專案說明書球門該專案的目標是構建一個桌面應用程式，可以區分“行走”和使用從加速度計收集的資料，以合理的精度“跳躍”智慧手機。描述該專案涉及構建一個小型而簡單的桌面應用程式，該應用程式接受加速度計CSV格式的資料（x、y和z軸），並將輸出寫入單獨的CSV檔案。輸出CSV檔案包含相應輸入資料的標籤（“漫遊”或“跳躍”）。對於出於分類目的，系統將使用一個簡單的分類器，即邏輯迴歸。為了完成最終專案的目標並完成報告，以下7個步驟需要：
1.資料收集2.資料儲存3.視覺化4.預處理5.特徵提取與歸一化6.培訓模特7.使用顯示輸出的簡單UI建立一個簡單的桌面應用程式步驟1。資料收集在這一步中，您需要在“行走”和“跳躍”時使用智慧手機收集資料。那裡是許多不同的應用程式，您可以使用這些應用程式從智慧手機中收集加速度計資料。例如，您可以使用一款名為Phyphox的應用程式，該應用程式適用於iOS和Android，並且允許您將記錄的訊號輸出為CSV檔案。其他應用程式也可以接受。資料收集協議：回想一下，在收集資料時，資料集的多樣性將允許您的系統在部署時可以更好地工作。（
a） 因此，為了最大限度地提高多樣性，每個團隊成員必須參與資料收集過程，才能建立總共3個子集（每個成員
（b） 為了進一步最大限度地提高資料集的多樣性，手機應該放在不同的位置位置。例如，你可以把手機放在你的前口袋、後口袋、夾克，拿在手裡等。
（c）每個成員收集資料的時間必須超過5分鐘。請注意，收集一個大致平衡的資料集非常重要。在其他單詞，用於每個使用者、每個動作（“行走”與“跳躍”）、每個電話位置和其他位置應該大致相同。2.步驟2。資料儲存將資料集（所有子集）傳輸到計算機並標記後，儲存HDF5檔案中的資料集。此HDF5檔案必須按以下方式組織：保持最初收集的資料始終是一個好主意，這就是為什麼我們有我們在這張圖片右側看到的結構。但為了建立一個簡單的人工智慧系統，您需要建立單獨的訓練和測試拆分。為此，將每個訊號劃分為5秒視窗，對分割的資料進行混洗，並使用90%用於訓練，使用10%用於測試。這個新的資料集還必須儲存在HDF5檔案中，如左側所示。步驟3。視覺化資料視覺化是資料科學領域的一個關鍵步驟，它將使您能夠發現資料，並熟悉將要使用的資料。所以，在這個步驟，您將需要從您的資料集中（所有三個軸）以及從這兩個軸中視覺化一些樣本類（“行走”和“跳躍”）。一個簡單的加速度與時間的對比將是一個好的開始。而且考慮其他創造性的方式來顯示資料，以代表您的資料集。為資料集和感測器的後設資料提供一些視覺化。不要忘記使用好的視覺化原理。步驟4。預處理記住，垃圾進，垃圾出！幾乎任何資料集，無論您在收集，將不可避免地包含一些噪音。首先，資料可能包含噪聲，這可能透過移動平均濾波器來減少。第二，在特徵提取（下一步）後，嘗試檢測並刪除您收集的資料中的異常值。請注意，如果透過刪除異常值變得太不平衡，糾正這一點。最後，規範化資料，使其適合邏輯迴歸步驟5。特徵提取與歸一化從每個時間視窗（您建立並儲存在HDF5檔案中的5秒段），提取至少10個不同的特徵。這些特徵可以是最大、最小、範圍，均值、中值、方差、偏度等。還可以探索其他特徵。After功能已經執行了提取，您將被要求應用規範化技術防止具有較大尺度的特徵不成比例地影響結果。常見的標準化技術包括最小-最大縮放、z-score標準化等。步驟6。建立分類器利用預處理後的訓練集的特徵，訓練邏輯迴歸模型進行分類將資料分為“行走”類和“跳躍”類。訓練完成後，將其應用於測試集並記錄準確性。您還應該在培訓過程。
