GitHub - Prashant47eating-gesztusfelismerés Az étkezési gesztusok azonosítása a Myo karszalag-érzékelőből

A GitHub több mint 50 millió fejlesztőnek ad otthont, amelyek együttesen működnek együtt kódok befogadásában és felülvizsgálatában, projektek kezelésében és szoftverek építésében.

A GitHub az, ahol a világ szoftvereket épít

Fejlesztők és vállalatok milliói építik, szállítják és tartják karban szoftverüket a GitHubon - a világ legnagyobb és legfejlettebb fejlesztői platformján.

Használja a Git vagy a checkout SVN használatát a web URL segítségével.

Dolgozzon gyorsan a hivatalos CLI-vel. Tudj meg többet.

A GitHub Desktop elindítása

Ha nem történik semmi, töltse le a GitHub Desktop alkalmazást, és próbálja újra.

A GitHub Desktop elindítása

Ha nem történik semmi, töltse le a GitHub Desktop alkalmazást, és próbálja újra.

Az Xcode elindítása

Ha semmi sem történik, töltse le az Xcode-ot és próbálja újra.

A Visual Studio elindítása

Legutóbbi elkötelezettség

Git statisztika

Fájlok

Nem sikerült betölteni a legfrissebb végrehajtási információkat.

README.md

A gesztusfelismerés evése

A projekt az iMPACT Lab arizona állami egyetemen folyó MT-Diet kutatási projekten alapul. A projekt a CSE 572 adatbányász tanfolyam részeként, Ayan Banerjee professzor vezetésével készült.

A projekt öt szakaszban valósul meg, az alábbiakban ismertetettek szerint.

1. fázis - Adatkészlet létrehozása

Az adatkészlet elkészítéséhez videofelvételt készítettünk az étkezésről, karszalag érzékelőkkel. A Myo karszalagot, viselhető gesztusvezérlőt és mozgásszabályozó eszközt használtuk a mozgástevékenység rögzítésére.

Az étel egyenletesen van felosztva egy tányér négy szakaszára. Az evési cselekvések egységét egy falatnak tekintik. Az adatkészlet 40 falatból áll, villával és kanállal.

Miközben elkezdtünk enni, egyedülálló mozdulatot tettünk, amely könnyen felismerhető a gyorsulásmérőben, hogy később szinkronizálhassuk a videó időbélyegzőit és a gyorsulásmérő adatait a karszalagról.

2. fázis - Adat annotáció

Ebben a szakaszban az összegyűjtött nyers adatokat étkezésként vagy nem evésként jegyeztük fel videofelvétel segítségével. A keretszámokat az étkezési tevékenység kezdetének és az étkezési tevékenység befejezésének jelöltük. Ezeket a képszámokat az Annotation.txt fájlban rögzítettük

3. fázis - A funkciók kibontása és a dimentionalitás csökkentése

A nyers szenzor adatainak kinyerése érdekében bizonyos átalakításokat alkalmaztunk a nyers adatokra, valamint ábrázoltuk az étkezési és a nem evési tevékenységeket. Az átalakításokat, amelyek egyértelmű különbséget tesznek az evés és a nem evés között, jellemzőkként választják ki. A következő módszereket alkalmaztuk a funkciók kinyerésére

  1. Gyökér négyzet (R.M.S)
  2. Fourier transzformáció
  3. A jel energiája/ereje
  4. Statisztikai jellemzők, mint átlag, std, max, min

gesztusok

4. fázis - Osztályozó tervezése

5. szakasz - Teljesítmény és pontosság

Ez a projekt MIT licenc alatt van licencelve - a részletekért lásd a LICENSE.md fájlt

Ról ről

Az étkezési gesztusok azonosítása a Myo karszalag szenzor adataiból