---

Aprile 2018

Volume 33 Numero 4

Il presente articolo è stato tradotto automaticamente.

Machine Learning - Sensori negli sport: analisi del movimento umano con l'intelligenza artificiale

Dal Kevin Ashley

In futuro, atleti probabilmente sarà in grado di aprire i loro telefoni e porre una domanda semplice: "Cosa devo fare per migliorare le mie competenze?" Rendiamo ancora passaggi iniziali sportivi AI verso la risposta alla domanda fondamentale, ma ci auguriamo che gli strumenti di Microsoft per la produttività e ricerca usino sarà un giorno rendere questo scenario ogni giorno. Con molti sport, risulta difficile per l'occhio umano osservare tutti gli spostamenti che un atleta renderebbe nel corso di un'attività, ma è possibile registrare i dati anche unobservable con sensori. E tramite l'apprendimento automatico (ML) in merito ai dati, l'atleta autobus possibile informazioni e migliorare in base alle misure precise e analitica. Atleta instrumentata sta diventando il nuovo vantaggio competitivo.

Se la tendenza attuale continua, in alcuni anni la maggior parte delle sportivi venduti negli archivi saranno necessario un sensore smart incorporato. Electronics stanno diventando più piccoli, più chiari e più flessibile ed è probabile che vedremo li incorporato nelle infrastrutture, scarpe, Subject, racchette da tennis e altri tipi di smart ingranaggio. Machine Learning per sportivi e sarà in grado di determinare come applicare la tecnologia e le competenze acquisite in Internet delle cose (IoT), App per dispositivi mobili, Microsoft Azure.

Per rendere più facile questa tecnologia, abbiamo creato un sensore Kit, open-source con componenti da elaborare, misure, analizzare e migliorare le misurazioni sensore delle prestazioni sportivi. Nel corso del tempo, l'obiettivo è evolvere questo sensore Kit community insieme electronics e società di apparecchiature Sport e le associazioni sportivi e gli appassionati di tecnologia. Il Kit sensore e tutti gli esempi di questo articolo sono disponibili in bit.ly/2CmQhzq. Ciò include esempi di codice per R, Python, c#, Xamarin e Azure Cosmos DB. Figura 1 Mostra l'app per dispositivi mobili sport invernali, che illustra l'uso del Kit sensore ed è disponibile per il download all'indirizzo inverno sports.co.

Figura 1 inverno Sport App per dispositivi mobili con l'integrazione di Kit sensore, che illustra le forze che hanno un impatto un fanatico di acquascooter

L'aumento significativo recente di potenza di calcolo, affidabilità e accessibilità dell'hardware dotata sensore ha molti scenari appena praticabile. E i progressi nelle applicazioni di su segnali sensore prodotti da atleti recapitare nuovi modi per comprendere e migliorare le prestazioni sportivi. Ad esempio, forniscono interpretabile segnali sensore un atleta "attività le firme," come mostrato nel figura 2, che consente di analitica sport, vanno oltre rilevamento gross attività e funzioni di aggregazione e misurare gli elementi principali di una competenza o attività. Dall'accelerazione generato tramite un turno specifico, per direzionale g-forza risultanti durante ogni millisecondo viene ridefinito analitica di sportive. In questo articolo è dettaglio modo in cui vengono rilevati queste firme attività; In questo caso, l'attività in questione è attiva effettuate durante sci o sullo snowboard.

Figura 2 attività firma per attiva sci o sullo snowboard

Tramite Azure intelligenza artificiale (AI) nel cloud, è inserire i dati del sensore, trasformarlo per rich analitica e toccare ML per estrarre informazioni ancora più utile per la seconda atleta. Modelli di Machine Learning consentono di classificare il livello di esperienza in fase di esecuzione ogni competenze e anche forse stimare lo stato e prestazioni future di un atleta in corrispondenza di un imminente evento della concorrenza. Il vantaggio di standard di dati condiviso è in questo modo atleti per il benchmark rispetto alla autonomamente o Comunità per comprendere le differenze, i punti deboli e vantaggi. E con nuove funzionalità nella possibilità di implementare AI periferico, è possibile eseguire push riconoscimento di attività, modello predittivo punteggio e le prestazioni misure nel dispositivo, per la disponibilità rapido atleta sul proprio dispositivo o in una visualizzazione realtà misto. Ci auguriamo che questo set di risorse di origine aprire nurtures e vengono accelerate innovazione nella community di sportive.

