonlar²' neden olabilir overweightness ve obezite¹, neden olabilir gibi sürekli ve objektif gıda alımı izleme insan vücudundaki enerji dengesini korumak için önemlidir. Enerji dengesizliği ana faktörler aşırı gıda alımı ve yetersiz fiziksel aktivite³olduğu bilinmektedir. Günlük enerji harcama izleme çeşitli çalışmalar ile otomatik ve objektif ölçüm ile takılabilir cihazlar^4,5,6, fiziksel aktivite desen bile, ortaya konan son tüketici düzey ve tıbbi sahne⁷. Gıda alımı izleme ancak, gıda alımı faaliyet doğrudan ve objektif bir şekilde tespit etmek zordur bu yana hala laboratuvar, ortamda araştırmadır. Burada, mevcut bir aygıt tasarım ve gıda alımı ve fiziksel aktivite desen günlük yaşamda pratik düzeyde izleme, değerlendirme hedefliyoruz.

Gıda alımı ile çiğneme ve yutma sesler^8,9,10, bilek^11,12,13hareketi izlemek için görüntü çeşitli dolaylı yaklaşımlar olmuştur analiz¹⁴ve electromyogram (EMG)¹⁵. Ancak, bu yaklaşımların günlük yaşam uygulamaları için doğal sınırlamaları nedeniyle uygulamak zordu: ses kullanarak yöntemler tarafından çevresel ses; etkisinde savunmasız edildi bilek hareketi kullanarak yöntemler gıda tüketen değil ne zaman diğer fiziksel aktivitelerden ayırt etmek zor; ve belgili tanımlık imge ve EMG sinyalleri kullanarak yöntemler hareketi ve çevre sınır tarafından kısıtlanır. Bu çalışmalar sensörleri kullanarak gıda alımının otomatik algılama yeteneğini gösterdi ama hala pratik uygulanabilirliği laboratuvar ayarlardan günlük yaşam için bir sınırlama vardı.

Bu çalışmada, biz temporalis kas aktivitesi şekillerinin otomatik ve objektif gıda alımı izleme olarak kullanılır. Genel olarak, temporalis kas kasılma ve gevşeme sırasında gıda alımı^16,17masticatory kas bir parçası olarak yineler; Böylece, gıda alımı etkinlik temporalis kas aktivitesi periyodik şekillerinin algılayarak izlenebilir. Son zamanlarda, birçok araştırma temporalis kullanan EMG veya piezoelektrik zorlanma kullanılan etkinlik^18,19,20,21, kas olmuştur sensör ve onlara doğrudan insan bağlama Cilt. Bu yaklaşımlar, ancak, EMG elektrotlar veya zorlanma sensörleri cilt konumunu hassas olduğunu ve fiziksel hareketini ve terleme nedeniyle deriden kolayca müstakil. Bu nedenle, bu anlamda temporalis etkinlik aracılığıyla bizim önceki çalışma²²her iki menteşeler takılı iki yük hücreleri kas gözlük kullanarak yeni ve etkili bir yöntem önerdi. Bu yöntem deri temas etmeden yüksek bir doğruluk ile gıda alımı aktivite tespit büyük potansiyel gösterdi. Biz ortak bir gözlük-türü aygıtı kullanılan o da un rahatsızlık verici ve non-müdahaleci, vardı.

Bu çalışmada, biz mevcut bir dizi ayrıntılı protokol, gözlük-türü aygıt uygulamak ve desenler temporalis kas aktivitesinin gıda alımı ve fiziksel aktivite izlemek için kullanın. İletişim kuralları donanım tasarımı ve bir 3D baskılı çerçeve gözlük, bir devre modülü ve bir veri alma modülü oluşan üretim süreci ve veri işleme ve analiz için kullanılan yazılım algoritmaları içerir. Ayrıca birkaç seçme faaliyetleri (çiğneme, yürüyüş ve göz kırpıyorörneğin,) arasında sınıflandırma incelendiğinde potansiyel gıda alımı ve diğer fiziksel aktivite arasında bir dakika fark söyleyebilirim pratik bir sistem olarak göstermek için desenler.

Protokol

Not: sadece gözlük takıyor non-invaziv bir şekilde tarafından insan denekler kullanımı da dahil olmak üzere tüm yordamları başarılı. Tüm verileri güç sinyal--dan yük hücreleri cilt ile doğrudan temas değildi gözlüklü eklenen ölçerek elde. Kablosuz olarak, ki bu durumda çalışma için belirlenmiş bir smartphone veri kayıt modülü için aktarılan veri. Tüm iletişim kuralları için in vivoilgili değil /vitro insan çalışmaları. Hiçbir ilaç ve kan örnekleri deneyler için kullanılmıştır. Aydınlatılmış onam deneyler tüm konular elde edildi.

