XiaoMi-AI文件搜索系统
World File Search SystemMDA
SportQuest游戏化设计MDA框架
抽象的身体不活跃仍然是一项重大的全球健康挑战，影响了大约81％的青少年和全球成年人口的三分之一。尤其是在发展中国家，身体不活动率最多可以达到70％，从而导致慢性疾病的患病率增加，例如肥胖，糖尿病和心血管疾病。这项研究介绍了SportQuest，这是一种基于游戏化的应用程序，旨在增强体育活动的动力。该应用程序采用MDA（机械，动态，美学）框架来将游戏的要素集成到体育活动中，专注于改善参与度，用户体验和长期动机。调查显示，有40％的用户面临保持一致的体育活动的挑战，强调了游戏化在解决这些障碍时的重要性。使用游戏用户体验满意度量表（猜测）和定制调查，以用户参与，视觉吸引力和动力进行定制调查，对SportQuest的有效性进行了评估。结果表明，SportQuest游戏化元素可显着增强动力，鼓励一致的参与。所有类别的SportQuest用户的总体反馈平均为81.3％，证明了该应用程序在吸引用户和提供令人满意的游戏体验方面的有效性。这些发现强调，游戏化元素（例如奖励系统和社交参与度）对于维持动机和增强体育活动中的整体用户体验至关重要。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
NASMDA 2025剖面
Bhajleen Kaur是一名大二学生，从事麻醉师的职业。从16岁开始上大学，她表现出致力于推动医疗领域变化的坚定承诺，尤其是在她的社区中。作为GHMC的团队领导，她在增强弗里蒙特·古德瓦拉·萨希布（Fremont Gurdwara Sahib）的锡克教徒社区的福祉方面发挥了积极作用，并热衷于弥合语言障碍，以确保旁遮普/锡克教徒社区的公平医疗保健。
2025.QUANTUMDAYS.CA
量子日通过互动会议将加拿大的量子社区团结在一起，包括演讲、小组讨论、行业会议和海报展示。参与者包括学生、研究人员、行业专业人士、政策制定者、投资者等。该计划旨在告知、联系和推动加拿大量子领域的突破；涵盖学术研究、行业应用、社会影响、公共政策等。
最终成绩单 - MDA Space - 投资者关系
“尽管 Cision 已尽商业上合理的努力来制作此抄本，但它并不代表或保证此抄本没有错误。Cision 不对因使用此抄本或其中包含的任何错误而产生的任何直接、间接、偶然、特殊、后果性利润损失或其他损害或责任负责。” “尽管 Cision 已尽商业上合理的努力来制作此记录，但它无法声明或保证其没有错误。 Cision 不对因使用本文中的任何错误或其中包含的任何错误而直接、间接、偶然或具体造成的任何利润损失或其他损害或责任负责。 »
投资者介绍 - MDA Space - 投资者关系
前瞻性陈述 本演示文稿包含适用加拿大证券法所定义的“前瞻性信息”。此类前瞻性信息包括但不限于有关 MDA Space Ltd.（“MDA Space”、“MDA”或“公司”）的目标和实现这些目标的战略的信息，以及有关公司的信念、计划、期望、预期、估计、意图和对未来事件的看法的信息。公司根据其当前的期望和对未来事件和财务趋势的预测得出前瞻性信息，公司认为这些事件和财务趋势可能会影响其财务状况、经营成果、业务战略和财务需求。包含前瞻性信息的陈述基于公司根据管理层的经验和对历史趋势、当前状况和预期未来发展的看法以及公司认为适当的其他因素而做出的某些假设和分析，并受风险和不确定性的影响。这些假设包括我们维持和扩大业务范围的能力；我们执行增长战略的能力；与政府对太空计划和任务的支持和资金水平有关的假设；全球太空经济的持续和加速增长；竞争的影响；我们留住关键人才的能力；我们以可接受的条件获得和维持现有融资的能力；我们行业或全球经济的变化和趋势；货币汇率和利率；以及法律、法规和规章的变化。尽管公司认为这些陈述所依据的假设是合理的，但它们可能被证明是不正确的，并且不能保证实际结果与前瞻性信息一致。鉴于这些风险、不确定性和假设，读者不应过分依赖前瞻性信息。实际结果、业绩或成就是否符合公司的预期和预测取决于许多已知和未知的风险、不确定性、假设和其他因素，包括公司最新年度信息表 (AIF) 中所述并在“风险因素”标题下列出的因素，这些因素不应被视为详尽无遗。如果任何这些风险或不确定因素成为现实，或者前瞻性信息所依据的假设被证明不正确，实际结果可能与前瞻性信息中预期的结果大不相同。尽管公司基于其认为合理的假设来提供前瞻性信息，但公司提醒投资者，包含前瞻性信息的陈述并不能保证未来的业绩，其实际经营业绩、公司的财务状况和流动性以及其所在行业的发展情况可能与本演示文稿中的前瞻性信息所描述或暗示的情况存在重大差异。鉴于这些风险和不确定性，投资者应谨慎行事，不要过分依赖前瞻性信息。本演示文稿中的任何前瞻性信息仅代表该声明发布之日的观点，公司不承担更新任何前瞻性信息或公开宣布对任何此类声明进行任何修订以反映未来事件或发展的义务，除非适用证券法另有规定。
CMDA 专业要求 密码学和网络安全选项
BIT 4624（网络安全分析） CMDA 3634（CMDA 可扩展计算） CS 4134（量子计算） CS 4264（计算机安全原理） FIN 4014（网络法律与政策） MATH 3124（现代代数） MATH 3134（应用组合学） PHYS 4254（量子信息技术）
CMDA主要需求生物科学选择
Biol/SYSB选修词包括以下内容：SYSB 3035基因组学和生物信息学（4个学分）SYSB 3036基因组学和生物信息学（4个学分）SYSB 3115网络动态和细胞生理学和细胞生理学（4个学分）生态生物学4134进化遗传学生物学4564传染病生态生物学生物学4624微生物遗传学生物学4664病毒学生物学4874癌症生物学