XiaoMi-AI文件搜索系统
World File Search Systemaccelerometer
衡量休息活动模式的碎片化：基于加速度计现实生活数据
©作者2024，更正的出版物2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
用于未来太空重力任务的混合静电原子加速度计
1 DPHY，ONERA，巴黎萨克雷大学，Chemin de la Hunière-BP80100，F-91123 Palaiseau，法国； bruno.christophe@onera.fr （BC）; vincent.lebat@onera.fr （VL）; emilie.hardy@onera.fr（EH）; phuong-anh.huynh@onera.fr (P.-AH)； noemie.marquet@onera.fr（新墨西哥州）; cedric.blanchard@onera.fr （CB）; yannick.bidel@onera.fr （YB）; alexandre.bresson@onera.fr （AB）2 慕尼黑工业大学天文学和物理大地测量学老师，Arcisstraße 21，80333 慕尼黑，德国； petro.abrykosov@tum.de （PA）; thomas.gruber@tum.de （TG）; roland.pail@tum.de （RP）3 欧洲空间局，Keplerlaan 1，PO Box 299，2200 AG Noordwijk，荷兰； ilias.daras@esa.int 4 欧洲空间局 ESA 的 RHEA，Keplerlaan 1, PO Box 299, 2200 AG Noordwijk，荷兰； olivier.carraz@esa.int * 通讯地址：nassim.zahzam@onera.fr
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。
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。
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。
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。在包含数周的 12 种手势的 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。
使用加速度计技术在耕种的吉尔特黑德海bream（Sparus aurata）中的活动模式，代谢率和福利的单个跟踪，面临广泛的压力源
生物传感器技术有可能彻底改变水产养殖行业，但是选择标记方法，操作模式（独立系统与无线系统）和遥测技术最终取决于生活物种，生活阶段和研究问题。尤其是Aefishbit是一种由三轴加速度计，微处理器，电池和RFID标签组成的小型独立设备，该设备设计为外部连接到OperCulum。这个独特的位置用于提供通过板载算法处理的活动模式（X和Y轴信号）和呼吸频率（Z轴信号）的同时测量。最初证明了在游泳隧道呼吸仪中锻炼鱼的有效性，并用作可靠的工具，用于在此处测试在自由降低的吉尔特黑头泡沫中单个监测全体生物特征的人，在此处测试了面对广泛的生物抗性和非生物压力的鱼类。还评估了标记方法的影响，基于使用具有柔性热乙烯环的Monel穿孔鱼标记，并且在评估后10天发现了10天后发现10天的刺激性损害，operculum损害或gill板性损害的迹象。该设备的自主权是连续记录的6小时，并在实验期间（2 - 8天）定期进行2分钟窗口的可重新编程滞后时间和2分钟窗口的记录时间表。这种过程强调了禁食体重减轻和孔呼吸呼吸之间的负线性相关性，成为呼吸频率是基础代谢率的可靠指标。生物传感信号还强调了在一单年和三年的鱼类中进行比较时，年轻鱼的呼吸率更高和呼吸率提高。此外，AEFISHBIT测量结果证明了严重缺氧期间呼吸频率的普遍增加（2-3 ppm），但是被归类为主动鱼类的个体也具有增加氧气可用性环境中SUP移植逃生反应的体育活动增加。同样，我们还观察到体育活动的总体增加，而储罐空间的可用性下降，这可以有助于建立养殖鱼类的福利标准更严格。最后，呼吸频率的降低是用粘液粘液肠肠肠肠肠球菌在实验感染的鱼类中的寄生肠炎进展的一致诊断标记。总的来说，这项工作构成了使用生物传感器技术作为实验室规模上养殖鱼类的单个全生物行为分析的可靠工具的概念证明，这有助于提高水产养殖行业的动物福利和生产力。