1. bir sensör ile tümleşik devre modül imalatı

1. Elektronik bileşenleri devre modül üretimi için satın.
   1. Satınalma iki ball-tipi yük hücreleri, her biri 0 N ve 15 N arasında bir aralık içinde çalışır ve düşük fark voltaj 3,3 V uyarma maksimum 120 mV aralığında ile bir çıktı oluşturur.
      Not: Bu yük hücreleri ölçmek için kullanılan zorla sinyalleri hem sol hem de sağ tarafında gözlük.
   2. İki araçları amplifikatörler ve iki 15 kΩ kazanç ayarı dirençler satın alabilirsiniz.
      Not: Araçları amplifikatör ve kazanç ayarı direnç yük hücresi güç sinyal sekiz kez, 960 kadar yükseltmek için kullanılan mV.
   3. Bir mikro denetleyici birim (MCU) kablosuz özelliği (örneğin, Wi-Fi connectivity) ve bir 10-bit analog dijital dönüştürücü (ADC) ile satın alabilirsiniz.
      Not: MCU kuvvet sinyalleri okumak ve onları bir veri alma modülü için kablosuz olarak iletmek için kullanılır. Bir analog giriş Pini iki analog güç girişi için kullanıldığından, bir Çoklayıcı kullanılması sonraki adımda 1.1.4 giriliyor.
   4. İki giriş sinyalleri ile bir ADC pin MCU üzerinde işleyen bir iki kanallı analog multiplexer satın.
   5. Bir lityum iyon polimer (liposuction) pil 3.7 V nominal voltaj, 300 mAh nominal kapasitesi ve 1 C akıntı hızı ile satın.
      Not: Pil kapasitesi yeterli akım saatte 200'den fazla mAh sağlamak için ve güvenilir için yaklaşık 1,5 saat sisteminin bir denemenin çalışması için seçildi.
   6. Doğrusal aşağı-Yönetmeliğin 3.7 V akü voltaj 3,3 V için için 3,3 V voltaj regülatörü satın sisteminin gerilimi.
   7. Satınalma beş 12 kΩ yüzey modüler cihazlar (SMD) türü dirençler MCU pull-up dirençler olarak. Direnç'ın ayak izi 2.0 mm x 1.2 mm (boy 2012) olduğunu.
2. Baskılı devre kartları (PCB) imal. Bu devre kartlarına çizim ve sanat (Yani, Kurulu düzen, .brd dosyası) ve (Yani, .sch dosyasını) şematik PCB imalat için yapma hakkında bir adımdır. Sanat ve şematik dosyaları oluşturma sürecinin temel bir anlayış geliştirme için gereklidir.
   1. Şekil 1A' gösterildiği gibi bir elektronik tasarım uygulama kullanılarak pilin içeren bir sol devre çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.
   2. Doğru bir devre içeren bir elektronik tasarım uygulama şekil 1Badımında gösterildiği gibi kullanarak MCU çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.
   3. Devre kartlarına bir PCB imalat şirketi ile sipariş yerleştirerek imal.
   4. Şekil 2 ve şekil 3' te gösterildiği gibi PCB 1.1. adımda hazırlanan her elektronik komponent lehim.
      Dikkat: Araçları amplifikatör lehimleme sıcaklık çok hassastır. Kurşun sıcaklık 10 için 300 ° C aşmadığı emin olun s lehimleme sırasında aksi takdirde bileşeni kalıcı hasara neden.

