Вход в личный кабинет | Регистрация
Избранное (0) Список сравнения (0)
Ваши покупки:
0 товаров на 0 Р
Итого: 0 Р Купить

Параметры тела человека: Параметры тела человека в молодежном жаргоне (на материале русского, немецкого и французского жаргонов) Текст научной статьи по специальности «Языкознание и литературоведение»

ПАРАМЕТРЫ ТЕЛА ЧЕЛОВЕКА В МОЛОДЕЖНОМ ЖАРГОНЕ (НА МАТЕРИАЛЕ РУССКОГО, НЕМЕЦКОГО И ФРАНЦУЗСКОГО ЖАРГОНОВ)

||||||

ИСТОЧНИК:    Филологические науки. Вопросы теории и практики (входит в перечень ВАК). Тамбов: Грамота, 2018. № 9. Ч. 1. С. 183-187.
РАЗДЕЛ:    Филологические науки
Порядок опубликования статей | Показать содержание номера | Показать все статьи раздела | Предметный указатель

Лицензионное соглашение об использовании научных материалов.

https://doi.org/10.30853/filnauki.2018-9-1.41

ПАРАМЕТРЫ ТЕЛА ЧЕЛОВЕКА В МОЛОДЕЖНОМ ЖАРГОНЕ (НА МАТЕРИАЛЕ РУССКОГО, НЕМЕЦКОГО И ФРАНЦУЗСКОГО ЖАРГОНОВ)

Хомяков Евгений Алексеевич, Гордеева Татьяна Александровна, Таньков Николай Николаевич
Пензенский государственный университет

Дата поступления рукописи в редакцию: 01.06.2018

Аннотация. Статья посвящена актуальному вопросу современного языкознания — системному сравнительно-сопоставительному изучению субстандартной лексики и фразеологии для выявления национальных особенностей языковой картины мира. В работе рассматриваются параметры тела человека, отраженные в русском, немецком и французском молодежном жаргоне. Приводится классификация языкового материала по основным параметрам тела человека (рост, объем). В результате анализа когнитивных метафор рассмотрена образная составляющая жаргонизмов, определены сходства и различия в репрезентации тела человека на репертуарном, квантитативном уровнях.

Ключевые слова и фразы: молодежный жаргон, языковая картина мира, когнитивная метафора, образный компонент жаргонизмов, параметры тела человека, youth jargon, linguistic worldview, cognitive metaphor, figurative component of slang words, human body dimensions

Открыть полный текст статьи в формате PDF. Бесплатный просмотрщик PDF-файлов можно скачать здесь.
Список литературы:
  1. Багаутдинова Г. А. Человек во фразеологии: антропоцентрический и аксиологический аспекты: автореф. дисс. … д. филол. н. Казань, 2007. 45 с.
  2. Бондалетов В. Д. Концептосфера «Человек» в русских арго // Лексика и лексикография. 2006. № 17. С. 33-41.
  3. Вальтер Х., Мокиенко В. М., Никитина Т. Г. Толковый словарь русского школьного и студенческого жаргона. М.: Астрель; АСТ; Транзиткнига, 2005. 360 с.
  4. Головин Б. Н. Язык и статистика. М.: Просвещение, 1970. 190 с.
  5. Захарова Л. А., Шуваева А. В. Словарь молодежного сленга (на материале лексикона студентов Томского государственного университета): учебно-методич. пособие. Томск: Издательский дом Томского государственного университета, 2014. 126 с.
  6. Калугина Е. Н. Концепты «мужчина» и «женщина» в субстандарте русского и английского языков: автореф. дисс. … к. филол. н. Ставрополь, 2008. 27 с.
  7. Коломиец Е. А. Русско-немецкий словарь современного молодежного жаргона. М.: Восток — Запад, 2005. 336 с.
  8. Коротун О. В. Образ-концепт «внешний человек» в русской языковой картине мира: дисс. … к. филол. н. Омск, 2002. 193 с.
  9. Логический анализ языка. Языки эстетики: концептуальные поля прекрасного и безобразного: сб. науч. тр. / отв. ред. Н. Д. Арутюнова. М.: Индрик, 2004. 720 с.
  10. Маслова В. А. Лингвокультурология: учеб. пособие. М.: Академия, 2004. 208 с.
  11. Нивина Е. А. Лексика тематической группы «Человек» в говорах Тамбовской области: автореф. дисс. … к. филол. н. Тамбов, 2003. 27 с.
  12. Никитина Т. Г. Молодежный сленг: толковый словарь. М.: АСТ; Астрель, 2009. 1102 с.
  13. Ретинская Т. И. Словарь арго французской учащейся молодёжи. Орёл: ОГУ, 2005. 80 с.
  14. Россихина М. Ю. Немецко-русский словарь современного молодежного жаргона. Брянск: Курсив, 2011. 183 с.
  15. Савченко В. А. Концептосфера «человек телесный» в русской и немецкой паремиологической картине мира (кросскультурный анализ соматизмов): автореф.
    дисс. … к. филол. н. Курск, 2010. 19 с.
  16. Тлевцежева М. М. Адъективное фразеосемантическое поле «характеристика человека» (на материале русского и французского языков): автореф. дисс. … к. филол. н. Майкоп, 2013. 25 с.
  17. Хамзина К. Р. Типология когнитивных моделей в описании внешности человека (на материале английского языка): автореф. дисс. … к. филол. н. Уфа, 2013. 21 с.
  18. Хомяков Е. А. Концепт «Человек» в жаргоне русских и французских студентов: дисс.. к. филол. н. Орёл, 2009. 238 с.
  19. Хомяков Е. А. Словарь жаргона пензенских студентов. Пенза: ПГУ, 2011. 56 с.
  20. Цибизова О. В. Современный молодежный жаргон: проблемы лексикографического описания: автореф. дисс. … к. филол. н. Архангельск, 2006. 23 с.
  21. Чехоева Т. С. Репрезентация концептов «мужчина» и «женщина» в русской лингвокультуре: автореф. дисс. … к. филол. н. Владикавказ, 2009. 24 с.
  22. Шиповская А. А. Репрезентация категории «Человек» в сетевом жаргоне (на материале английского и русского языков): автореф. дисс. … к. филол. н. Тамбов, 2006. 24 с.
  23. Языковая картина мира и системная лексикография: коллективная монография / отв. ред. В. Ю. Апресян. М.: Языки славянских культур, 2006. 912 с.
  24. Caradec F. Dictionnaire du fran?ais argotique & populaire. P.: Larousse, 2005. 297 p.
  25. H??? Jugendsprache unplugged. Berlin — M?nchen: Langenscheidt, 2011. 168 S.
  26. W?rterbuch der Jugendsprache. Stuttgart: PONS, 2011. 288 S.

