55、基于运动游戏的虚弱评估与管理系统的开发与研究

基于运动游戏的虚弱评估与管理系统的开发与研究

研究流程与测量方法

在这项研究中,参与者首先在电视屏幕前通过身体动作和手势参与 VITAL 互动体验。他们需要完成有指导的平衡、步态和坐立任务,这些都与 VITAL 健康盒的不同组件和模块相关。最后,参与者回到 VITAL 移动应用扫描个性化二维码,获取健康和表现报告,然后完成一份包含人口统计信息、系统感知和可用性问题以及其他开放性问题的问卷,以收集反馈和建议。完成后,参与者会得到研究说明,并获得一张 20 美元的购物券作为感谢。整个过程大约需要 90 分钟,该研究得到了大学伦理委员会的批准。

为了评估系统的可用性,采用了两种测量方法:
- 系统可用性量表(SUS) :这是一个包含 10 个项目的有效且可靠的量表,采用 5 点李克特量表(0 = “强烈不同意” 到 4 = “强烈同意”)来评估新开发设备和系统的主观可用性。SUS 得分范围在 0 到 100 之间,得分越高表示可用性越好。根据 Bangor 等人的分类标准,得分 70 表示 “可接受的系统”,50 - 70 之间表示系统可接受但存在一些需要改进的可用性问题。
- 技术接受模型(TAM)问卷 :基于 TAM 模型制定了一份 10 项问卷,用于评估参与者对技术的感知有用性(PU)、感知易用性(PEOU)和使用意愿(ITU),采用 7 点李克特量表(1 = “强烈不同意” 到 7 = “强烈同意”)。参与者在评估后分别对 VITAL 移动应用和 VITAL 互动组件进行评价。具体项目如下表所示:

项目
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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