2. gözlük çerçeve 3D baskı

1. Şekil 4Aiçinde gösterildiği gibi bir 3D modelleme aracı kullanarak gözlük baş parça 3 boyutlu model çizin. Sonuç .stl dosya formatına dışa aktarın.
2. Bir 3D modelleme aracı şekil 4B ve 4 c şekilgösterildiği gibi kullanarak gözlük sol ve sağ tapınakları 3D modeli çizin. Sonuçları .stl dosya formatına dışa aktarın.
3. Baş parça ve tapınak parçalar bir 3D printerlere harcama maddeler ve bir karbon fiber filaman 240 ° C'de bir meme sıcaklık ve yatak sıcaklığı 80 ° C kullanarak yazdırın.
   Not: Herhangi bir ticari 3D printerlere harcama maddeler ve filamentler Akrilonitril bütadien stiren (ABS) ve polylactide (PLA) gibi herhangi bir tür kullanımına izin. Meme ve yatak sıcaklığı filament ve yazdırma koşulları göre ayarlanabilir.
4. 180 ° C ayarının bir sıcak hava üfleyici kullanarak tapınaklar ipuçları ısı ve onları epidermis temporalis kas geleneksel gözlük gibi başvurma içe yaklaşık 15 derece bükün.
   Not: gözlük Tapınağı bükme derecesi bir form faktörü donatılmış bir kişinin kafasına uygun gözlük yardımcı olarak artırmak için eğrilik amacı olduğu gibi titiz olmak gerekmez. Ancak, dikkatli aşırı bükme tapınaklar önemli kalıpları toplamak olanaksız kılıyor temporalis kas dokunmaktan engeller gibi.
5. Şekil 4' te gösterildiği gibi birden fazla baş boyutlarına uyum sağlayacak şekilde gözlük çerçevesinin iki farklı boyutta yazdırmak için adım 2.1-2.4 adımları yineleyin.

3. tüm parçaları gözlük Meclisi

1. Şekil 5' te gösterildiği gibi M2 civata kullanarak gözlük tapınakları her iki tarafında PCB yerleştirin.
2. Baş parça ve tapınaklar M2 civata menteşe eklem içine ekleyerek bir araya getirin.
3. Sol ve sağ PCB şekil 5' te gösterildiği gibi 3 pinli bağlantı kablo kullanarak bağlayın.
4. Pil sol devre bağlanmak ve sol tapınağa bir yapışkan bant ile bağlamak. Beri PCB tasarımına bağlı olarak değişebilir batarya montaj tarafında çok önemli değildir.
5. Gözlük ucu ve burun panelindeki şekil 5' te gösterildiği gibi daha fazla sürtünme insan derisi ile eklemek için lastik bantlar ile kapak.

4. veri toplama sisteminin geliştirilmesi

Not: Veri koordinat belirleme sistemi verici modül ve veri alma modülü bir veri oluşur. Veri aktarma modülü zaman okur ve kuvvet her iki sinyalleri ve sonra alınan verileri toplar ve bunları .tsv için yazar veri alan modüle gönderir.

1. MCU için uygulama adımları 4.1.1–4.1.3 prosedürleri aşağıdaki PCB modülünün verici verileri karşıya.
   1. Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Server" projeyi çalıştırın.
      Not: Bu proje Arduino entegre geliştirme ortamı (IDE) ile inşa edilmiştir. Zaman okumak ve 200 örnekleri/s ile sinyal güç ve onları veri alıcı modülü iletimi için yeteneği sağlar.
   2. PCB modülü bir evrensel seri veri yolu (USB) bağlayıcı üzerinden bilgisayara bağlayın.
   3. Adım 4.1.1 MCU içine programlama kodları flash için Arduino IDE üzerinde "Upload" butonuna basın.
2. Kablosuz veri almak için kullanılır, bir smartphone veri alan uygulamaya adımları 4.2.1–4.2.3 konusundaki yordamları izleyerek yükleyin.
   1. Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Client" projeyi çalıştırın.
      Not: Bu proje ile C# programlama dili yaptırılmıştır. Veri alma ve ad, cinsiyet, yaş ve vücut kitle indeksi (VKİ) gibi bir konuyu bilgiler içeren .tsv dosyaları kaydetme olanağı sağlar.
   2. Belgili tanımlık smartphone veri alma uygulaması oluşturmak için bir USB bağlantısı ile bilgisayarınıza bağlayın.
   3. C# projesindeki smartphone veri alan uygulamaya oluşturmak için "Dosya > inşa & Çalıştır" düğmesine basın.

5. veri toplama bir kullanıcı çalışma

Not: Bu çalışmada altı seçme etkinliği kümeleri toplanan: yerleşik kalan (SR), sedanter çiğneme (SC), (W) yürüyüş, (CW) yürürken çiğneme, sedanter konuşan (ST) ve sedanter wink (SW).