Порядок опубликования статей | Показать содержание номера | Показать все статьи раздела | Предметный указатель

© 2006-2022 Издательство ГРАМОТА

разработка и создание сайта, поисковая оптимизация: krav.ru

Параметры тела, измеряемые диагностическими весами Microlife

Для оценки состояние здоровья, важно помнить о том, что каждый организм индивидуален. Недостаточно знать вес человека, необходимо определить и качественный состав тела.

Массу человеческого тела условно можно разделить на два больших компонента:

  • «тощая» масса тела: кости, мышцы, органы, вода, кровь;
  • жировая масса тела: жировые клетки.

При одинаковом весе двух пользователй, жировая масса тела у них может существенно различаться.

Для оценки таких параметров тела, как: процентное содержание жира, воды и мышц, масса костей и базовый уровень метаболизма (BMR) можно воспользоваться диагностическими весами Microlife

Через размещенные на платформе электроды, весы посылают слабый электрический ток низкой интенсивности, проходящий через всё тело. Электрический ток ведет себя различным образом при прохождении через разные типы ткани; сопротивление жировой ткани более значительно. Сопротивление тела, которое называется «биоэлектрическое сопротивление», зависит от пола, возраста и роста.

Для правильного контроля «здоровых» параметров тела человека важно, наряду с измерением веса, сравнивать содержание жира в организме и процентное содержание воды в теле. Все эти параметры рассчитываются диагностическими весами, и значения можно сравнить с данными, указанными в таблицах в инструкции. Если процентные значения выходят за пределы нормы, рекомендуется обратиться к врачу.

Для отслеживания динамики изменения процентного содержания жира в организме, предлагается записывать полученные значения в течение некоторого времени. Рекомендуется проводить измерения всегда в одно и то же время дня и при одинаковых условиях.

Процентное содержание жира в массе тела

Процентное содержание жира представляет собой весь жир организма, полученный суммированием двух компонентов: необходимого жира (или первичного жира) и накопленного жира (или запасного жира). Необходимый жир используется при обмене веществ. Процентное содержание этого жира зависит от пола: для мужчин около 4 % и для женщин примерно 12 % (содержание, рассчитанное по отношению к общему весу тела). Накопленный жир, теоретически являющийся излишним, и необходим для физически активных людей. Процентное содержание этого жира также зависит от пола: около 12 % для мужчин и 15 % для женщин (содержание, рассчитанное по отношению к общему весу тела). Нормальное процентное соотношение жировой массы к массе тела составляет приблизительно 16 % для мужчин и 27 % для женщин. Эти процентные значения различны в зависимости от возраста человека.

Процентное содержание воды

Процент воды в организме важен. Параметр является частью признаков, по которым судят об общем благополучии человека. Исследования показывают, что оптимальное содержание воды в организме составляет 57 %, но это значение зависит от индивида. Отклонение на 10% в большую или меньшую сторону не составляет проблемы. Процент воды в организме больше в детстве (при рождении он составляет от 70 % до 77 %) и уменьшается с возрастом (у пожилых людей содержание воды в организме может составлять от 45 % до 55 %). Женщины (у которых обычно больше жировой ткани, чем у мужчин), обычно имеют долю воды около 55-58 %, тогда как мужчины — около 60-62 %. При увеличении жировых отложений у тучных людей процент воды в организме также уменьшается по сравнению с худощавыми. В целом, процентное содержание воды в теле является общим комплексным показателем. Значение меньше 40 % обычно будет рассматриваться как слишком низкое, а более 70 % — как слишком высокое.

Каждый день человек выделяет определенное количество воды. Однако, оно должно регулярно возмещаться, потеря воды в количестве около 10 % веса тела может представлять риск для состояния здоровья. Таким образом, процентное содержания воды в организме, указанное на весах-жироанализаторе, сообщает пользователю о возможном наличии проблем, что может быть поводом для консультации у врача.

Колебания массы тела в течение нескольких часов являются совершенно нормальным явлением, обусловленным задержкой воды, так как единственная составляющая организма, подверженная таким быстрым изменениям — это внеклеточная вода (сюда входят тканевая жидкость, плазма, лимфа и межклеточная жидкость).

Масса костей в теле

Наши кости подвержены естественным процессам развития, дегенерации и старения. Масса костей быстро возрастает в детстве и достигает максимума в возрасте от 30 до 40 лет. Масса костей уменьшается с возрастом. Можно затормозить дегенерацию с помощью питания и регулярных упражнений. Можно также усилить костную структуру, выполняя физические упражнения для наращивания мышц. Признанных рекомендаций, касающихся измерения массы костей, не существует.