Panoramica di Kit sensore

Il Kit sensore è un set di strumenti di produttività dati multipiattaforma open source, inclusi esempi di codice reali per l'inserimento di dati, analisi e Machine Learning, nonché progettazioni sensore hardware di riferimento. Il Kit aiuta gli esperti sportivi, allenatori e atleti acquisiscono lo spostamento di un atleta con precisione in millisecondi e modelli ML valutare i dati per l'analisi di spostamento. È noto che dati del sensore accelerometro sono molto poco significativi usando un calcolo della media mobile produce un segnale più uniforme. È pertanto possibile definire un punto nel tempo quando la deviazione standard supera la soglia come percentuale del valore medio del segnale come punto di partenza: Un modo per rilevare i picchi nei dati consiste nell'utilizzare la proprietà che deve essere maggiore relativi vicini più prossimi la grandezza del picco.

Di conseguenza:

Questi risultati sono illustrati nella figura 9. I picchi di ricerca in accelerometro e Gyro valori Figura 9 ricerca picchi accelerometro e valori Gyro Osservazione dello spostamento dei atleti durante l'impostazione Mostra che ogni volta che durante la fase di transizione di attiva, la grandezza viene sottoposto a un valore inferiore e nella radice del dominio attiva la grandezza raggiunge il limite massimo. Ciò significa che se è numero picchi nel segmento di dati "mobile" si ottiene il numero desiderato. I dati gyro sono inoltre molto più chiara e velocità angolare grandezza verrà usato per calcolare i picchi per determinare l'attiva.

In seguito, è necessario eliminare eventuali picchi sono troppo vicini tra loro.

Per ottenere dati rumori stabili nel tempo, è possibile usare un filtro complementare che combina la stabilità a lungo termine dell'acceleratore con la precisione a breve termine del Giroscopio. Ora che è disponibile codice R per attivare il rilevamento, è possibile compilare un modello di training ML in un processo simile a quello descritto in un Blog di Machine Learning registrare bit.ly/2EPosSa. Misurazione carico atleta con forza G Il carico sportivi in accinge va oltre semplicemente le misure di aggregazione di distanza percorsa o totale attività completata. Un aspetto essenziale di comprendere stress un atleta e qualità allenamenti comporta la misurazione il carico sull'atleta.

• Esistono numerosi componenti di carico sportivi.
• Uno dei più importanti comporta le forze g generato e riscontrate dagli atleta, che crea forza che dovranno controllo nel corso di un'attività, ad esempio una volta ski, nonché jerks e consente di agganciare generato da terreno o movimento che devono essere consentire l'inserimento.
• Uomo hanno limiti correlati a g-impone che può tollerare.
• Questi limiti variano in base a quanto tempo che si verifica il sovraccarico e se è una bassa intensità su un lungo periodo di tempo o un'elevata intensità per brevi periodi.

Ad esempio, gli utenti sono molto più in grado di tollerare elevata direzione verticale g-force (l'accesso "z") anziché un elevato laterale direzione g-force (l'accesso "y") con il sovraccarico del collo, indietro e giunti.

Fortunatamente, sono state apportate studi di campo estese g-force effetti e i limiti del settore aerea e da NASA che è possibile sfruttare tutte per misurare e caratterizzare g attacchi di forza e le tolleranze g-force.

Di seguito approfondire g-forza corpo umano, come viene misurata e su come rappresentare il carico che creano sull'atleta. Calcoli G-Force dalle misure sensore accelerazione calcolo privo di direzione g-force sul corpo umano con le misure accelerazione sensore è come indicato di seguito utilizzando il teorema terna:  G-force in una direzione specificata è calcolato dividendo l'accelerazione per 9.81, presupponendo che l'accelerazione è misurata in metri al secondo al quadrato.