1. Test edilecek kullanıcıya uygun bir boyut olan gözlük seçin. Her iki menteşeler (şekil 5), destek cıvata ile gerginlik ince ayar yapın.
   Dikkat: Bu çalışmada kullanılan kuvvet sensörleri çalışma aralığı ötesinde iyi doğrusal karakteristik kaybedebilirsiniz beri 15 N, kuvvet değerleri aşmamalıdır. Kuvvet değerleri gevşeterek tarafından ince ayar veya destek sıkma cıvata.
2. Kayıt faaliyetleri üzerinde uygulama "Kaydet" düğmesine basarak tüm konuların adım 4.2.3 inşa.
   1. 120-s blok sırasında etkinlik kaydetmek ve bu, bir kayıt dosyası oluşturma.
      1. SR, söz konusu olduğunda konu bir sandalyede oturup onları bir smartphone kullanın veya bir kitap okumak. Hareketi baş izin, ancak tüm vücut hareketi önlemek.
      2. SC ve CW durumlarında, yemek yiyecek doku (ekmek ve çiğneme jöle) farklı gıda özelliklerini yansıtmak için iki tür konulara sahip. Kızarmış ekmek yemek için iyi bir boyut ve 20 mm x 20 mm, dilimler halinde hizmet.
      3. W söz konusu olduğunda, bir koşu bandı üzerinde 4.5 km/s hızda yürümek konulara sahip.
      4. ST, söz konusu olduğunda konular otur ve onları bir kitabı yüksek sesle normal sesi ve hız okudum.
      5. SW söz konusu olduğunda, bir zil sesi 0,5 zamanlama üzerinde wink konularının bilgilendirmek s uzun her 3 s.
   2. 5.2.1. adımda toplanan verilerden .tsv biçiminde bir kayıt dosyası oluşturun.
      Not: Bu dosya ne zaman veri alınan zaman bir dizi, bir sol güç sinyal, doğru kuvvet sinyal ve geçerli yüz faaliyet gösteren bir etiket içerir. Bir kullanıcı bir blok tüm faaliyetlerin zamansal sinyalleri görsel şekil 6' tasvir. Altı seçme etkinliği setleri (SR, SC, W, CW, ST ve SW) sırasıyla 1, 2, 3, 4, 5 ve 6, etiketli. Etiketleri Bölüm 8 Protokolü'nün tahmin edilen sınıflarda karşılaştırmak için kullanılmıştır.
   3. Kayıt bloğundan sonra 60 s ara. Gözlükleri çıkar sırasında ara verip kayıt blok yeniden başlatıldığında onları tekrar yeniden giymek.
   4. Adım 5.2.1 ve 5.2.2 blok ve ara kümesi her faaliyet için dört kez tekrarlayın.
   5. SW söz konusu olduğunda, tekrar tekrar sırasında bir blok ile sol göz kırpmak ve tekrar tekrar ileri sokağın sırasında sağ gözü ile göz kırp konu var.
3. 5.1-5,2 adımları yineleyin ve 10 konular veri toplayabilir. Bu çalışmada, kullandığımız beş ve beş erkek, ortalama yaş oldu 27,9 ± 4.3 (Standart sapma; s.d.) yıl, hangi 19-33 yıl arasında değişiyordu ve ortalama BMI yapıldı 21,6 ± (SD) 3.2 kg/m²17,9-27,4 kg/m²de değişiyordu,.
   Not: Bu çalışmada, gıda, çiğnemek için herhangi bir tıbbi durumlar yoktu konular wink ve yürüyüş işe ve bu durum için katılım kriterleri kullanıldı.

6. sinyal ön işleme ve segmentasyon

Not: Sol ve sağ sinyalleri aşağıdaki yordamlarda da ayrı ayrı hesaplanır.

1. 2 geçici kare bir dizi hazırlamak uzun s.
   1. Segment 120 s sinyalleri 2 s kare bir dizi içine MATLAB şekil 6' da gösterildiği gibi kullanarak 1-s aralıklarla atlamalı tarafından kaydedildi.
      Not: 2 parçalı çerçeveler uzun s bölümünde 7 özellik ayıklamak için kullanılmıştır. 1 s atlamalı alan sinyalleri zaten 5.2.1 adımda belirtilen 3 s wink aralığa göre bölmek için tespit edilmiştir.
   2. Her çerçeve için 10 Hz bir kesme frekansı ile 5^inci sırada Butterworth filtre kullanarak bir alçak geçiren Filtre (LPF) uygulanır.
   3. 7.1. adımda sonraki adımlar için geçici çerçeveler olarak adım 6.1.2 sonuçlarını kaydedin.
2. Spektral kare bir dizi hazır olun.
   1. Gözlük takan preload kaldırmak için özgün sinyalleri her çerçevenin orta çıkarma.
      Not: Önceden yüklemesi değeri aşağıdaki frekans analizi için gerekli değildir, bu olabilir, ancak, çiğneme, yürüme, wink, vb hakkında herhangi bir bilgi içermez bu yana gelen konu tabi gelen değişebilir önemli bilgiler de içerebilir Her gözlük ve hatta andan itibaren bir konu ayarlama gözlük takıyor.
   2. Bir Hanning pencere frekans analizi spektral bir kaçağı azaltmak için her çerçeve için geçerlidir.
   3. Üretmek ve her çerçeve için bir Hızlı Fourier dönüşümü (FFT) uygulayarak tek taraflı bir spektrum kaydedin.
3. Zamansal bir ve aynı zamanda bir kare blok olarak bir tayf çerçeve (veya sadece bir çerçeve) tanımlayın.

