12、运动、意义与数字技术:探索身体与科技的交织

运动、意义与数字技术:探索身体与科技的交织

1. 日常运动与数字设备的忽视

在日常生活中,我们使用键盘打字等动作往往成为习惯,很大程度上处于无意识状态。比如我们在打字时,通常不会过多关注手指的具体动作。同时,我们习惯了与数字设备互动,处理它们提供的各种刺激(如文本、动态图像、声音等)。在这个过程中,很容易忽视我们的动作与这些设备之间的协同作用。我们更关注接收、处理和分享内容,而不是我们在操作设备时的身体动作,像打字、滑动屏幕等。

常见的数字设备互动动作及特点如下表所示:
| 动作 | 特点 |
| ---- | ---- |
| 打字 | 习惯化,常无意识 |
| 滑动屏幕 | 操作简单,易忽视动作本身 |
| 点击按钮 | 反应性动作,少关注身体动态 |

之前关于手部和手指运动与键盘使用的研究有重要意义,但不应局限于此,还需关注身体其他方面的运动。而且,以往很多相关研究是基于固定位置的活动,如打字员坐在桌前打字、钢琴家坐在钢琴前弹奏等。然而现在,智能手机等数字设备让我们可以在移动中进行打字等操作。

2. 流畅状态与数字设备使用

熟练的打字员或爵士钢琴家的动作与米哈里·契克森米哈赖所提出的“流畅状态”似乎存在联系。在这种状态下,他们的动作与键盘或乐器高度契合,打字员与所打的内容、钢琴家与所弹奏的音乐之间仿佛没有了分离感,会产生一种难以用语言完全表达的身体认知。

但使用智能手机时的习惯性动作,大多是对刺激的反应,而非进入创造性的流畅状态。我们在使用数字设备时,思维容易在不同事物间跳跃,不断点击超链接、回复弹出消息,这种持续的部分注意力与进入流畅状态所需的专注不同。例如,

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值