Health monitoring bracelet with real-time Cloud warning
system
## 成員
* 組員1：陳懷璞 https://www.youtube.com/watch?v=_OJpKnFqUes
* https://www.youtube.com/watch?v=lUI6VMj43PE
* 組員2：江承恩 feature engineering(finding algorithm) feature conversion/construction/extraction
* 組員3：陳少翔

報名企劃書

5/8(六)
* 本日應完成事項
* 測試sensortile.box
* 

* 400頁左右的使用說明書 https://www.st.com/content/dam/AME/2019/technology-tour-2019/minneapolis/presentations/T3S1_Minneapolis_SensorTileBox_HandsOn_A.Vitali.pdf
* 
* 我們這顆的預設名字為TILEBOX(C0:50:0F:33:20:)。 藍芽為ST BLE Sensor 4.9.0
* 能在STBLESensor上完成我們要的功能app，最有可能會用到的三種sensor為IMU(三軸加速器), 溫度感測器, AUDIO麥克風。
* 利用IMU(三軸加速器)能判斷 跌倒fall或睡眠品質或活動量...; 利用溫度感測器能判斷fever; 利用AUDIO麥克風能判斷cough或cry或附近環境發生的事(盤子摔破...)
* microphone ODR = 16000HZ (希望是sample rate 22050)
* IMU 50HZ (X,Y,Z) NORM
* TEM
* sensortile.box可以透過三種方式傳輸資料(SD card, Bluetooth, Cloud logger)
* SD card
* 只能事後處理資料
* 在app設定好將紀錄資料储存在SD card後，sensortile.box能任意在任何位置運動，等待其運動結束後，將電腦USB線插入sensortile.box，會跳出excel output1檔案，開啟之後就是運動時間內的所有資料(但不包含時間序列，不知道為什麼)
* 

* 在上圖SDcard test1範例中，使用IMU accelerometer sensor，採樣頻率50HZ(每秒紀錄50個資料點)，運動20秒左右後(運動模式為前幾秒不動，中間輕微搖晃，然後大甩幾下，最後不動)，並自己加上新一列"時間序列"後，結果如上。 藍線為X方向加速度變化;橘線為Y方向加速度變化;灰線為X和Y方向加速度變化的NORM。

* Bluetooth
* 

* Cloud logger
* 有接USB線或無線皆可以做Cloud logging這件事，可以select the minimun update interval(1.0s, 5.0s ...)
* 
* 最有可能是使用AWS IOT以及MQTT。 使用AWS IOT的cloud logger 需要四個東東(aws endpoint, client ID, certificate file?, private key)
* 

* 將即時連結到AWS IOT core
* 
* 可以放大來看，大架構，AWS IOT core 和 AWS IOT device management負責裝置連線和資料處存; 後端可用 AWS IOT analytics做machine learning 和AWS IOT event做偵測event的發生

* 

* 資料machine learning
* 連結網址參考
* https://www.youtube.com/watch?v=nozbEC3mzjc
* https://www.youtube.com/watch?v=IbunGCa3-YM
* human activity recognition using machine learning
* https://www.youtube.com/watch?v=_OJpKnFqUes
* https://www.youtube.com/watch?v=lUI6VMj43PE

* 分工部分
* 陳懷璞:
* 江承恩:
* 陳少翔:
* 遇到之問題
* 無法即時傳輸，因此可能只能做長時間監測的數據(一整天活動量,睡眠時候的品質,大概在做什麼運動)(咳嗽次數)。想法來自於Stanford Lab
* 

5/9(日)
* 機器學習流程
* 生成資料(以IMU為例，收集跌倒，跑步，走路，和靜止時的資料)
* feature engineering, 即透過演算法賦予資料物理意義(振幅，標準差等)
* 可由上述 concrete data 給機器進行學習(supervised learning)
* 總結：multiclass classification from a batch of supervised data with concrete features

5/10(一)
* 測試PLA可行性

5/11(二)
*
5/12(三)
* normalizing parameter to a specific range

5/13(四)
* xgBoost machine learning complete
* User Interface設計完成(APP首頁有HEALTH MONITOR BASE標題，有每個使用者ID;點進去所選之使用者ID後，有Data和Warning選項。Data主要以兩大圖表方式提供資訊，一大圖表為24小時之三軸加速度變化值radar diagram，另一個圖則為原始資料經過Machine Learningradial heatmap)
* 線上完成

5/14(五)
* flutter
* sensortile.box
* sensortile.box其實可以送出時間(time)和日期(date)
* sensortile.box讀出來的IMU 3D raw data會和手機phyphox有差一個位移和放大的關係，需要之後找到位移和放大的參數
*
*
5/15(六) 彩排(錄製影片)
5/16(日) 早上demo日，評審日(將採為線上影片視訊)