請注意，在培訓階段，測試集不得洩漏到培訓中集合（用於訓練和測試的片段之間沒有重疊）。3.步驟7。在桌面應用程式中部署經過訓練的分類器最後一步是在桌面應用程式中部署您的最終模型。用於構建簡單的圖形使用者介面，代 寫ELEC 292球門 桌面應用程式您可以使用Tkinter或PyQt5庫。如前所述，此應用程式必須接受CSV格式的輸入檔案，並生成一個CSV檔案作為輸出，其中包括標籤（行走或跳躍）輸入檔案中的每個視窗。為您構建的應用程式執行演示輸入一個CSV檔案，應用程式會生成一個表示輸出的圖。一旦部署，如何你是否測試了系統以確保它按預期工作？步驟8。演示影片使用建立的應用程式執行演示時錄製螢幕。影片應包括所有團隊成員，並顯示資料收集過程的簡短片段，以及正在執行的應用程式。影片還應該用幾句話來解釋你的專案。它應該在1到3之間分鐘步驟9。彙報為專案寫一份報告。專案應包含：-包含以下內容的標題頁：課程：ELEC292專案報告組號：_姓名、學號和電子郵件地址：日期-在標題頁之後，文件的其餘部分必須使用12點Times New Roman字型，單間距，1英寸邊距，頁碼位於每頁的底部中心。-每個學生都必須提交一份與隊友相同的單獨副本。這是作為簽字，表明每個成員都參與並同意所容納之物它還將使分級和跟蹤更容易。-根據經驗，報告應在15至20頁之間，包括參考資料和數字。-請注意，當您引用線上資源（文章、網站等）時，引用必須在檔案的參考部分（在檔案末尾）提及，以及文中應提及參考文獻。以下是如何適當的簡要描述應使用引文和參考文獻：https://labwrite.ncsu.edu/res/res-citsandrefs.html-在本報告中，您必須使用IEEE格式作為參考。-請注意，在您的報告中，您不能從其他資源“複製貼上”文字，即使你在引用它們。文字應正確閱讀、理解和轉述引用原始參考文獻。-報告應進行適當的編輯（語法、打字錯誤等）。-報告應清楚地描述每個步驟，並提供所需的材料。-報告必須包含以下部分：4.o 1。資料收集：您是如何收集資料、標記資料、將資料傳輸到PC，以及在資料收集步驟中，您遇到了哪些挑戰。是怎麼做到的你戰勝了他們？提及所有使用的硬體和軟體。o 2。資料儲存：提供對所收集資料儲存方式的完整描述。o 3。視覺化：提供您為視覺化目的建立的所有繪圖，併為它們中的每一個提供適當的描述。你學到了什麼？如果你要重新收集資料，知道你從這些圖表中學到了什麼，你會如何以不同的方式做事？o 4。預處理：清楚地描述您為預處理所採取的措施，以及它是如何影響資料的（你也可以在這裡使用一些圖表）。你為什麼選擇你所做的引數（例如，移動平均線的大小）？o 5。特徵提取和規範化：您提取了哪些特徵，為什麼？這裡的參考資料可能很有用。解釋特徵提取的過程和規範化，然後證明你的選擇是合理的。o 6。培訓分類器：描述您培訓物流的方式迴歸模型。本節必須包括學習曲線和您的準確性在訓練和測試集上。你在這裡使用了什麼引數？為您的答案。o 7。模型部署：本節應包括如何部署的詳細資訊將經過訓練的模型轉換為桌面應用程式。提供您建立的GUI的螢幕截圖以及它的描述，並證明您的設計選擇是合理的。-在報告末尾，必須新增一份參與報告。請注意這個專案應該一起合作完成。一個人這樣做是不可接受的做技術工作，另一個簡單地寫報告。話雖如此，一個合理的允許對打字或其他簡單任務進行分工。在報告的最後，提供一個表格，清楚地顯示哪些成員出席了會議並做出了貢獻每個問題。請注意，如果有人不拉動大約1/3的重量專案中，他們可能會失分。屈服以下專案需要在OnQ中提交：1.PDF格式的專案報告2.您以上述格式儲存的HDF5檔案3.前面描述的影片4.您的乾淨且可執行的Python程式碼，其中包含從