Внимание: Не следует путать массу костей с плотностью костей. Плотность костей можно определить только посредством медицинского обследования (например: компьютерной томографии, ультразвука). Поэтому невозможно сделать выводы об изменениях костей и костной твердости (например: наличие остеопороза) с использованием диагностических весов.

Базовый уровень метаболизма (BMR)

Базовый уровень метаболизма (BMR) — это количество энергии, требуемой организмом для поддержания его основных функций в состоянии полного покоя в течение 24 часов. Это значение во многом зависит от веса, роста и возраста. Оно отображается на диагностическом шкале прибора в единицах ккал / день с использованием научно признанной формулы Харриса-Бенедикта. Тело требует такого количества энергии в любом случае, и оно должно быть вновь введено в ваше тело в виде питания. Если человек получаете меньше энергии в течение длительного времени, это можете нанести вред здоровью.

Wellness Center »Student Life»MSU Texas »

Индекс массы тела (ИМТ)

Индекс массы тела (ИМТ) — это показатель, помогающий оценить, нормальный ли у вас вес и нужна ли вам потеря веса. Он может рассчитать количество жира, из которого состоит ваше тело, и помочь вам решить, какой вес для вас является здоровым.

Эта таблица роста и веса основана на индексе массы тела, и указанный диапазон здорового веса охватывает как мужчин, так и женщин. Стройные женщины, как правило, находятся в нижней части диапазона здорового веса, в то время как мужчины по-прежнему выглядят стройными в верхней части диапазона здорового веса.

Это связано с различиями в строении тела самцов и самок. Используйте эту диаграмму, чтобы дать вам прогноз вашего ИМТ

 

Вес в фунтах
Посетите бесплатный калькулятор ИМТ

Артериальное давление

Не существует идеальных показаний артериального давления, однако существует диапазон нормальных значений артериального давления. Медицинские рекомендации гласят, что нормальное кровяное давление для большинства взрослых составляет менее 120/80 мм рт. Медикаментозное лечение рекомендуется, если ваше артериальное давление находится на уровне 140/90 мм рт. ст. или выше. Людям с сахарным диабетом или хронической болезнью почек медикаментозное лечение рекомендуется при уровне артериального давления 130/80 мм рт.ст. и выше. Для лиц в возрасте от 40 до 70 лет каждое повышение артериального давления на 20/10 мм рт.ст. удваивает риск сердечно-сосудистых заболеваний, включая инфаркт миокарда и инсульт, начиная с артериального давления 115/75 мм рт. ст.

Гипертония (высокое кровяное давление) опасна тем, что заставляет сердце работать с повышенной нагрузкой. Когда сердце вынуждено работать очень тяжело в течение длительного периода времени, оно имеет тенденцию к увеличению. Слегка увеличенное сердце может функционировать хорошо, но значительно увеличенное сердце не может. Высокое кровяное давление также может привести к повреждению артерий.

Гипертонию можно лечить. Легкие случаи гипертонии можно лечить путем изменения поведения, например, изменения диеты и увеличения физических упражнений. В более тяжелых случаях гипертонии требуются лекарства, такие как диуретики и бета-блокаторы. Диуретики избавляют организм от лишней жидкости и солей. Бета-блокаторы снижают частоту сердечных сокращений и сердечный выброс крови.

Часто вы можете бесплатно проверить свое артериальное давление в местном продуктовом магазине или у своего врача. Используйте приведенную ниже таблицу, чтобы определить, находится ли ваше артериальное давление в пределах нормы или нет. Если ваши показания высоки, вам следует проконсультироваться с врачом и следить за своим кровяным давлением.


Категория Систолическое (мм рт.ст.)   Диастолическое (мм рт.ст.)
Обычный ниже 120 и ниже 80
Предгипертония 120 — 139 или 80 — 89
Стадия 1 Высокое кровяное давление Гипертония 140 — 159 или 90 — 99
Стадия 2 Высокое кровяное давление Гипертония 160 + или 100 +

Категория Показания артериального давления (мм рт.ст.)
Обычный ниже 120/80
Предгипертония 120/80 — 139/89
Стадия 1 Высокое кровяное давление Гипертония 140/90 — 159/99
Стадия 2 Высокое кровяное давление Гипертония 160/100 +

Сердце и частота сердечных сокращений

В состоянии покоя сердце бьется от 60 до 80 раз в минуту. Частота сердечных сокращений в покое обычно увеличивается с возрастом и обычно ниже у физически здоровых людей. Частота сердечных сокращений в состоянии покоя используется для определения целевой частоты сердечных сокращений во время тренировки. Спортсмены иногда измеряют частоту сердечных сокращений в состоянии покоя, чтобы определить, не перетренировались ли они. Частота сердечных сокращений адаптируется к изменениям потребности организма в кислороде, например, во время физических упражнений или сна. Лучшее время для определения частоты сердечных сокращений в состоянии покоя — утром, после хорошего ночного сна и до того, как вы встанете с постели.

Пища, которую вы едите, может повлиять на то, как кровь течет через ваше сердце и артерии. Диета с высоким содержанием жиров и холестерина может постепенно вызвать накопление (называемое «бляшками») в ваших артериях. Это накопление замедляет кровоток и блокирует мелкие артерии. Если закупорка происходит в артерии, которая несет кровь к сердечной мышце, может произойти сердечный приступ. Если закупорка происходит в артерии, которая несет кровь к мозгу, может произойти инсульт. Правильная диета помогает поддерживать чистоту артерий и снижает риск возникновения проблем с сердцем и инсульта.

