XiaoMi-AI文件搜索系统
World File Search System加速度计
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。
（腕戴式）加速度计的标准程序 - Axivity
从各个时期提取特征特征（无重叠，例如一分钟）或使用滑动窗口程序从每个时期包含的原始数据中提取统计描述符、傅立叶系数、小波分解或类似内容，以应用统计模式识别技术典型的佩戴时间验证着眼于每个加速度计轴的各个时期的标准偏差和阈值（例如std < 3mg）。较新的方法还考虑了温度。将记录转换为每分钟的活动记录仪计数，通常只在一个轴上（z 轴指向手腕外）。
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。
加速度计测量的 2 型糖尿病患者的体力活动和死亡率
研究表明，体力活动 (PA) 可降低糖尿病死亡率，但很大程度上基于不精确的自我报告数据，这可能会妨碍相关建议的制定。在此，我们对英国生物银行的 4003 名 2 型糖尿病 (T2D) 患者进行了一项前瞻性队列研究，中位随访期为 6.9 年。通过腕戴式加速度计在 7 天内测量 PA 的持续时间和强度。我们观察到，无论 PA 强度如何，较长持续时间的 PA 与全因死亡和癌症死亡风险呈 L 形关联，与心血管疾病死亡率呈负线性关联。18.8%、28.0% 和 31.1% 的死亡分别归因于最低水平的轻强度 PA、中等强度 PA 和高强度 PA。总的来说，我们的研究结果为临床指南提供了见解，这些指南应强调坚持更高强度和更长时间的 PA 对 2 型糖尿病患者的潜在价值。
LIS302DL：3 轴 - ±2g/±8g 数字输出超紧凑线性加速度计
表 1. 绝对最大额定值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ....................................................................................................................................................39
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
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
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。
非电子零件可靠性数据 (NPRD-2016) 部分...
以下页面包含 Quanterion 四卷出版物“非电子零件可靠性数据”所涵盖的所有零件类别的描述符，目录号为 NPRD-2016 9.0GB 硬盘驱动器 吸收器 吸收器、校准吸收器、过压吸收器、射频吸收器、射频辐射吸收器、RF 辐射吸收器、RF：射频吸收器、减震器、振动 AC 适配器 AC 输入模块 加速器、机枪加速度计 加速度计组件 加速度计、电缆加速度计、电气加速度计、电气、高温加速度计、电气、线性加速度计、排气框架加速度计、横向加速度计、机械加速度计、三轴检修面板 检修面板组件 检修面板、发电厂检修单元 检修单元、装载附件组件 附件驱动组件 蓄能器 蓄能器组件蓄能器，液压 蓄能器，液压，辅助，自排式 蓄能器，气动 蓄能器，气动，辅助，自排式 蓄能器，加压 蓄能器，加压，液压 蓄能器，加压，气动 蓄能器，不加压 隔音毯 隔音毯组件 隔音泡沫激活器 阀门激活器，压力驱动杆，支撑执行器 执行器组件 执行器组件，助推器 执行器组件，顶篷执行器组件，顶篷连杆剪切执行器组件，燃油切断阀 执行器组件，开关执行器组件，阀门
用于检测物理的机器学习分类器...
简介：基于加速度计的体育活动类型的测量通常用于替代自我报告。为了推进领域，希望这样的测量可以准确检测关键的日常体育活动类型。这项研究旨在评估机器学习分类器的性能，用于根据双重与单个加速度计的设置在自由生活中检测坐，站立，撒谎，步行，跑步和骑自行车。方法：22名成年人（平均年龄[SD，范围] 38.7 [14.4，25 - 68年）穿着两个轴性AXTIVITY AXTIVE AXTIVE AXTIVE AX3加速度仪位于低背部和大腿上，以及位于胸部上的GOPRO相机，在自由生活中记录下身体运动。使用标记的视频用作地面真理，用于训练使用1、3和5 s的窗口长度训练极端梯度的分类器。使用剩余的交叉验证评估分类器的性能。结果：总记录时间约为38小时。基于5-S窗口，双加速度计设置的总体精度分别为96％，单个大腿和后加速度计的设置分别为93％和84％。单个加速度计设置的精度降低是由于基于大腿加速度计记录（77％）的检测精度较差，并且基于后加速度计记录（64％）。结论：使用极端梯度提升分类器，可以根据双加速度计记录在自由生活中准确检测到关键的每日体育活动类型。当预测基于单个大腿加速度计的记录时，总体准确性会略有下降，但检测说谎很差。