XiaoMi-AI文件搜索系统
World File Search System加速度计
IEPE 三轴加速度计，微型
描述 876XA... 型是一种 IEPE（集成电子压电）三轴加速度计，专为高温应用而设计。876XA... 型加速度计使用 Kistler 的 PiezoStar 剪切元件设计，可提供宽工作频率范围和极低的温度变化灵敏度（请参阅第 3 页的灵敏度偏差图）。IEPE 传感器结合了 Pi- ezoStar 晶体和高增益积分混合微电子元件，与其他传感元件设计相比，可在整个工作温度范围内实现非常低的灵敏度变化。Kistler 剪切元件技术还可确保高度的抗基础应变误差能力。加速度计使用焊接钛结构以实现低质量和行业标准 4 针连接器，以及微型 4 针连接器以实现更轻的质量和更宽的频率操作。一体式硅胶电缆选项可用于高达 16 bar 的防水振动测试。所有变化均提供可靠的测量和长期稳定性，特别是在较高的工作温度下。
微型和纳米卫星的空间加速度计
Manuel Rodrigues (1) 、J. Bergé (1) 、D. Boulanger (1) 、B. Christophe (1) 、M. Dalin (1) 、V. Lebat (1) 、F. Liorzou (1) (1) ONERA，巴黎萨克雷大学，F-92322 Chatillon，法国，+33146734728，manuel.rodrigues@onera.fr 摘要 ONERA 物理系 50 年来一直致力于开发用于空间科学的高性能加速度计。 2017 年，由法国蔚蓝海岸天文台和 Onera 提出的 CNES MICROSCOPE 任务在基础物理学方面取得了出色的成果。 借助加速度计，它在等效原理（广义相对论的基石）测试中取得了有史以来最好的结果。 2013 年，ESA GOCE 任务搭载 6 个静电加速度计，绘制出了最佳的地球重力图。最近，两颗 JPL GFO 卫星发射升空，在 GRACE 进行 15 年的测量后，为大地测量学界提供了成果。对于未来的任务，我们将利用实验室的遗产，开发一种更紧凑的加速度计，用于微型卫星或纳米卫星上的科学研究。在概述过去几十年取得的成就之后，演讲将重点介绍未来在小型卫星或纳米卫星上大地测量和基础物理学方面的发展。
Medipost的电容3轴MEMS加速度计
摘要：MEMS传感器的不断开发和微型化总是为它们在与健康相关和医疗应用中使用的新可能性提供了新的可能性。MEMS设备在弹性系统中的应用允许更快的诊断，并显着促进医务人员的工作。MEMS加速度计构成此类系统的重要组成部分，尤其是那些用于监测失衡障碍患者的系统。此类传感器的正确设计对于收集有关患者运动的数据和确保整个系统的整体性能至关重要。本文介绍了专门用于跟踪患者运动的设备的三轴加速度计的设计和测量。它的主要重点是传感器的表征，比较不同的设计并评估包装和读取电路集成对传感器操作的影响。广泛的测试和测量结果确保了设计的加速度计正常工作，并允许在灵敏度/稳定性方面识别最佳设计。此外，仅当读数电路与MEMS传感器集成在相同的包装中时，提出的传感器作为应用加速度的函数的响应才能证明非常好的线性。
型号 3711E1110G 直流响应加速度计...
本文档中包含的信息取代了本手册其他地方可能出现的所有类似信息。 完全客户满意度 – PCB Piezotronics 保证完全客户满意度。如果您出于任何原因对任何 PCB 产品不完全满意，PCB 将免费维修、更换或交换该产品。您也可以选择退还您的购买价格，以代替维修、更换或交换产品。 服务 – 由于 PCB Piezotronics 提供的传感器和相关仪器的复杂性，不建议用户进行维修或维护，如果尝试这样做，可能会导致工厂保修失效。可以进行日常维护，例如使用不会损害物理结构材料的解决方案和技术清洁电连接器、外壳和安装表面。应注意确保液体不会渗入未密封的设备。此类设备只能用湿布擦拭，切勿浸入水中或将液体倒在上面。维修 – 如果设备损坏或停止运行，应安排将设备送回 PCB Piezotronics 进行维修。不建议用户自行维修，如果尝试维修，可能会使工厂保修失效。校准 – 传感器和相关仪器的日常校准是
加速度计衍生的“周末勇士”体力活动......
大量证据表明，坚持规律的身体活动 (PA) 模式对大脑健康有益。然而，尚不清楚“周末勇士”模式（其特点是 1-2 天内集中进行中度至剧烈的 PA (MVPA)）是否与大脑健康有关。在这里，我们进行了一项前瞻性队列研究，其中包括来自英国生物银行的 75,629 名参与者，并提供了经过验证的加速度计数据。使用当前指南阈值将个体分为三种 PA 模式：不活动（MVPA 每周 -1 <150 分钟）、周末勇士（每周 -1 ≥150 分钟，且 1-2 天内发生的总 MVPA ≥50%）和定期活动（每周 -1 ≥150 分钟但不符合周末勇士标准）。我们发现，与定期活动模式相比，周末勇士模式同样与痴呆、中风、帕金森病、抑郁症和焦虑症的风险较低相关。我们的研究结果强调周末勇士模式是预防干预策略的一种潜在替代方案，特别是对于那些无法维持日常活动习惯的人。
无线加速度计 - G -Force快照传感器
该传感器的标准版本由两个可更换的1.5 V AA大小的电池提供动力（包括购买）。此传感器也可以使用线路功率选项。该传感器的线电动版本具有枪管电源连接器，允许它由标准3.0？3.6 V电源提供动力。线电动版本还使用两个标准的1.5 V AA电池作为备份，以便在线路停电时不间断的操作。必须在购买时选择电源选项，因为必须更改传感器的内部硬件以支持所选的电源需求。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
基于硅基氮化镓的微机电加速度计
1 G. Langfelder、M. Bestetti 和 M. Gadola，《微机械与微工程杂志》31 (8)，084002 (2021)。2 Chen Wang、Fang Chen、Yuan Wang、Sina Sadeghpour、Chenxi Wang、Mathieu Baijot、Rui Esteves、Chun Zhao、Jian Bai、Huafeng Liu 和 Michael Kraft，《传感器》20 (14)，4054 (2020)。3 V. Narasimhan、H. Li 和 M. Jianmin，《微机械与微工程杂志》25 (3)，033001 (2015)。4 DK Shaeffer，《IEEE 通信杂志》51 (4)，100 (2013)。5 LM Roylance 和 JB Angell，《IEEE 电子设备学报》26 (12)，1911 (1979)。 6 AA Barlian、W. Park、JR Mallon、AJ Rastegar 和 BL Pruitt，IEEE 97 论文集 (3)，513 (2009)。7 S. Tadigadapa 和 K. Mateti，测量科学与技术 20 (9)，092001 (2009)。8 O. Le Traon、J. Guérard、M. Pernice、C. Chartier、P. Lavenus、A. Andrieux 和 R. Levy，在 2018 年 IEEE/ION 位置、定位和导航研讨会 (PLANS) 上发表，2018 年（未发表）。9 O. Lefort、I. Thomas 和 S. Jaud，在 2017 年 DGON 惯性传感器和系统 (ISS) 上发表，2017 年（未发表）。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。