Советы по здоровому питанию сердца

  • Ешьте меньше жиров (особенно сливочного, кокосового и пальмового масла, насыщенных или гидрогенизированных растительных жиров, таких как Crisco, животных жиров в мясе и жиров в молочных продуктах)
  • Вместо масел используйте кулинарные спреи на растительном масле с антипригарным покрытием.
  • Покупайте нежирные куски мяса и ешьте рыбу, курицу без кожи и индейку вместо говядины.
  • Попробуйте запеченные, а не жареные закуски с низким содержанием жира, например крендельки.
  • Выбирайте нежирные молочные продукты, такие как обезжиренное молоко, нежирный сыр, йогурт и маргарин.
  • Ешьте не более 4 яичных желтков в неделю (используйте яичные белки или заменители яиц).
  • Попробуйте ограничить количество съеденных сладостей.
  • Запекайте, жарьте, готовьте на пару или на гриле продукты вместо их жарки.
  • Ешьте меньше «фаст-фудов» (гамбургеров, жареной пищи) с высоким содержанием жира. Вместо этого ешьте больше фруктов, овощей и углеводов (рис, макароны, хлеб, крупы).
  • Пейте низкокалорийные напитки, такие как несладкий чай или диетические газированные напитки.

Холестерин

Когда уровень холестерина в крови высокий, он начинает накапливаться в стенках артерий. Со временем артерии сужаются, блокируя приток крови к сердцу, мозгу или другим жизненно важным органам, и может образоваться тромб. Если артерия заблокирована, сердце (или мозг, или почка, или другая часть тела) не получает достаточного количества кислорода, что приводит к сердечному приступу (или инсульту).

Формы холестерина

Холестерин ЛПНП является первичной формой. Когда он становится высоким, он закупоривает артерии.

Холестерин ЛПВП защищает от сердечных заболеваний. Его роль заключается в том, чтобы улавливать избыток холестерина в артериях и транспортировать его обратно в печень. Таким образом, чем выше уровень ЛПВП, тем ниже риск для здоровья.

Триглицериды — это еще один липид или жир в артериях. Если они становятся слишком высокими, они также способствуют закупорке артерий и повышают вероятность образования тромбов.


Рейтинговая категория Холестерин ЛПНП (мг/дл)* Холестерин ЛПВП (мг/дл)
Оптимум Менее 100 60-90 или выше
Почти оптимальный 100-129 50-59
Повышенный риск 130-159 41-49
Высокий риск 160-189 35-40
Очень высокий риск 190 или выше менее 35

Рейтинговая категория Триглицериды (мг/дл)
Оптимум 100 или менее
Почти оптимальный 100-149
Повышенный риск 150-199
Высокий риск 200-399
Очень высокий риск 400 или выше

*ЛПНП-холестерин является предпочтительным способом оценки уровня холестерина, а не общего холестерина.

Высокий уровень холестерина вызывается множеством факторов, включая наследственные факторы, избыток жира в организме, употребление слишком большого количества насыщенных жиров и холестерина, а также недостаточное потребление продуктов с высоким содержанием пищевых волокон. Способы снизить уровень холестерина включают в себя;

  • Достижение/поддержание здорового веса
  • Быть физически активным
  • Избегайте курения
  • Диетические изменения
  1. Сокращение насыщенных жиров
  2. Выбирайте ненасыщенные жиры
  3. Ограничьте или избегайте пищевого холестерина
  4. Ешьте продукты с высоким содержанием клетчатки
  5. Избегайте трансжирных кислот
  6. Пейте достаточное количество воды ежедневно

Для получения дополнительной информации по любому из обсуждаемых здесь вопросов обратитесь к своему врачу

Извлечение и классификация параметров человеческого тела для анализа походки

  • Абдулла О. и Абдель-Кадер И. (2016). Симметризация дивергенции pnn-jensen-bregman для внутренней системы позиционирования WLAN. В международной конференции IEEE по электроинформационным технологиям (EIT) , IEEE (стр. 0362–0367).

  • Альтман, Д. Г., и Бланд, Дж. М. (1994). Диагностические тесты. 1: Чувствительность и специфичность. BMJ: Британский медицинский журнал , 308 (6943), 1552.

    Артикул Google ученый

  • Амадио А., Коста П., Сакко И., Серрао Дж., Араужо Р., Мочизуки Л. и др. (1999). Introdução à biomecânica para análise do humano movement: Descrição e aplicação dos métodos de medição. Revista Brasileira de Fisioterapia , 3 (2), 41–54.

    Google ученый

  • Амескуа, Дж., Мелин, П., и Кастильо, О. (2016). Нейронная сеть с обучающим алгоритмом векторного квантования для многоклассовой классификации с использованием модульного подхода. Последние разработки и новое направление в основах и приложениях мягких вычислений (стр. 171–184). Чам: Спрингер.

    Google ученый

  • Анава, О., и Леви, К. (2016). k-ближайшие соседи: от глобального к локальному. In Достижения в области нейронных систем обработки информации (стр. 4916–4924).

  • Андерсон, ФК (1999). Решение для динамической оптимизации полного цикла нормальной походки . Кандидат наук. диссертация, Техасский университет в Остине.

  • Араужо, А.Г.Н., Андраде, Л.М., и де Баррос, Р.М.Л. (2005). Sistema para análise cinemática da Marcha Humana baseado em videogrametria. Fisioterapia e Pesquisa , 11 (1), 3–10.