Ad esempio, nella direzione Y. g-force viene calcolata come segue: Naturalmente, un componente importante del carico g-force sull'atleta è il periodo di tempo durante i quali è ritenuto.

• Le tolleranze massimo G-Force per la durata per l'attività sportivi un utile confronto è le massime g-force in grado di tollerare il corpo risorse umane in ogni direzione. E, diversamente tali carichi g riflettono i valori massimi per il centro di gravità, anziché per una particolare giunzione, offrono un modo utile per esprimere le forze g riscontrate da un atleta come una percentuale di questi limiti massimi.
• Dato che è in grado di misurare le durate g-force alla frequenza di campionamento del sensore di qualsiasi punto da 10 campioni al secondo (10hz) a 100 campioni al secondo (100hz), è possibile caratterizzare l'atleta g-forza di carico espressa come percentuale del valore massimo per un determinato intervallo di tempo. Il codice Python per calcolare G-forza come indicato in precedenza, la formula richiede solo le misure accelerazione X, Y e Z del sensore. Ed è necessario comprendere la scala in cui misurata, generalmente in metri al secondo al quadrato o in metri al secondo al quadrato. Da questi elementi, è possibile calcolare g-force in una direzione specifica, come privo di direzione g-force incontrato globale dal corpo di atleta.
• Grazie ai partner XSens, utilizziamo sensori ad alta precisione per registrare spostamenti dei dati 100 campioni al secondo (100 hz) e caricarli in Azure.

Figura 10 Mostra un'acquisizione da sensori mappato a un'animazione 3D. Come si può notare, la fanatico di acquascooter si è verificati g-force nella direzione Y, nonché nella direzione X come si sposta verso il basso il picco. Il calcolo tali carichi, in combinazione con l'accelerazione ottenuta provenienti dalle che consentono di trasformare, consente atleti comprendere meglio le relative prestazioni nello spostamento all'interno di tale g-force tramite il turno.

Caricamento forzato G è diverso su diversi assi, come visualizzato dal Software XSens

Figura 10 G-Force carico è diverso su diversi assi, come visualizzato dal Software XSens Figura 11 presenta il codice Python per il calcolo g-force.

SensorKit.Instance.Init();

Figura 11 codice Python per il calcolo basato sulla forza G È possibile trovare questo script per calcolare g-force, nonché ulteriori calcoli nello script inclusi g-force rispetto alla valori massimi, nel nostro rep GitHub al bit.ly/2BPS6nA. Per leggere ulteriori informazioni su fisica della forza g e il relativo impatto sull'uomo, esaminiamo il "oltre velocità e l'accelerazione:

await Task.Run(async () =>
{
  await sensor.Instance.Subscribe();
});

Articolo jerk, Snap e derivati superiore"da Journal European di fisica in bit.ly/2FvLkTD, che descrive la g-forza relativa al contesto dell'esperienza rullo-contropedale con cambio. E per comprendere le tolleranze risorse umane e i limiti delle forze g, consultare l'articolo di Wikipedia all'indirizzo bit.ly/2EPQDjE, nonché come all'insieme NASA di ricerca go.nasa.gov/2oyS9fj. Altre informazioni sul calcolo g-force sono disponibile all'indirizzo bit.ly/2Fzxpfa.

È stato descritto come elaborare i dati con strumenti statistici, ad esempio R, per estrarre "attività le firme" che descrivono l'attiva atleti compie sci.

Infine, è stato descritto come utilizzare i dati di sensori per calcolare il caricamento di un atleta da g-forza usando Python. Kevin Ashley è evangelist un architetto presso Microsoft.