7. nesil özelliği vektörel çizimler

Not: Bir özelliği vektör çerçeve Protokolü bölümünde 6 üretilen başına oluşturulur. Sol ve sağ çerçeve ayrı ayrı hesaplanır ve aşağıdaki yordamları özelliği vektörde birleştirilecektir. Tüm yordamları MATLAB'de uygulanan edildi.

1. İstatistiksel özellikleri iletişim kuralının adım 6.1 zamansal bir çerçevede ayıklayın. Toplam dizi 54 özellik listesi Tablo 1' de verilmiştir.
2. Adım 6.2 iletişim kuralının spektral çerçevede istatistiksel özellikleri ayıklamak. Toplam dizi 30 özellik listesi Tablo 2' de verilmiştir.
3. Bir 84-boyutlu özellik vektör zamansal ve spektral özellikleri yukarıdaki birleştirerek oluşturmak.
4. Adım 5.2 Protokolü'nün kayıtları oluşturulan özelliği vektörlerinden etiketleyin.
5. Tüm çerçeve blokları için 7.1-7,4 adımlardan adımları yineleyin ve bir dizi özellik vektörel çizimler oluşturmak.

8. sınıf etkinliklerine sınıflandırılması

Not: Verilen sorunu (Yani, özellik vektörel çizimler) en iyi doğruluk gösteren parametreleri belirleyerek bir destek vektör makine (SVM)²³ Sınıflandırıcısı modelini seçin Bu adımdır. SVM tekniği, genelleme ve sınıflar ile çekirdek işlevi arasında en yüksek bir marj kullanarak sağlamlık mükemmel performans gösteren öğrenme iyi bilinen denetimli bir makinedir. Biz bir-arama ve çapraz doğrulama yöntemi bir ceza parametre C ve bir çekirdek tanımlamak için kullanılan parametre γ Radyal temel işlevi (RBF) çekirdek. Öğrenme teknikleri ve SVM makine en az bir anlayış aşağıdaki yordamları gerçekleştirmek için gereklidir. Bazı başvuru malzemeleri^23,24,25 öğrenme teknikleri ve SVM algoritması makine daha iyi anlamak için tavsiye edilir. Bu bölümdeki yordamlar LibSVM²⁵ yazılım paketi kullanarak uygulanan edildi.

