202211_meditation
gantt title O:实现冥想平台 dateFormat YYYY-MM-DD excludes sunday section KR 完善平台数据: 采集大量数据,以便训练神经网络:2022-11-08,3d section KR:saavuu框架的改进 安全性改进,避免扫描攻击:添加!支持:done,2022-12-15,1d 把saavuu 部署到docker 容器当中:2022-11-11,1d section KR-使用声音强化冥想 使用声音强化冥想:2022-11-20,10d 读取trajectory ogg文件并记录:2022-11-21,3d section 推广冥想软件 各种微信等注册账号的接入:2022-11-15,5d bilibili,youtube 等视频发布:2022-11-15,15d 论坛反馈的预备:2022-11-15,5d section 定位推广群体 可能更适宜婴儿这样没有额外心理活动的群体: cl1,2022-11-20,10d %% 衡量运动疲劳情况,什么时候应该重新运动。https://www.whoop.com/thelocker/heart-rate-variability-hrv/ #度量所有药品的有效性,例如亚精胺 #度量作品的欢乐程度 %% 最粗略的入职体检,快速判断一个人的身体状态。员工每日状态检测。很难作弊的方式判断一个人是否疲劳 # 搞笑诺贝尔奖中的会约会的人心率会同步。 #芬兰的产品芬兰Firstbeat心率变异性分析 https://item.taobao.com/item.htm?spm=a230r.1.14.142.20d05a7b6FbkvI&id=680802758929&ns=1&abbucket=16#detail #员工情绪变化波动。 # 健康,死亡率监测 https://www.frontiersin.org/articles/10.3389/fpubh.2017.00258/full04T22 # 短期harv 和死亡有强关联。需要评估测量。https://www.ahajournals.org/doi/10.1161/01.cir.0000047275.25795.17 # polar 设备也许可以直接读取HBV https://www.polar.com/blog/heart-rate-variability-hrv/ https://www.polar.com/vantage/v2 # 背景音乐强化 背景音乐市场应该是最佳市场。 最好的背景音乐要求先是具有正念效应,也就是积极的压力,但是稍后有利于提升hrv :2022-11-20,10d # 一个手机,可以控制前端网页上的各种操作 # [emotion control](https://www.frontiersin.org/articles/10.3389/fnins.2019.01131/full) section 通过gitpages部署网站 通过gitpages 部署网站saavuu:2022-11-20,1d git actions 部署网站saavuu:2022-11-20,2d 网站回撤机制:2022-11-20,3d 考虑新域名策略,happyhabbi:2022-11-20,1d section KR:修复hrv的准确性,剧烈波动,3天预售 Class_weight对没有出现的类别的权重,调整为平均权重,否则label-smoothing不能生效:done,2022-11-11,1d 分离heartRate、RRSpan的ConvChannel,以便训练更快,收敛更准:done,2022-11-11,1d 分离heartRate的State,以便heartRate更稳定:done,2022-11-11,1d fix nan loss,使用label smoothing:done,2022-11-10,1d 推理会出现卡阻的问题,因为没使用wifi,4G信号弱:done,2022-11-10,1d FireFox采用点数每秒419是否是Bug,无误:done,2022-11-08,2d 训练时使用训练数据的Bug,RR相对加速度的偏移不应超过一个心率:done,2022-11-08,1d 仔细分析训练时候的权重更迭的过程:done,2022-11-08,2d RR预测会出现RR为0的Bug:done,2022-11-08,1d chrome、firefox时间匹配,可靠的时间同步校准:done,2022-11-08,1d 后端训练,重新匹配适应毫秒级精度时间:done,2022-11-07,1d 前端使用毫秒级高精度计时器: done,2022-11-07,1d 后端训练,添加能体现class 之间线性关系的loss: done,2022-11-07,1d 用分类来做hb 预测,理由是由于样本不均衡。线性预测一定是不可能准确的: done,2022-11-04,2d 前端显示时毫秒调整后的时间:done,2022-11-05,2d 及心率的时间改为更准确的时间,避免或许有高达一秒的时间偏差。加速度使用的时候考虑校准这个时间偏差:done,2022-11-04,1d 训练的时候加入loss,使得不同类别被用到的几率绝对均等:done,2022-11-04,2d 现在使用crossEntropy的姿势是错误的。改为正确的方式: done,2022-11-03,1d #仔细检查RR的loss,看为什么loss看起来不可靠: 2022-11-03,1d 一个高精准的数据同步方式,来同步数据信号,用心率来同步加速度信号,而不是用加速度信号来同步心率信号,放弃 : done,2022-11-03,1d #放弃:心率和RR到达的时间不稳定,前后波动几百毫秒,需要做的变动太大。 用多段线性回归来做RR,放弃: done,2022-11-03,1d #放弃,理论可靠性不如多类回归 #这是因为留意到心率heartbeat的其实实时性挺好。但是RR的波动性依旧总是上不来 现在RR的准确率几乎总是可以相当精确地反应心率,故把HR信号也用多分类方式改写,放弃,因为准确性不是问题: done,2022-11-05,1d 一个高精准的数据同步方式,来同步不同浏览器的信号采集,放弃: done,2022-11-02,1d #放弃的原因是觉得chrome提供的精度应该够了 统计hrv分布,从数据看hrv无法连续的根因 : done,2022-11-02,1d rr间距的类再平衡 : done,2022-11-02,1d #猜测核心原因,1,stride不够。2.newState 计算时候层数过少.3卷积层数太少 #真是关键原因,没有使用lastState,导致无法使用状态信息 hrv 分类预测,结合mse:done,2022-10-30,2d 预测时的bug,数值剧烈波动+stride+6层卷积+multilayGenNewState+regressionAsHeartRate:done,2022-11-01,1d Mode,消除数值剧烈波动-Improvex2=256hiddenstate+2layerGRU:done,2022-11-01,1d

博能读取数据 2021-10-20 #

SDK Mode