Сочинение на тему Мониторинг повседневной деятельности с использованием машинного обучения
- Опубликовано: 16.09.2020
- Предмет: Наука
- Темы: Интеллектуальные машины, Технологии
Количество фитнес-диапазонов и других устройств IoT, таких как трекеры сна и т. д., выросло в геометрической прогрессии. Количество данных, доступных через эти устройства, о людях из всех слоев общества также значительно возросло. Все ежедневные действия человека сводятся к чему-то, поэтому должен существовать шаблон количества данных, собираемых с помощью этих различных устройств, таких как трекер сна и фитнес-диапазон.
В настоящее время существует несколько приложений, которые оценивают данные для пользователя. Многое должно быть сделано пользователем вручную. Мы создаем приложение, которое будет отслеживать данные о повседневной активности с помощью этих устройств, оценивать их и находить в них закономерности, используя кластеризацию k-средних в обучении без учителя. Оцененные данные будут собраны в базе данных, сохранены в облаке и использованы в качестве обучающих данных, и на них будут проводиться тесты для поиска закономерностей. Мы также стремимся прогнозировать действия пользователя и проблемы со здоровьем на основе собранных данных. Такое приложение и оцененные данные могут быть полезны для различных учреждений, фитнес-компаний и т. Д.
Основная цель этого проекта – разработать приложение, которое использует собранные данные и оценивает их, чтобы найти в них закономерности. Психический стресс является одной из растущих проблем современного общества. Число людей, испытывающих психическое напряжение, растет день ото дня. Стресс – это реакция нашего организма на подготовку к трудным ситуациям. Когда человек испытывает стресс, его нервная система реагирует, выпуская гормоны стресса. Эти гормоны готовят наше тело к экстренным действиям. В определенной ситуации это становится опасным и может привести человека к серьезному психическому расстройству. Долгосрочные последствия стресса могут быть хроническими. Хронический эффект стресса вызывает проблемы со здоровьем, такие как гипертония, сердечно-сосудистые заболевания и проблемы с памятью. Чувство одиночества и безнадежности может привести людей к самоубийству. Люди могут реже замечать, находятся ли они в состоянии сильного стресса или вообще менее чувствительны к стрессу. Технология обнаружения стресса может помочь людям лучше понять и снять стресс, повышая их осведомленность о повышенном уровне стресса, который в противном случае остался бы незамеченным. Для этой цели мы разработали устройство с умным ремешком для обнаружения различных уровней проводимости кожи и прогнозирования того, находится ли человек в состоянии стресса или нет. Но одна только проводимость кожи не может точно предсказать уровень стресса в повседневной деятельности. Физиологические реакции, вызванные стрессом, также могут быть спровоцированы физическими нагрузками, такими как бег, недосыпание и т. Д. Чтобы точно измерить уровень стресса, следует провести классификацию. Подходящая полоса будет способна обнаруживать стресс путем анализа различных параметров в соответствии с проводимостью кожи, таких как отслеживание активности, качество сна и т. Д. Собранные данные затем передаются на смартфон пользователя через Bluetooth и загружаются в Интернет, откуда они доступны для поиска шаблонов. для дальнейшего облегчения пользовательского опыта.
Основная цель этого проекта – разработать приложение, которое использует собранные данные и оценивает их, чтобы найти в них закономерности. Это может быть сделано путем сбора большой выборки данных и использования их в качестве обучающих данных с использованием неконтролируемых методов обучения, таких как кластеризация с помощью k-средних, для поиска шаблонов. k-means – один из самых простых алгоритмов, решающих известную проблему кластеризации. Процедура следует простому и легкому способу классификации данного набора данных через определенное количество кластеров (предположим, k кластеров) с фиксированными априорами. Основная идея состоит в том, чтобы определить k центров, по одному для каждого кластера. Эти центры должны быть расположены очень хитрым способом, потому что местоположение вызывает другой результат. Таким образом, лучший выбор – разместить их как можно дальше друг от друга. Следующий шаг – взять каждую точку, принадлежащую данному набору данных, и связать ее с ближайшим центром. Когда нет ожидающих пунктов, первый шаг завершен, и ранний возраст группы сделан. На данный момент нам нужно пересчитать k новых центроидов как барицентр кластеров, полученных в результате предыдущего шага. После того, как у нас есть эти известные центроиды, необходимо выполнить новое связывание между теми же точками набора данных и ближайшим новым центром. Цикл был создан. В результате этого цикла мы можем заметить, что k-центры постепенно меняют свое местоположение до тех пор, пока не произойдет больше никаких изменений, или, другими словами, центры больше не будут двигаться. Мы используем методологию кластеризации k-средних, потому что она быстра, надежна и понятна.
Базовое приложение потребовало бы большой выборки данных, собранных за длительные периоды, с участием широкого круга пользователей, начиная от разных возрастных групп, разных полов и разного роста и веса. После того, как мы собрали этот пример данных, мы можем использовать k-кластеризацию, чтобы найти в ней шаблоны. Если эти данные не являются большими, k-кластеризация может не дать очень точного результата. Алгоритм обучения требует предварительного определения количества кластерных центров. Случайный выбор центра кластера не может привести нас к плодотворному результату. Это некоторые проблемы, связанные с алгоритмом.
Как только эти данные собраны с использованием смарт-полосы и сохранены в приложении с использованием IoT, применяется алгоритм, мы можем найти шаблоны, которые покажут, что все входные данные, то есть количество пройденных шагов, количество сна, сожженные калории, и сердечный ритм будет иметь какую-то связь между ними. Эта связь будет выяснена с помощью алгоритма обучения k средних. Вся эта информация, данные и результаты будут сохранены, и пользователь сможет просматривать их в любое время. Согласно результатам, пользователь может изменить или изменить свои входные данные, чтобы он мог получить благоприятные результаты
Цель этого эксперимента – получить представление о полностью настраиваемой программе LabVIEW и понять, как инженеры используют программу в своих интересах, чтобы создать собственную лабораторию, которая
Кибербезопасность или защита информационных технологий – это методы защиты компьютеров, сетей, программ и данных от несанкционированного доступа или атак, направленных на эксплуатацию. Существует четыре типа
Машиностроение – это дисциплина, связанная с применением знаний при решении реальных задач. Изучение методов калибровки считается одной из наиболее важных тем в области проектирования, поскольку