小米手環7缺點的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

利用深度學習網路於眼動資訊、九軸訊號與生理訊號來估測專注度

為了解決小米手環7缺點的問題，作者陳惠貞 這樣論述：

在本研究中提出以深度學習模型將眼動資訊、九軸訊號以及生理訊號來進行專注度估測，根據不同的持續性實驗來誘發注意力，在實驗進行時，眼動資訊、九軸訊號以及生理訊號會被同步紀錄。在眼動資訊的部分，本研究修改智慧眼鏡上向外照攝影機為向內照的眼球攝影機，並將彩色的眼睛影像作為輸入，經過全卷積網路(Fully Convolutional Network, FCN)後輸出預測瞳孔位置的二值化影像，利用形態學將影像修補得更完整，再計算瞳孔的中心；在九軸訊號的部分，使用智慧眼鏡中內建的九軸感測晶片來擷取九軸訊號；生理資訊則使用了量測心電圖的儀器，將實驗中受測者的生理原始訊號記錄下來，經過濾波後與眼動資訊與九軸資

訊統整，利用長短期記憶網路(Long Short Term Memory, LSTM)來估測三個訊號分別的專注度以及整合後的專注度。根據實驗結果，眼動資訊在估測專注度上擁有92.5%的準確率，利用慣性量測單元所得到的準確率為94.2%。我們也同時考量了生理訊號對於專注度估測的影響，因此除了眼動資訊及九軸資訊以外，還同步加上心電圖的訊號，用來輔助估測專注度。本研究的創新點為利用深度學習模型整合三種訊號，並用於專注度估測。

應用深度學習於智慧型手環口碑情感分析研究

為了解決小米手環7缺點的問題，作者鄧宏洲 這樣論述：

社群網路的興起，許多的消費者樂於在社群媒體上討論分享，表達自己對產品的意見。企業可透過大量的網路評論分析市場上消費者對產品各項特徵的喜好與優缺點，但在過去的文獻中較少應用深度學習於中文評論的情感分析上。 本論文的貢獻為透過文本分析建構出專屬於智慧型手環領域的情感意見詞典，並利用深度學習遞迴神經網路長短期記憶技術於智慧型手環口碑情感分析，與貝氏演算法、支援向量機的結果互相比較。實驗結果顯示，貝氏演算法的正確率為70.67%、支援向量機得到66.01%、深度學習則為89.94%。從而證明深度學習在情感分析上的預測效果最為出色。