    Google ученый

  • Араухо, Р.М., Гранья, Г., и Андерссон, В. (2013). На пути к биометрической идентификации скелета с помощью сенсора Microsoft Kinect. В Трудах 28-го ежегодного симпозиума ACM по прикладным вычислениям , ACM (стр. 21–26).

  • Бейкер, Р. (2007). История анализа походки до появления современных компьютеров. Походка и осанка , 26 (3), 331–342.

    Артикул Google ученый

  • Болл А., Рай Д., Рамос Ф. и Велонаки М. (2012). Неконтролируемая кластеризация людей из данных скелета. В материалах седьмой ежегодной международной конференции ACM/IEEE по взаимодействию человека и робота , ACM. (стр. 225–226).

  • Батиста, Северная Каролина, и Перейра, Джорджия (2015). Вероятностный подход к объединению детекторов людей. Журнал управления, автоматизации и электрических систем , 26 (6), 616–629.

    Артикул Google ученый

  • Бенжио, Ю. (2009). Изучение глубоких архитектур для ИИ . Основы и тенденции® в машинном обучении (том 2, № 1, стр. 1–127).

  • Бест Р. и Бегг Р. (2006). Обзор анализа движения и особенностей походки. Вычислительный интеллект для наук о движении: нейронные сети и другие новые технологии , 1 , 1–69.

    Google ученый

  • Биль, М., Гош, А., и Хаммер, Б. (2006). Изучение векторного квантования: динамика алгоритмов «победитель получает все». Нейрокомпьютинг , 69 (7), 660–670.

    Артикул Google ученый

  • Бишоп, CM (2006). Распознавание образов и машинное обучение . Берлин, Гейдельберг: Springer-Verlag.

    МАТЕМАТИКА Google ученый

  • Блазевич А. и Блазевич А. Дж. (2017). Спортивная биомеханика: основы оптимизации работоспособности человека . Нью-Йорк: Издательство Блумсбери.

    Google ученый

  • Бобберт, М.Ф., Шамхардт, Х.К., и Нигг, Б.М. (1991). Расчет оценок вертикальной реакции опоры при беге по позиционным данным. Журнал биомеханики , 24 (12), 1095–1105.

    Артикул Google ученый

  • Бойд, Дж. Э., и Литтл, Дж. Дж. (2005). Биометрическое распознавание походки . Берлин: Спрингер.

    Книга Google ученый

  • Брейман, Л. (2001). Случайные леса. Машинное обучение , 45 (1), 5–32.

    Артикул МАТЕМАТИКА Google ученый

  • Бродерсен, Дж., Шварц, Л.М., Хенеган, К., О’Салливан, Дж.В., Аронсон, Дж.К., и Волошин, С. (2018). Гипердиагностика: что это такое, а что нет. BMJ Evidence-Based Medicine , 23 (1), 1–3.

    Артикул Google ученый

  • Берджес, Си Джей (1998). Учебник по машинам опорных векторов для распознавания образов. Интеллектуальный анализ данных и обнаружение знаний , 2 (2), 121–167.

    Артикул Google ученый

  • Чен Д., Ли Г., Сунь Ю., Цзян Г., Конг Дж., Ли Дж. и др. (2017). Сегментация и извлечение жестов рук Fusion на основе сенсора CMOS и 3D-сенсора. Международный журнал беспроводных и мобильных вычислений , 12 (3), 305–312.

    Артикул Google ученый

  • Коэн, И. Б. (1970). Второй закон Ньютона и понятие силы в принципах . Массачусетс: Издательство Кембриджского университета.

    Google ученый

  • Кортес, К., и Вапник, В. (1995). Сети опорных векторов. Машинное обучение , 20 (3), 273–297.

    МАТЕМАТИКА Google ученый

  • Куджи Д., Арпи Д., Арпи П., Герреро Ф., Паута Р., Каррион М. и др. (2013). Анализ цикла походки с помощью Kinect и стационарного вейвлет-преобразования . IEEE: Медельин.

    Google ученый

  • Демайи, Дж. П. (2012). Анализ числовых и дифференциальных уравнений . Лес Улис: EDP Sciences.

    Google ученый

  • Дэн Л. и Ю Д. (2014). Глубокое обучение. Обработка сигналов , 7 , 3–4.

    Google ученый

  • де Соуза, ASP (2008). Анализ базового числа с нумой корреляции многофакторного . Порту: Mestrado em engenharia biomédica, Faculdade de Engenharia da Universidade do Porto.

    Google ученый

  • Эльтухи, М., О, Дж., Куэнце, К., и Синьориль, Дж. (2017). Улучшенная пространственно-временная и кинематическая оценка походки на беговой дорожке на основе kinect. Походка и осанка , 51 , 77–83.

    Артикул Google ученый

  • Енока, Р. М. (2000). Основы нейромеханики и кинезиологии . Сан-Паулу: Маноле.

    Google ученый

  • Фред А., Де Марсико М. и Фигейредо М. (2016). Распознавание образов: приложения и методы . В ICPRAM 2015 (Том 9493). Спрингер: Лиссабон.

  • Гарг Р., Донг С., Шах С. и Джонналагадда С.Р. (2016). Самозагрузочный подход к машинному обучению для выявления пациентов с редкими заболеваниями из электронных медицинских карт. Препринт arXiv arXiv: 1609.01586.

  • Гирс, Д. Дж., Кулен, Б. Х., и Рурдинк, М. (2015). Кинематическая проверка 10-метровой дорожки с несколькими инструментами Kinect v2 для количественной оценки походки. PLoS ONE , 10 (10), e0139913.

    Артикул Google ученый

  • Джордж А.С., Рой Э., Энтони А. и Джоб М. (2017). Эффективная система распознавания походки для идентификации человека с использованием нейронных сетей. International Journal of Innovations Advancement in Computer Science , 6 (5), 76–83.