• SensorItem: Ed è quindi coautore di "Professional 8 programmazione di Windows" (Wrox, 2012) e uno sviluppatore di app superiore e giochi, in particolare Active adeguatezza (activefitness.co).
• SensorTurnData: Egli presenta spesso sulla tecnologia a vari eventi, Mostra del settore e webcast.
• SensorAirData: Nel suo ruolo, lavora con gli avvii e partner, che informa sulla progettazione del software, business e tecnologia strategia, architettura e sviluppo.
• SensorSummaryData: Seguire quest'ultimo su Twitter: @kashleytwit.
• SensorRawData: Olga Vigdorovich è un amministratore del database, esperto di dati e un fanatico di acquascooter avid.
• UserData*: Ha compilato il modello di dati e un back-end per le piattaforme cloud scalabili in Microsoft Azure, tra cui sport invernali, adeguatezza Active in Summit dati corp
• TeamData*: Patty Ryan è un esperto di dati applicati per Microsoft.

Codici di utente e con il relativo partner e clienti per affrontare i problemi di difficili utilizzo approcci di apprendimento automatico, con i dati del sensore, testo e degli obiettivi.

Seguire Alice su Twitter: @singingdata. Grazie al seguente esperto di documentazione tecnico di Microsoft che ha revisionato in questo articolo:

Figura 6 Cosmos DB con sensore Kit documenti

Il Kit sensore include un connettore Cosmos DB e le funzioni di Azure per i contenitori di archiviazione, che trova in bit.ly/2GEB5Mk. È possibile aggiornare facilmente i dati dai sensori di kit sensore connesso a Cosmos DB tramite il metodo seguente:

await SensorKit.AzureConnectorInstance.InsertUserSensorDataAsync(userSensorData);

Atleti possono avere più sensori e i dati del sensore sensore Kit aggregazioni al livello atleta e gli aggiornamenti DB Cosmos con nuovi dati. Dopo aver DB Cosmos i dati, è facile eseguire una query tali dati tramite più interfacce, non-SQL e SQL. Ad esempio, si può usare Microsoft Power BI per creare visualizzazione di un autobus specializzata dei dati dai sensori di ogni atleta del team o usare l'app per dispositivi mobili per presentare i dati. La query seguente restituisce i dati di riepilogo da ciascun sensore individuabile mediante il Kit sensore, come illustrato nel figura 7:

 

    SELECT * FROM Items.sensorSummary c

Figura 7 Cosmos DB i risultati della Query per i dati di riepilogo Kit sensore

Dopo aver caricati i dati in Azure, è possibile utilizzare ML per il training dei modelli o elaborare i dati.

Ora che è stato appreso come i dati vengono inseriti nel cloud, concentriamoci sulla parte logica di analisi dei dati del sensore e, in particolare, l'analisi per il dominio sportive. Lavora con allenatori, si è stabilito che interessano il rilevamento di eventi, ad esempio, attiva e caricare da g-forza riscontrate dagli atleti durante le esecuzioni. Vediamo come è possibile analizzare i dati raccolti per rilevare sci attiva.

Rilevamento di attività le firme di dati del sensore

Traiettoria principale del fanatico di acquascooter è allineata con lo spostamento del suo centro di massa, pertanto è stato inserito un sensore al centro il bacino, all'interno di pocket nell'involucro ski. Sono stati ricevuti dati da un accelerometro sia un Giroscopio. Utilizzando le informazioni del sensore consente di analizzare lo spostamento di atleta e definire una firma dell'attività.

I dati sono costituite da valori accelerometro e gyro archiviati in un file di testo di esempio (bit.ly/2GJkk2w). Il nostro sensori di gradi di libertà 9 costituiscono un'accelerazione 3D e velocità angolare vettori dal accelerometro, Giroscopio rispettivamente campionati a circa 100Hz. Per analizzare i dati è caricarlo RStudio. È possibile utilizzare il codice di analisi, disponibile all'indirizzo bit.ly/2GLc5mGe caricare i file di esempio.

Utilizzo dei sensori di gradi di libertà 9 richiede approfondita calibrazione del sensore, che è una procedura molto difficile. L'obiettivo di Microsoft in questo caso è stato semplicemente per calcolare il numero di turni, che non richiede l'esecuzione di un'analisi di spostamento preciso lungo un asse specifico. Per questo articolo e per semplificare i calcoli, viene usata la grandezza del accelerazione e velocità angolare.

