Paso 3: ¿Cómo implementar?
Encima es trama de datos de tiempo de vs de varios sensores para el bien y el mal movimiento.
Código de 1.) barras se une con cada máquina de entrenamiento, explorará el usuario código de barras con el móvil que en lo detectará el tipo de ejercicio. Hemos utilizado un código de barras de Zxing API para android. Podemos utilizar etiquetas NFC para detectar los entrenamientos.
2.) sentido WICED puede utilizarse como una banda de brazo que detecta el movimiento para juzgar la corrección de ejercicios.
-> dispositivo de sentido Wiced utilizado como un portátil para detectar el movimiento correctamente.
3.) para analizar los datos de movimiento en primer lugar vemos el trazado de gráfico de transmisión en vivo usando plotly.ly
-> Cylon usado node.js para extraer los datos raws y trazado gráfico de la transmisión en vivo usando node.js.
4.) después de extraer el giroscopio, acelerómetro y magnetómetro datos de sensores, analizar los datos y extraer varias características para nuestro algoritmo de aprendizaje.
5.) la herramienta en el Matlab, primero hemos implementado el algoritmo para obtener nuestra hipótesis para el binario classification(Correct/Incorrect).
6.) después de conseguir los datos de los sensores, se envíe a intel edison y después se irá a la nube para más analítica.
