XiaoMi-AI文件搜索系统
World File Search System智能手机
智能手机，平板电脑，可穿戴设备和可听觉 - 1年计划
如果我们更换您的设备，则您的设备将被翻新的型和质量的三星设备替换，并且具有可比的功能和功能，但不一定具有相同的颜色，并且不超过我们确定的设备的当前值。在原始制造商包装中包含的标准配件只有在与替换设备不兼容时才能替换。已被替换零件或设备替换的所有零件和设备成为我们的属性。本计划下的保护将在此计划中剩下的时间内扩展到替换设备。替换设备将成为受保护的设备。本计划涵盖的任何维修只能由三星授权服务中心进行。
一种基于智能手机的工具，用于筛查糖尿病神经病
糖尿病神经病是与糖尿病有关的神经损伤，即使没有及时诊断，可能会导致严重的残疾，发病率和死亡率。糖尿病神经病代表着巨大的经济负担，并且是撒哈拉以南非洲的日益严重的问题，在撒哈拉以南，它们影响了多达61％的糖尿病人群。因此，联合国（联合国）包括减少与糖尿病相关的死亡率，这是可持续发展议程的优先事项。对当前糖尿病患者现有解决方案的综述强调了一个事实，即许多人专注于生活方式管理和血糖监测，而糖尿病神经病筛查尤其是在数字健康领域，较少可用于糖尿病神经病筛查。除了耗时且设备繁重的剪切筛查方法之外，传统的方法是有效的，但是它们需要专门的知识，而这些知识通常缺乏低资源设置。这些环境，特别是在低收入国家中的环境，受到缺乏专业知识，资金，备件以及消耗品和严峻环境条件的挑战，这阻碍了安全使用医疗设备。本文提出了一个智能工具，以通过3D打印的配件和一个智能手机应用程序的有效组合筛查糖尿病神经病，旨在为联合国可持续发展目标3以及医疗保健的第四次工业革命做出贡献。此外，对此智能工具的现场评估正在进行中。到目前为止，我们招募了11个正常受试者作为试点研究。结果表明，它可能是提高糖尿病患者护理标准的可行解决方案，特别是在全球糖尿病神经病筛查领域以及在低资源环境中的本地。
适用于智能手机和商用微型无人机的星体追踪算法
摘要：本文提出了一种星体跟踪算法，使用智能手机等商用现货 (COTS) 移动设备确定纳米卫星、无人机和微型无人机等自主平台的精确全球方向。这种星体跟踪尤其具有挑战性，因为它基于现有的摄像机，这些摄像机可以捕捉天空的部分视图，并且应该连续自主地工作。所提框架的新颖之处在于计算效率和星体跟踪器算法使用经济实惠的 COTS 移动平台应对噪声测量和异常值的能力。所提出的算法已在几个流行平台上实现和测试，包括：Android 移动设备、商用微型无人机和 Raspberry Pi。报告的方向的预期精度为 [0.1 ◦ ,0.5 ◦ ]。
智能手机摆的定量分析超出线性近似：锁定实际作业
如今可以直接访问传感器数据的应用程序，用于用于高中和大学生的实践教学练习。振荡运动是物理学的基石，许多论文都发表了使用智能手机来访问古典实验1或提出创新的习惯实践。2,3个简单摆4-6或复合摆7的不同配置已被赋予。其他研究涉及水平振荡质量8,9以及可能的耦合系统。8,10的信息，但是可以使用其他传感器，例如磁场，12,13光强度9,14和旋转15。此外，某些应用程序允许进行合并的磁盘和加速度记录，从而进行了有趣的研究。15最后，还使用了其他开放平台，例如Arduino 7或视频录制16。最近出现在本期刊上的有关移动设备和物理教学传感器的详尽资源信函。17
2024年7月关于智能手机和平板电脑的Ecodesign Ondedure的数据点
智能手机和平板电脑的生态设计法规提供了更全面的产品领域方法和比电池法规更高的环境保护水平。针对智能手机和平板电脑的生态设计法规可为消费者促进更耐用的智能手机和平板电脑，在需要更换电池之前，它们将持续更长的时间，同时确保消费者和专业维修人员从易于维修中受益，从而鼓励继续使用产品，而不是寻求新产品。针对智能手机和平板电脑的生态设计法规至少需要IP44防止水和灰尘保护，以及800个循环后的80％额定容量的电池耐力 - 或IP67保护和80％的额定能力，在1000全额充电周期后进行专业更换电池设计后的80％。与电池调节相比，与电池的耐用性更容易更繁重，并且与在电池范围内掉落的产品相比，更换电池更换的可能性（第11（1）条）。
开发基于智能手机的“脑健康检查AI”和“脑健康训练AI”
（https://www.docomo.ne.jp/corporate/technology/rd/openhouse/openhouse2023/）
人工智能对智能手机照片和卫星图像临时序列的影响：uma ab