Poiché esperimento comporta il rilevamento attiva, siamo interessati in qualche modo solo quando l'atleta è mobile. Quando l'atleta è l'acronimo ancora, il sensore accelerometro Mostra quasi una retta, mentre la velocità angolare ancora potrebbero subire modifiche. Quando viene avviato lo spostamento effettivo, l'ampiezza dei valori di accelerazione e gyro modificata rapidamente, in modo aumenta la deviazione standard. Come figura 8 illustrato, è possibile definire un'attività punto all'inizio dei dati iniziale in cui i valori di accelerometro superare una soglia fissa. Il punto finale sarà verso la fine dei dati in cui accelerometro scende sotto tale soglia.

Figura 8, l'inizio e fine dell'attività di accelerazione

È noto che dati del sensore accelerometro sono molto poco significativi usando un calcolo della media mobile produce un segnale più uniforme. È pertanto possibile definire un punto nel tempo quando la deviazione standard supera la soglia come percentuale del valore medio del segnale come punto di partenza:

a_smooth1 <- SlidingAvg(a,lag,threshold,influence)
st<-which(a_smooth1$std > thresholdPct* a_smooth1$avg)
startPos<-min(st)
endPos<-max(st)

Un modo per rilevare i picchi nei dati consiste nell'utilizzare la proprietà che deve essere maggiore relativi vicini più prossimi la grandezza del picco. Ecco come si calcola la grandezza dei valori accelerometro e gyro:

lag       <- 30
threshold <- 1.5
influence <- 0.5
res<-SmoothAndFindPeaks(df$magnitudeW,df$magnitudeA,lag,threshold,influence)
print (paste("Total peaks in A = ", length(res$pks_a), " peaks in W = ", length(res$pks_w) ))

Di conseguenza:

> res<-SmoothAndFindPeaks(df$magnitudeW,df$magnitudeA,lag,threshold,influence)
[1] "Calculation for activity start = 3396 end = 4239"
> print (paste("Total peaks in A = ”, length(res$pks_a), " peaks in W = ", length(res$pks_w) ))
[1] "Total peaks in A = 29 peaks in W = 22"

Questi risultati sono illustrati nella figura 9.

Figura 9 ricerca picchi accelerometro e valori Gyro

Osservazione dello spostamento dei atleti durante l'impostazione Mostra che ogni volta che durante la fase di transizione di attiva, la grandezza viene sottoposto a un valore inferiore e nella radice del dominio attiva la grandezza raggiunge il limite massimo. Ciò significa che se è numero picchi nel segmento di dati "mobile" si ottiene il numero desiderato. I dati gyro sono inoltre molto più chiara e velocità angolare grandezza verrà usato per calcolare i picchi per determinare l'attiva. In seguito, è necessario eliminare eventuali picchi sono troppo vicini tra loro.

Per ottenere dati rumori stabili nel tempo, è possibile usare un filtro complementare che combina la stabilità a lungo termine dell'acceleratore con la precisione a breve termine del Giroscopio.

Ora che è disponibile codice R per attivare il rilevamento, è possibile compilare un modello di training ML in un processo simile a quello descritto in un Blog di Machine Learning registrare bit.ly/2EPosSa.

Misurazione carico atleta con forza G

Il carico sportivi in accinge va oltre semplicemente le misure di aggregazione di distanza percorsa o totale attività completata. Un aspetto essenziale di comprendere stress un atleta e qualità allenamenti comporta la misurazione il carico sull'atleta. Esistono numerosi componenti di carico sportivi. Uno dei più importanti comporta le forze g generato e riscontrate dagli atleta, che crea forza che dovranno controllo nel corso di un'attività, ad esempio una volta ski, nonché jerks e consente di agganciare generato da terreno o movimento che devono essere consentire l'inserimento.

