GitHub е дом на над 50 милиона разработчици, които работят заедно за хостване и преглед на код, управление на проекти и изграждане на софтуер заедно.

GitHub е мястото, където светът създава софтуер

Милиони разработчици и компании изграждат, доставят и поддържат своя софтуер на GitHub - най-голямата и най-модерна платформа за развитие в света.

Използвайте Git или плащане с SVN, като използвате уеб URL адреса.

Работете бързо с нашия официален CLI. Научете повече.

Стартиране на GitHub Desktop

Ако нищо не се случи, изтеглете GitHub Desktop и опитайте отново.

Стартиране на GitHub Desktop

Ако нищо не се случи, изтеглете GitHub Desktop и опитайте отново.

Стартиране на Xcode

Ако нищо не се случи, изтеглете Xcode и опитайте отново.

Стартиране на Visual Studio

Последен ангажимент

Git статистика

Файлове

Неуспешно зареждане на последната информация за фиксиране.

README.md

Разпознаване на жестове за хранене

Проектът се основава на текущ изследователски проект MT-Diet в iMPACT Lab Arizona State University. Този проект е направен като част от курса CSE 572 Data Mining при проф. Ayan Banerjee.

Този проект се изпълнява на 5 фази, както е обяснено по-долу.

Фаза 1 - Създаване на набор от данни

За създаване на набор от данни сме записали видео на ядещ човек със сензори за гривна Използвахме лента за ръка Myo, устройство за управление с жестове и устройство за контрол на движението за улавяне на активността на движението.

Храната е разделена по равно на четири секции от чиния. Единицата на хранителните действия се счита за една хапка. Създаден е набор от данни, състоящ се от 40 хапки, всяка с вилица и лъжица.

Докато започваме да ядем, направихме уникален жест, който лесно може да бъде разпознат в сензора на акселерометъра, така че по-късно да можем да синхронизираме времевите печати на видеото и данните на акселерометъра от гривната.

Фаза 2 - Анотиране на данни

В тази фаза сме коментирали събраните сурови данни като ядене или ядене с помощта на видеозапис. Имаме анотирани номера на рамки като начало на хранене и край на хранене. Заснехме всички тези номера на кадри в Annotation.txt

Фаза 3 - Извличане на характеристики и намаляване на размерите

За да извлечем характеристика от сурови данни от сензора, ние приложихме определена трансформация върху сурови данни и начертана графика на ядене и ядене. Трансформациите, които дават ясно разграничение между ядене и ядене, са избрани като характеристики. Приложихме следните методологии за извличане на характеристиките

  1. Коренен среден квадрат (R.M.S)
  2. Преобразуване на Фурие
  3. Енергия/мощност на сигнала
  4. Статистически характеристики като средно, стандартно, макс., Мин

жестови

Фаза 4 - Проектиране на класификатор

Фаза 5 - Производителност и точност

Този проект е лицензиран под лиценза MIT - вижте файла LICENSE.md за подробности

относно

Идентифициране на жестове за хранене от данните на сензора за лента на Myo