    Google ученый

  • Джанария, Э., Грангетто, М., и Балоссино, Н. (2017). Анализ походки на основе Kinect для распознавания людей с течением времени. В Международной конференции по анализу и обработке изображений (стр. 648–658). Спрингер.

  • Джанария, Э., Грангетто, М., Лусентефорте, М., и Балоссино, Н. (2014). Классификация человека по признакам походки. В Международный семинар по биометрической аутентификации (стр. 16–27). Спрингер.

  • Голдбергер Дж., Хинтон Г.Э., Ровейс С.Т. и Салахутдинов Р. (2004). Анализ компонентов окрестности. В Достижения в системах обработки нейронной информации (стр. 513–520). Канада: Департамент компьютерных наук, Университет Торонто.

  • Граупе, Д. (2016). Нейронные сети глубокого обучения: проектирование и тематические исследования . Чикаго: World Scientific Publishing Co Inc.

    Книга Google ученый

  • Гроссберг, С. (1982). Улучшение контуров, кратковременная память и постоянство реверберирующих нейронных сетей. Исследования разума и мозга (стр. 332–378). Дордрехт: Спрингер.

    Глава Google ученый

  • Хэмилл, Дж., и Кнутцен, К.М. (2014). Биомеханические основы движений человека . Филадельпия: Липпинкотт Уильямс и Уилкинс.

    Google ученый

  • Аро, Д. М. (2014). Laboratorio de análisis de Marcha y movimiento. Revista Médica Clínica Las Condes , 25 (2), 237–247.

    Артикул Google ученый

  • Хайкин, С. (2004). Комплексная основа. Нейронные сети: IEEE , 2 , 41.

  • Хо, Т.К. (1995). Леса случайных решений. В Материалы третьей международной конференции по анализу и распознаванию документов, 1995 г. , IEEE (Том 1, стр. 278–282).

  • Holte, RC (1993). Очень простые правила классификации хорошо работают с наиболее часто используемыми наборами данных. Машинное обучение , 11 (1), 63–90.

    Артикул МАТЕМАТИКА Google ученый

  • Джейн, А.К., и Дубс, Р.К. (1988). Алгоритмы кластеризации данных . Нью-Джерси: Prentice-Hall Inc.

    МАТЕМАТИКА Google ученый

  • Джеймс Г., Виттен Д., Хасти Т. и Тибширани Р. (2013). Введение в статистическое обучение (Том 6). Нью-Йорк: Спрингер.

    Книга МАТЕМАТИКА Google ученый

  • Ясковяк, П.А., и Кампелло, Р. (2011). Сравнение коэффициентов корреляции как меры несходства для классификации рака в данных экспрессии генов. В Материалы бразильского симпозиума по биоинформатике (стр. 1–8).

  • Джосанг, А. (2016). Обобщающая теорема Байеса в субъективной логике. На международной конференции по объединению и интеграции мультисенсоров для интеллектуальных систем (MFI 2016)

  • Каур, С., Шарма, А.С., Каур, Х., и Сингх, К. (2016). Отбор генов для классификации опухолей с использованием устойчивой нейронной сети обратного распространения. В Международная конференция по достижениям в области вычислительной техники, связи и автоматизации ( ICACCA, Fall ), IEEE (стр. 1–5).

  • Кеваткар, С., и Кэтл, С. (2012). Распознавание походки человека с помощью opencv. Содержание журнала для тома , 3 (1), 41–43.

    Google ученый

  • Кнутссон, Э. (1972). Анализ паркинсонической походки. Мозг , 95 (3), 475–486.

    Артикул Google ученый

  • Кохонен, Т. (1995). Обучение векторному квантованию. Самоорганизующиеся карты (стр. 175–189). Берлин: Спрингер.

    Глава Google ученый

  • Кохонен Т. и Сомервуо П. (1998). Самоорганизующиеся карты строк символов. Нейрокомпьютинг , 21 (1), 19–30.

    Артикул МАТЕМАТИКА Google ученый

  • Крог, А., и Ведельсби, Дж. (1995). Ансамбли нейронных сетей, перекрестная проверка и активное обучение. В Достижения в системах обработки нейронной информации (стр. 231–238).

  • Кумар, Р., и Сингх, С. (2015). Распознавание символов из изображений просмотра улиц Google . Индийский технологический институт, Канпур.

  • Лэндис, Дж. Р., и Кох, Г. Г. (1977). Измерение согласия наблюдателей для категориальных данных. Биометрия , 33 , 159–174.

    Артикул МАТЕМАТИКА Google ученый

  • Лемкул, Л.Д., Смит, Л.К., и Вайс, Э. (1997). Cinesiologia clinica de Brunnstrom . Сан-Паулу: Editora Manole.

    Google ученый

  • Ленгьел, Э. (2005). Математика для программирования трехмерных игр и компьютерной графики . Бостон: Cengage обучения.

    МАТЕМАТИКА Google ученый

  • Льюис Д.Д. (1998). Наивный (байесовский) в сорок: предположение о независимости в поиске информации. На европейской конференции по машинному обучению (стр. 4–15). Спрингер.

  • Liou, CY, Cheng, WC, Liou, JW, & Liou, D.R. (2014). Автоэнкодер для слов. Нейрокомпьютинг , 139 , 84–96.

    Артикул Google ученый

  • Лорена, AC (2006). Investigação de estratégias para a geração de maquinas de vetores de support multiclasses . Ciências de Computação e Maemática Computacional-Universidade de São Paulo: Институт математических вычислений и вычислений (ICMC).