Uomo hanno limiti correlati a g-impone che può tollerare. Questi limiti variano in base a quanto tempo che si verifica il sovraccarico e se è una bassa intensità su un lungo periodo di tempo o un'elevata intensità per brevi periodi. E questi limiti dipendono anche la direzione in cui viene ritenuto g-force. Ad esempio, gli utenti sono molto più in grado di tollerare elevata direzione verticale g-force (l'accesso "z") anziché un elevato laterale direzione g-force (l'accesso "y") con il sovraccarico del collo, indietro e giunti. Fortunatamente, sono state apportate studi di campo estese g-force effetti e i limiti del settore aerea e da NASA che è possibile sfruttare tutte per misurare e caratterizzare g attacchi di forza e le tolleranze g-force. Di seguito approfondire g-forza corpo umano, come viene misurata e su come rappresentare il carico che creano sull'atleta.

Calcoli G-Force dalle misure sensore accelerazione calcolo privo di direzione g-force sul corpo umano con le misure accelerazione sensore è come indicato di seguito utilizzando il teorema terna:

Directionless G-Force = Math.sqrt(AccelerationX^2 + AccelerationY^2 + AccelerationZ^2)

G-force in una direzione specificata è calcolato dividendo l'accelerazione per 9.81, presupponendo che l'accelerazione è misurata in metri al secondo al quadrato.  Ad esempio, nella direzione Y. g-force viene calcolata come segue:

Y G-Force = AccelerationY / 9.81

Naturalmente, un componente importante del carico g-force sull'atleta è il periodo di tempo durante i quali è ritenuto.

Le tolleranze massimo G-Force per la durata per l'attività sportivi un utile confronto è le massime g-force in grado di tollerare il corpo risorse umane in ogni direzione. E, diversamente tali carichi g riflettono i valori massimi per il centro di gravità, anziché per una particolare giunzione, offrono un modo utile per esprimere le forze g riscontrate da un atleta come una percentuale di questi limiti massimi. Dato che è in grado di misurare le durate g-force alla frequenza di campionamento del sensore di qualsiasi punto da 10 campioni al secondo (10hz) a 100 campioni al secondo (100hz), è possibile caratterizzare l'atleta g-forza di carico espressa come percentuale del valore massimo per un determinato intervallo di tempo.

Il codice Python per calcolare G-forza come indicato in precedenza, la formula richiede solo le misure accelerazione X, Y e Z del sensore. Ed è necessario comprendere la scala in cui misurata, generalmente in metri al secondo al quadrato o in metri al secondo al quadrato. Da questi elementi, è possibile calcolare g-force in una direzione specifica, come privo di direzione g-force incontrato globale dal corpo di atleta. Grazie ai partner XSens, utilizziamo sensori ad alta precisione per registrare spostamenti dei dati 100 campioni al secondo (100 hz) e caricarli in Azure.

Figura 10 Mostra un'acquisizione da sensori mappato a un'animazione 3D. Come si può notare, la fanatico di acquascooter si è verificati g-force nella direzione Y, nonché nella direzione X come si sposta verso il basso il picco. Il calcolo tali carichi, in combinazione con l'accelerazione ottenuta provenienti dalle che consentono di trasformare, consente atleti comprendere meglio le relative prestazioni nello spostamento all'interno di tale g-force tramite il turno.

Figura 10 G-Force carico è diverso su diversi assi, come visualizzato dal Software XSens

Figura 11 presenta il codice Python per il calcolo g-force.