1. (C, γ) çift oluşan bir kılavuz için kılavuz arama tanımlayın. C dizisi katlanarak büyüyen kullanımı (2^-10, 2^-5,..., 2³⁰) ve γ (2^-30, 2^-25,..., 2¹⁰).
   Not: Bu dizilere buluşsal olarak belirlenmiştir.
2. (C, γ) bir çift tanımla (örneğin, (2^-10, 2^-30)).
3. Adım 8.2 tanımlanmış kılavuz, 10 kat çapraz doğrulama düzeni gerçekleştirmek.
   Not: Bu düzen tüm özellik vektörel çizimler 10-bölüm alt kümeleri böler, sonra diğer alt kümeleri tarafından eğitilmiş Sınıflandırıcısı modelinden bir alt test ve tüm alt kümeleri üzerinde tekrar tek tek. Bu nedenle, her özellik vektörel çizimler ardışık olarak test edilebilir.
   1. Tüm özellik vektörel çizimler 10-bölüm alt kümeleri bölmek.
   2. Bir alt ve bir eğitim kalan 9 alt kümeleri ayarlamak sınama kümesi tanımlar.
   3. Özellik vektörel çizimler aralığına tüm unsurları ölçekler bir ölçek vektörü tanımlamak [0, 1] eğitim kümesi için.
      Not: Ölçek vektörü özelliği vektör ile aynı boyuta sahiptir. Bu oluşan tüm özellik vektörel çizimler aynı satır (veya sütun) ölçekler bir küme çarpanları aralığına [0, 1]. Örneğin, bir özellik vektörünün ilk uzun metraj doğrusal dizi için ölçeklenir [0, 1] eğitim özelliği vektörel çizimler bütün ilk özellikleri için. Sınama kümesi bilinmeyen olarak kabul çünkü ölçek vektörü eğitim kümesi tanımlanır unutmayın. Bu adımı eşit Aralık şekil verme ve hesaplama sırasında sayısal hata kaçınarak tarafından sınıflandırma doğruluğu artırır.
   4. Her özellik için aralığını ayarlamak eğitim ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.
   5. Her özellik için aralığı ayarla test ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.
   6. Eğitim kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti adım 8.2 ile tren ve bir Sınıflandırıcısı model oluşturmak.
   7. Sınama kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti ile adım 8.2 sınama ve Sınıflandırıcısı modeli eğitim prosedürü elde.
   8. Bir sınıflandırma doğruluğu sınama kümesi üzerinde hesaplama. Doğruluğu özelliği doğru olarak sınıflandırılır vektörel çizimler yüzdesi hesaplanmıştır.
   9. Adımları 8.2.2–8.2.8 tüm alt kümeleri için yineleyin ve tüm alt kümeleri ortalama doğruluğunu hesaplamak.
4. (C, γ) tüm ızgara noktalarını bir çift için 8.2-8.3.9 adımları yineleyin.
5. Kılavuzun en yüksek doğruluk yerel maksimum bulmak. Bölüm 8 tüm yordamları Şekil 7' de gösterilmiştir.
6. (İsteğe bağlı) Adım kılavuz kaba olduğu düşünülürse, yerel maksimum yakınındaki ince bir kılavuzda 8.1-8,5 adımları 8.5. adımda bulunan ve yeni yerel en ince ızgara çok bulmak tekrarlayın.
7. Hesaplama duyarlığı, hatırlama ve F₁ puan üzerinden aşağıdaki denklemler faaliyetlerin her sınıfın:
                                      Denklem 1
                                                Denklem 2
             Denklem 3
   nerede TP, FP ve FN gerçek pozitif, yanlış pozitif ve yanlış negatif her etkinlik için sırasıyla temsil eder. Tüm faaliyetlerin karışıklık matris Tablo 3' te verilmiştir.

Sonuçlar

İletişim kuralında belirtilen işlemleri yoluyla iki yorum-in 3D yazdırılan çerçeve baş parça, L_H (133 ve 138 mm) ve tapınaklar, L_T (110 ve 125 mm), uzunluğu ayırt tarafından şekil 4' te gösterildiği gibi hazırladık. Bu nedenle, çeşitli konularda kafa büyüklüğü, şekli, vb konularda bir kullanıcı çalışma için kafasına uyacak çerçeve açmadı olabilir birkaç giyen koşulları kapağı olabilir. ...

Tartışmalar

Bu çalışmada, ilk tasarım ve üretim sürecini gıda alımı ve fiziksel aktivite alışkanlıkları anlamda gözlük önerdi. Bu çalışma olarak ağırlıklı olarak gıda alımı (yürüyüş ve göz kırpıyor gibi) diğer fiziksel aktiviteler ayırmak için veri analizi üzerinde duruldu, sensör ve veri toplama sistemi hareketlilik kayıt uygulanması gerekli. Böylece sistem sensörler, kablosuz iletişim yeteneği ile MCU ve pil dahil. Bir roman ve bir temassız şekilde temporalis kas aktivitesi nedeniyle g...

Malzemeler

Name	Company	Catalog Number	Comments
FSS1500NSB	Honeywell, USA		Load cell
INA125U	Texas Instruments, USA		Amplifier
ESP-07	Shenzhen Anxinke Technology, China		MCU with Wi-Fi module
74LVC1G3157	Nexperia, The Netherlands		Multiplexer
MP701435P	Maxpower, China		LiPo battery
U1V10F3	Pololu, USA		Voltage regulator
Ultimaker 2	Ultimaker, The Netherlands		3D printer
ColorFabb XT-CF20	ColorFabb, The Netherlands		Carbon fiber filament
iPhone 6s Plus	Apple, USA		Data acquisition device
Jelly Belly	Jelly Belly Candy Company, USA		Food texture for user study