    Книга Google ученый

  • Мартинес Ф., Гомес Ф. и Ромеро Э. (2009). Проанализируйте видео для оценки человеческого движения: Uma revisão. Revista Med , 17 (1), 95–106.

    Google ученый

  • Mathworks: Руководство пользователя Neural Network Toolbox. (2018а). https://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf.

  • Mathworks: вероятностные нейронные сети. (2018б). https://www.mathworks.com/help/nnet/ug/probabilistic-neuralnetworks.html.

  • Mathworks: вероятностные нейронные сети. (2018e). https://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf.

  • Mathworks: Примечания к выпуску Statistics and Machine Learning Toolbox. (2018с). https://www.mathworks.com/help/pdf_doc/stats/rn.pdf.

  • Mathworks: Руководство пользователя Statistics and Machine Learning Toolbox. (2018г). https://www. mathworks.com/help/pdf_doc/stats/stats.pdf.

  • Мяо, Х., Ли, А., Дэвис, Л.С., и Дешпанде, А. (2016). Modelhub: на пути к унифицированным данным и управлению жизненным циклом для глубокого обучения. Препринт arXiv arXiv: 1611.06224.

  • Морейра, А.К., Паредес, Х.К., де Соуза, В.А., Нарделли, П.Х., Марафао, Ф.П., и да Силва, Л.К. (2018). Оценка алгоритмов распознавания образов для приложений по компенсации коэффициента мощности. Журнал управления, автоматизации и электрических систем , 29 (1), 75–90.

    Артикул Google ученый

  • Мозер, М.С., Джордан, М.И., и Петше, Т. (1997). В Труды 1996-я конференция по достижениям в области нейронных систем обработки информации 9 (Том 9). Кембридж: Мит Пресс.

  • Мюррей, член парламента (1967). Походка как общая модель движения: включая библиографию по походке. Американский журнал физической медицины и реабилитации , 46 (1), 290–333.

    Google ученый

  • Нам, Д. Х. (2016). Сравнительные исследования методов распознавания признаков с помощью машинного обучения для аффективных вычислений: обзор. В Материалы международной конференции по искусственному интеллекту ( ICAI ) (стр. 122).

  • Намбияр, А. М., Бернардино, А., Насименто, Дж. К., и Фред, А. Л. (2017). На пути к повторной идентификации человека с инвариантной точкой зрения путем слияния антропометрических характеристик и характеристик походки из кинект-измерений. В VISIGRAPP (5: VISAPP ) (стр. 108–119).

  • Небель Д. и Виллманн Т. (2016). Оптимизация мер статистической оценки для классификации путем квантования медианного вектора обучения. Достижения в самоорганизующихся картах и ​​обучении векторному квантованию (стр. 281–291). Чам: Спрингер.

    Глава Google ученый

  • Ньютон, И. (1934). Математические принципы натурфилософии сэра Исаака Ньютона и его система мира . Калифорния: Калифорнийский университет Press.

    Google ученый (2016). Основанное на зрении предложение по классификации нормальной и аномальной походки с использованием RGB-камеры. Журнал биомедицинской информатики , 63 , 82–89.

    Артикул Google ученый

  • Оатис, Калифорния (2003). Кинезиология: Механика и патомеханика движений человека . Балтимор, Мэриленд: Липпинкотт Уильямс и Уилкинс.

    Google ученый

  • Оливейра, А.Л.Д., Филью, Д.Д., Джуниор, Гд Б.В., и Хаузер, М.В. (2011). Licenciatura em educação física: Cinesiologia . Понта-Гросса: UFPG.

    Google ученый

  • Орхан, У., Хеким, М., и Озер, М. (2011). Классификация сигналов ЭЭГ с использованием кластеризации \(k\)-средних и модели многослойной нейронной сети персептрона. Экспертные системы с приложениями , 38 (10), 13475–13481.

    Артикул Google ученый

  • Ортис, К. (2010). Classificação da força de reação do solo durante a Marcha de sujeitos com fratura de membro inferior (dissertação) . Рио-де-Жанейро: Федеральный университет Рио-де-Жанейро.

    Google ученый

  • Озиилдирим, Б. М., и Авчи, М. (2016). Однопроходное обучение нейронной сети обобщенного классификатора. Нейронные сети , 73 , 70–76.

    Артикул Google ученый

  • Петерсон, Л. Э. (2009). k-ближайший сосед. Scholarpedia , 4 (2), 1883.

    Статья Google ученый

  • Пфайфер, Н. (2016). Экспериментальная вероятностная прагматика за пределами теоремы Байеса. Sprachwissenschaft , 35 (1), 89–96.

    Google ученый

  • Физиопедия. (2017). Новая роль Microsoft kinect в физиотерапевтической реабилитации пациентов, перенесших инсульт. https://goo.gl/XTW9ГТ.

  • Понтиус, Р. Г. младший, и Миллонес, М. (2011). Смерть каппе: рождение несоответствия количества и несогласия распределения для оценки точности. Международный журнал дистанционного зондирования , 32 (15), 4407–4429.

    Артикул Google ученый

  • Пауэрс, Д. М. (2011). Оценка: от точности, отзыва и f-меры до ROC, информированности, маркировки и корреляции. Журнал технологий машинного обучения , 2 , 37–63.

    Google ученый

  • Пратиба Р., Баласингмосес М., Деварадж Д. и Каруппасамипандиян М. (2016). Нейронная сеть с радиальной базисной функцией с несколькими выходами и уменьшенными входными характеристиками для оперативной оценки доступной пропускной способности. Журнал техники управления и прикладной информатики , 18 (1), 95–106.