（1）視覺化，
（2）預處理，
（3）特徵提取，
（4）訓練和執行模型獎金第1部分：最終專案的這一部分不是強制性的作為可交付的獎金，最多可獲得10您專案的獎勵積分（滿分100分）！
您建立的應用程式可以離線工作。換句話說應用程式無法對智慧手機中的活動進行分類實時。對於專案的獎勵部分，我們的目標是構建一個桌面應用程式，它可以實時的5.實時讀取智慧手機上的加速度計資料，並立即對其進行分類。像如上圖所示，您的智慧手機需要將加速度計資料傳送到應用程式實時顯示，應用程式將實時顯示動作類別（例如“行走”）。
提示：為了線上讀取加速度計資料，您可以使用“啟用遠端訪問”選項Phyphox應用程式的。透過這樣做，您將可以訪問網頁中的加速度計資料。然後，您可以使用Beautiful Soup和Selenium庫來讀取資料。替代方式包括使用藍芽將資料實時傳送到PC。第2部分：在這一步中，您必須從頭開始實現SVM和隨機森林分類器而不使用任何現有的模型庫，如scikit-learn。您可以自由使用用於基本操作的庫，例如NumPy。記錄已實現模型的準確性您在測試集上從頭開始構建的。然後，比較您自己實現的效能模型（不使用庫）與使用預先存在的庫實現的模型。這直接比較將突出定製模型與標準模型的功效庫模型。最後，提供關於模型比較的總體見解，並解釋結果。獎金部分的可交付成果：1.報告應延長3-5頁。這些附加材料應包括：o資料如何實時傳輸到PC的所有細節o對桌面應用程式及其GUI所做任何更改的描述o對經過訓練的分類器所做的任何更改的描述o如何實現SVM和隨機森林的一般描述從頭開始o顯示您實施的測試集上的模型準確性的表格，以及模型存在於標準庫中2.影片應清楚地顯示一個人攜帶手機，桌面應用程式實時對他們的行為進行分類3.乾淨且可執行的Python程式碼一般注意事項：如果你嘗試了任何事情，但都無法使其發揮作用，無論是針對專案或獎金部分，你應該提到你做了什麼，你的假設是什麼因為它不起作用，以及事情應該如何改變以使它起作用，接受一些部分標誌。分級：將使用5分制對專案的不同方面進行評分。此5分制將如下所示：質量等級定義優秀的4/4解釋清晰易懂理解，完成好的3/4解釋有點欠缺清晰或完整，但總體狀況良好平均2/4幾個方面缺失或不準確的有相當多的改進的空間6.差1/4大多數方面缺失或不準確的沒有完成0/4這個問題根本沒有得到回答將使用以下分級方案：該專案的最終成績將從100分中計算出來。獎金部分最多可獲得10分則新增到此級別（如果可用）。最後的分數將乘以0.3得到你的專案成績為30分。注：在最終專案提交中禁止使用生成AI，如ChatGPT，並且被認為違反了女王大學的學術誠信原則。請注意，我們將使用最新的人工智慧內容檢測器隨機檢查分配任務等級權重1.資料收集/4完整性/徹底性、平衡性、多樣性、良好資料收集原則3.2.資料儲存/4以指定格式正確儲存資料，合理列車測試拆分，無資料洩露2.3.視覺化/4視覺化的幾個樣本，每個類別都表示，後設資料視覺化，額外的創意情節，很好視覺化原理2.4.預處理/4去除/減少異常值，去除/減少噪聲、不平衡的討論或補救、規範化、，預處理後資料的進一步視覺化2.5.特徵提取/4識別和提取至少10種不同的特徵功能，正確2.6.模式培訓/4正確的構建合理的結果以及模型的訓練，27.桌面應用程式/4漂亮/乾淨的UI、功能、系統測試28.演示影片/4作品的正確描述和演示，參與來自所有人3.9.報告/4結構合理、描述詳細、質量高影像、寫作和編輯質量、參考資料和引文、封面、工作分工說明，提供第頁第9步中描述的所