Etape 3: Comment mettre en œuvre ?
Ci-dessus est tracé de données de divers capteurs vs longtemps motion bien et du mal.
1.) code-barres est fixé par chaque machine d’entraînement, l’utilisateur va scanner code à barres avec mobile qui en résultent il sentira que le type d’exercice. Nous avons utilisé un code-barres Zxing API pour android. Nous pouvons utiliser les tags NFC pour détecter les séances d’entraînement.
2.) sens de GUNEGAME peut être utilisé comme une bande de bras qui sera le sens de la motion pour juger de la justesse de la séance d’entraînement.
-> dispositif de sens GuneGame utilisé comme un portable pour détecter le mouvement correct.
3.) pour analyser les données de mouvement d’abord, nous voyons le tracé de graphique de flux en direct à l’aide de plotly.ly
-> Node.js Cylon utilisé pour extraire les données brutes et traçage graphique de flux en direct, à l’aide de node.js.
4.) après extraction des données de gyroscope, accéléromètre et magnétomètre de capteurs, nous analysons les données et extraire des caractéristiques différentes pour notre algorithme d’apprentissage.
5.) sur le Matlab outil, nous avons tout d’abord mis en œuvre l’algorithme pour apprendre notre hypothèse pour classification(Correct/Incorrect) binaire.
6.) après avoir obtenu les données provenant de capteurs, il enverra à intel edison et après il va aller en nuage pour plus analytique.