Name: Deep Learning und IoT für personalisiertes Health Tracking (en Alemán)
SKU: 59461839
Price: 204.41 PEN
Availability: InStock
Author: Vinoth Kumar, P. ; Parthiban, S. ; Pradeep, S.
ISBN: 9786207007837

portada Deep Learning und IoT für personalisiertes Health Tracking (en Alemán)

Deep Learning und IoT für personalisiertes Health Tracking (en Alemán)

Formato

Libro Físico

Autor

S. Parthiban

S. Pradeep

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

Peso

0.10 kg.

ISBN13

9786207007837

Categorías

Tecnología: cuestiones generales

Deep Learning und IoT für personalisiertes Health Tracking (en Alemán)

S. Parthiban (Autor) · S. Pradeep (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 21 a 26 días háb.

S/ 454,24S/ 204,41

-55%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

S/ 204,41

Llega entre el 11 Nov y el 19 Nov a CERCADO DE LIMA, Lima. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Deep Learning und IoT für personalisiertes Health Tracking (en Alemán)"

In dieser Arbeit wird ein innovatives loT-System für die langfristige personalisierte Überwachung der von einer Person zu Hause ausgeführten Aktivitäten vorgeschlagen. Das System integriert einen Wi-Fi-Wearable-Sensor und Techniken zur Merkmalsextraktion, um Informationen über eine Reihe von Aktivitäten zu liefern, mit dem Ziel, anormale Verhaltensweisen abzuleiten. Der vorgestellte Ansatz wurde so konzipiert, dass er auf Systeme ausgeweitet werden kann, die mehrere Wearable-Sensoren benötigen, die Informationen auf personalisierte Weise liefern. Die Aktivitätsklassifizierung wurde mit einer relativ kleinen Trainingsmenge durchgeführt. Dieses Ergebnis ist interessant, weil es die Möglichkeit aufzeigt, recht einfach verschiedene HAR-Systeme zu implementieren, die auf verschiedene Klassen von Problemen für Altersgruppen von Menschen kalibriert sind. Die vorgestellte Systemarchitektur nutzt die bordeigene Wi-Fi-Konnektivität und das Cloud-Computing, um eine ständige Aktualisierung des Netzwerks mit neuen Trainingssätzen zu gewährleisten, wenn neue Nutzer hinzukommen. Zu diesem Zweck wird jedes vom Sensor erfasste Datenmuster an die Cloud übertragen. Die entworfene Systemarchitektur öffnet die Tür zu einem alternativen Ansatz, der den Einsatz von FPGA-Technologien für die Implementierung komplexer Signalverarbeitungssysteme nutzen könnte, um zu produzieren.