换个人佩戴，怎样让模型适应新的动作习惯
接回支线四的特征提取与分类，先确定哪些参数改变，再讨论用新佩戴者的数据更新类别代表点。
1 · 先看具体退化发生在哪里
同一活动，不同人步幅、速度和佩戴方向可能不同。模型在已有记录上表现好，换人以后仍可能把快走判成慢跑。先收集独立标签，查看混淆和输入单位，排除传感器配置、数据排列等接入问题。
如果问题确实来自场景差异，一种办法是在电脑上重新训练基础网络；本项目后续个性化约定采用原型路线：保留特征提取模型，利用新样本更新类别中心。更新内容及验证范围要明确。
2 · 网络中间的一串数有什么用
128 维意味着每份特征有 128 个坐标，不是 128 个独立人工命名的动作特征。训练使这些数值对分类有用；单个坐标可能难以直观命名。先在二维中理解距离和中心，再回到真实维度。
3 · 本次更新保存哪些东西
每个类别保存一串同维数值，作为这一类的代表，称为原型。当前项目七类、每类 128 个 float，总计 3584 字节原型数值，另有版本和计数信息。每次个性化更新一类原型，基础神经网络权重保持现有配置。
原型必须和提取它们的模型、通道预处理及类别顺序配套。若换了特征网络，即使维度仍为 128，坐标含义也可能改变。备份文件应记录模型兼容信息，当前轻量版本号不能独自证明所有兼容关系。
4 · 为什么先做一个能手算的实验
先取两类二维样本，画在平面上，算中心，再判断一个新点。这里每一步都能画出来；提高到 128 维时，计算结构不变。不要在刚出现原型这个词时就展开整个手机分片传输。
原论文还包含学习特征度量空间的训练方式；项目运行时求均值和比较相似度是部署和更新步骤的一部分。仅把任意原始数据求平均，并不自动复现论文训练方法。
5 · 这一条路线要达到什么结果
完成后可以解释采集会话怎样筛选特征、形成新原型、独立评估、备份恢复，以及重启时发生什么。个人化效果应以新佩戴者的独立记录证明，不能把刚求中心的数据再分类一次就称为改善。
选择一类经常误判的动作，写出基础输入是否正确、哪些场景缺失、需要多少独立场次来比较更新前后的计划。