原始接收： 23/11/2023 公共授权： 26/12/2023 Margareth Simões Doutora em Geografia Instituição： EMBRAPA Solos e Universidade do Rio de Janeiro (UERJ) Endereço： R. Jardim Botânico, 1024, Jardim Botânico，里约热内卢 – RJ，CEP：22460-000 电子邮件：margareth.simoes@embrapa.br Rodrigo Peçanha Demonte Ferraz Doutor em Ciências Ambientais Instituição：EMBRAPA Solos Endereço：R. Jardim Botânico，1024，Jardim Botânico，里约热内卢 – RJ, CEP: 22460-000 电子邮件: rodrigo.demonte@embrapa.br Patrick Calvano Kuchler Doutor em Ciências Ambientais Instituição: Universidade do Estado do Rio de Janeiro (UERJ) Endereço: R. São Francisco Xavier, 524, Maracanã, Rio de Janeiro – RJ, CEP: 20550-900 电子邮件：geocalvano@gmail.com Matheus Benchimol Ferreira de Almeida Doutor em Ciências do Meio Ambiente Instituição：EMBRAPA Solos Endereço：R. Jardim Botânico，1024，Jardim Botânico，里约热内卢 – RJ，CEP： 22460-000 电子邮件： mateusbenchimol@hotmail.com
使用图形卷积神经网络学习智能手机的GNSS定位校正
抽象的智能手机接收器包括大约15亿个全球赛车卫星系统接收器。智能手机接收器的信号水平较低，噪音较低，而噪声则比Commer CIAL接收器更高。由于对尺寸，重量，功耗和成本的限制，与这些接收器进行准确的定位尤其是在城市环境中，这是一项挑战。传统上，全球定位系统测量方法是通过基于模型的方法（例如加权最小二乘和卡尔曼过滤方法）处理的。基于模型的方法可以以后处理方式提供仪表级的定位精度，但这些方法需要对相应的噪声模型进行牢固的假设，并且需要对参数（例如协方差）进行手动调整。相比之下，已经提出了基于学习的方法，这些方法对数据结构做出了更少的假设，并且可以准确地对环境特定的错误进行建模。但是，这些方法比基于模型的方法提供了较低的精度，并且对初始化敏感。在本文中，我们提出了一个用于学习校正的混合框架，该框架对应于真实接收器姿势和估计位置之间的偏移。对于基于学习的方法，我们提出了一个图形卷积神经网络（GCNN），该神经网络可以学习具有多构造和多频信号的不同图形结构。为了更好地对GCNN进行初始化，我们使用Kalman滤波器来估计一个粗糙的接收器位置。然后，我们使用此粗糙接收器位置来调节输入特征到图。我们从Google智能手机分解挑战中测试了对现实世界数据集的建议方法，并比基于模型的方法（例如加权最小二乘和卡尔曼过滤器方法）显示出改进的定位性能。
视觉处理器如何扩展可视门铃和智能手机的边缘 AI 功能
这些资源如有更改，恕不另行通知。TI 仅授权您使用这些资源来开发使用资源中描述的 TI 产品的应用程序。禁止以其他方式复制和展示这些资源。不授予任何其他 TI 知识产权或任何第三方知识产权的许可。TI 对因您使用这些资源而产生的任何索赔、损害、费用、损失和责任不承担任何责任，您将全额赔偿 TI 及其代表。
Glucoscreen：一种基于智能手机的无读取器葡萄糖测试条筛查
血糖测量通常用于筛查和监测糖尿病，这是一种慢性疾病，其特征是无法有效调节血糖，从而导致心脏病，视力丧失和肾衰竭。早期发现糖尿病前期可能会阻止或扭转更严重的疾病。当前的糖尿病筛查方法需要访问医疗机构，并使用非处方葡萄糖测试装置（葡萄糖仪），这两种设备在许多人群中都是昂贵或无法访问的，从而减少了早期疾病检测的机会。因此，我们开发了Glucoscreen，这是一种无读取器的葡萄糖测试条，可实现负担得起的，一次性的，宿舍的葡萄糖测试，利用用户的触摸屏手机来读取和显示结果。通过将最小的低成本电子产品与市售的血糖测试条相结合，葡萄糖蛋白原型引入了一种新型的低成本，无电池的葡萄糖测试工具，可与任何智能手机一起使用，以证明需要购买单独的专用读取器。我们的关键创新是使用手机的电容式触摸屏来读取最小化的市售葡萄糖测试条。在通过人造葡萄糖溶液的体外评估中，我们用五个不同的手机测试了葡萄糖，并将发现与两个常见的葡萄糖仪（Accuchek和True Metrix）进行了比较。在对75例患者的临床研究中，Glucoscreen的MAE为10.47 mg/dL，而Accuchek糖仪的MAE为9.88 mg/dl MAE。我们的葡萄糖原型的平均绝对误差（MAE）为4.52 mg/dL（Accu-Chek测试条）和3.7 mg/dl（TRUE Metrix测试条），相比之下，Accuchek Glucometer和True Metrix Gloucometer分别为4.98 mg/dl和4.98 mg/dl和5.44 mg/dl。这些结果表明，血糖的性能与常见的非处方血糖测试装置相当。有了进一步的开发和验证，Glucoscreen具有促进大规模和较低成本糖尿病筛查的潜力。这项工作采用Glucoscreen的基于智能手机的技术进行葡萄糖测试，但可以扩展以在将来构建其他无读者的电化学测定法。