    Google ученый

  • Прейс, Дж., Кессель, М., Вернер, М., и Линнхофф-Попиен, К. (2012). Распознавание походки с помощью kinect. В 1-й международный семинар по kinect в повсеместных вычислениях (стр. P1–P4). Новый замок.

  • RevistaBW (2018). Probabilidade e estatística: Acurácia, precisão e exatidão. http://www.revistabw.com.br/revistabw/probabilidade-e-estatistica-acuracia-precisao-e-exatidao/.

  • Робертсон Г., Колдуэлл Г., Хэмилл Дж., Камен Г. и Уиттлси С. (2013). Методы исследования в биомеханике . Чампейн: Кинетика человека.

    Google ученый

  • Розенхан, Б., Клетт, Р., и Метаксас, Д. (2008). Движение человека (Том 36). Нью-Йорк: Спрингер.

    Google ученый

  • Rumelhart, D. E., Hinton, GE, & Williams, RJ (1985). Изучение внутренних представлений путем распространения ошибок , Технический отчет. Сан-Диего: Институт когнитивных наук Калифорнийского университета в Сан-Диего в Ла-Хойе.

  • Рассел С. и Норвиг П. (1995) Искусственный интеллект. Современный подход (Том 25, стр. 27). Эгнлевудские скалы: Прентис-Холл.

  • Салата, Дж. (2011). Внедрение конкурентных обучающих сетей для weka. Блог исследований в области ИКТ.

  • Саллес Т., Гонсалвес М., Родригес В. и Роша Л. (2015). Broof: использование случайных ошибок, бустинга и случайных лесов для эффективной автоматической классификации. В Материалы 38-й международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска , ACM (стр. 353–362).

  • Зальцберг, С.Л. (1994). С4. 5: Программы для машинного обучения Дж. Росса Куинлана (Том 16, № 3, стр. 235–240). Morgan Kaufmann Publishers, Inc. , 1993. Машинное обучение .

  • Самарасингхе, С. (2016). Нейронные сети для прикладных наук и техники: от основ до распознавания сложных образов . Нью-Йорк: CRC Press.

    МАТЕМАТИКА Google ученый

  • Шапиро, Л.Дж., и Янг, Дж.В. (2017). Биомеханика передвижения приматов. В Международная энциклопедия приматологии (стр. 1–8). Интернет-библиотека Wiley.

  • Сильва, В. Р. (2015). Кинезиология и биомеханика. Рио-де-Жанейро: SESES.

  • Соуза, Ад М. и Стеммер, М. Р. (2016). Sistema de extração de parametros cinéticos e cinemáticos do corpo humano para análise da Marcha. Анаис до XXI CBA , 1 , 30–36.

    Google ученый

  • Шпехт, Д. Ф. (1990). Вероятностные нейронные сети. Нейронные сети , 3 (1), 109–118.

    Артикул Google ученый

  • Сулино, Р. М. (2014). Avaliação автоматизируется от ума habilidade двигателя основные ком о Kinect . Dissertação de mestrado, Universidade Estadual Paulista, Instituto de Biociências de Rio Claro.

  • Темуртас, Ф. (2009). Сравнительное исследование диагностики заболеваний щитовидной железы с использованием нейронных сетей. Экспертные системы с приложениями , 36 (1), 944–949.

    Артикул Google ученый

  • Ван Дер Мальсбург, К. (1986). Франк Розенблатт: Принципы нейродинамики: персептроны и теория механизмов мозга. В G. Palm & A. Aertsen (Eds.), Теория мозга (стр. 245–248). Берлин: Спрингер.

    Глава Google ученый

  • Виллманн, Т., Каден, М., Герман, В., и Биль, М. (2016). Изучение классификаторов векторного квантования для roc-оптимизации. Вычислительная статистика (стр. 1–22).

  • Ван, К.Ю., и Шун, Х. Ю. (2016). Применение нейронных сетей обратного распространения для прогнозирования удержания сотрудников управления на малых и средних предприятиях. Универсальный журнал менеджмента , 4 (5), 223–227.

    Артикул MathSciNet Google ученый

  • Вайнбергер К.К., Блитцер Дж. и Сол Л.К. (2005). Дистанционное метрическое обучение для классификации ближайших соседей с большим отрывом. В Достижения в системах обработки нейронной информации (стр. 1473–1480).

  • Вайнбергер, К. К., и Сол, Л. К. (2009). Дистанционное метрическое обучение для классификации ближайших соседей с большим отрывом. Journal of Machine Learning Research , 10 , 207–244.

    МАТЕМАТИКА Google ученый

  • Уиттл, Массачусетс (2014). Анализ походки: введение . Оксфорд: Баттерворт-Хайнеманн.

    Google ученый

  • Зима, Д. А. (2009). Биомеханика и моторика движений человека . Нью-Джерси: Уайли.

    Книга Google ученый

  • Ву, X., Ян, Дж., и Ван, С. (2018). Идентификация категории чая на основе оптимальной энтропии вейвлета и взвешенного алгоритма k-ближайших соседей. Мультимедийные инструменты и приложения , 77 (3), 3745–3759.

    Артикул Google ученый

  • Сюй, С. (2018). Байесовские наивные байесовские классификаторы для классификации текста. Журнал информационных наук , 44 (1), 48–59.

    Артикул Google ученый

  • Зерпа, К., Лис, К., Патель, П., Призуча, Э., и Патель, П. (2015). Использование Microsoft Kinect для анализа движений человека. Международный журнал спортивной науки , 5 (4), 120–127.

    Google ученый

  • Zhang, Y.


Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

*
*