Figura 11 codice Python per il calcolo basato sulla forza G

########################
# G-Force, Using Python 3.5+
########################
#Directionless g-force (gg = Math.sqrt(Accx * Accx + Accy * Accy + Accz * Accz))  <pythagorean theorem>
#Assuming accelerometer is in meters per second squared, gforce measurement by dividing by 9.81
#1 acceleration of gravity [g] = 9.80664999999998 meter/second² [m/s²]
#our data is in feet per second so we use the converstion 1 ft/s2 = 0.3048 m/s2
#Set Conversion Metrics
G_conversion = (9.80664999999998)
MperS_conversion = (.3048)  #from above
#Replace na's with zeroes to avoid math errors
dataset=dataset.fillna(0)
#Using acceleration measures from 'dataset' dataframe, we convert to meters per second squared
#In our case our acceleration variables are labeled AccX, AccY and AccZ
#In our case, acceleration was in feet per second, so we needed to apply a conversion.
dataset["AccX_mtrpersecsqrd"] = dataset["AccX"]/MperS_conversion]
dataset["AccY_mtrpersecsqrd"] = dataset["AccY"]/MperS_conversion]
dataset["AccZ_mtrpersecsqrd"] = dataset["AccZ"]/MperS_conversion]
#Generate Directionless G-Force measure, call it 'DirectionlessGG'
dataset["DirectionlessGG"] = ((dataset["AccX"]*dataset["AccX"])+­(dataset["AccY"]*dataset["AccY"])+dataset["AccZ"]*dataset["AccZ"])).astype(float)
dataset["DirectionlessGG"] = np.sqrt(dataset["DirectionlessGG"])#.astype(float)
#Generate Direction Specific G-Force, call them 'X_GG', 'Y_GG' and 'Z_GG'.
dataset["X_GG"] = dataset["AccX"]/MperS_converstion/G_conversion
dataset["Y_GG"] = dataset["AccY"]/MperS_converstion/G_conversion
dataset["Z_GG"] = dataset["AccZ"]/MperS_converstion/G_conversion

È possibile trovare questo script per calcolare g-force, nonché ulteriori calcoli nello script inclusi g-force rispetto alla valori massimi, nel nostro rep GitHub al bit.ly/2BPS6nA. Per leggere ulteriori informazioni su fisica della forza g e il relativo impatto sull'uomo, esaminiamo il "oltre velocità e l'accelerazione: Articolo jerk, Snap e derivati superiore"da Journal European di fisica in bit.ly/2FvLkTD, che descrive la g-forza relativa al contesto dell'esperienza rullo-contropedale con cambio. E per comprendere le tolleranze risorse umane e i limiti delle forze g, consultare l'articolo di Wikipedia all'indirizzo bit.ly/2EPQDjE, nonché come all'insieme NASA di ricerca go.nasa.gov/2oyS9fj. Altre informazioni sul calcolo g-force sono disponibile all'indirizzo bit.ly/2Fzxpfa.

Conclusioni

È utilizzato sensori personalizzati e apportate partner per raccogliere dati atleta e illustrato l'utilizzo di nostri open source sensore Kit che si connette sensori con App per dispositivi mobili e Azure Cosmos DB. È stato descritto come elaborare i dati con strumenti statistici, ad esempio R, per estrarre "attività le firme" che descrivono l'attiva atleti compie sci. Infine, è stato descritto come utilizzare i dati di sensori per calcolare il caricamento di un atleta da g-forza usando Python.

---

Kevin Ashleyè evangelist un architetto presso Microsoft. Ed è quindi coautore di "Professional 8 programmazione di Windows" (Wrox, 2012) e uno sviluppatore di app superiore e giochi, in particolare Active adeguatezza (activefitness.co). Egli presenta spesso sulla tecnologia a vari eventi, Mostra del settore e webcast. Nel suo ruolo, lavora con gli avvii e partner, che informa sulla progettazione del software, business e tecnologia strategia, architettura e sviluppo. Seguire quest'ultimo su Twitter: @kashleytwit.

Olga Vigdorovichè un amministratore del database, esperto di dati e un fanatico di acquascooter avid. Ha compilato il modello di dati e un back-end per le piattaforme cloud scalabili in Microsoft Azure, tra cui sport invernali, adeguatezza Active in Summit dati corp

Patty Ryanè un esperto di dati applicati per Microsoft. Codici di utente e con il relativo partner e clienti per affrontare i problemi di difficili utilizzo approcci di apprendimento automatico, con i dati del sensore, testo e degli obiettivi. Seguire Alice su Twitter: @singingdata.

Grazie al seguente esperto di documentazione tecnico di Microsoft che ha revisionato in questo articolo: Mona Soliman Habib

---

Viene illustrato in questo articolo nel forum di MSDN Magazine