走在汽車革命的路上論文書籍站
臺北市立大學 競技運動訓練研究所 陳奕良、楊艾倫所指導 許仁豪的 阻力型與耐力型選手心血管特性和身體組成之探討 （2021），提出smart watch血糖關鍵因素是什麼，來自於耐力型運動、阻力型運動、身體組成、心率變異度、動脈硬化。
而第二篇論文國立臺北科技大學 設計學院設計博士班 王鴻祥所指導 陳志平的 數據驅動產品設計：應用機器學習分類、 歸納與預測風格 （2021），提出因為有 機器學習、數據驅動產品設計、品牌風格、設計資料集、作品風格預測的重點而找出了 smart watch血糖的解答。
smart watch血糖進入發燒排行的影片
我們現在越來越care產品或者App夠不聰明，而這次WeChat以API串聯提前布局，讓社群溝通平台不僅連結人與人，甚至裝置、服務，以及建立完整商業模式，打造智慧平台，並以智慧健康、醫療、運動概念。簡單說就是一個App在手，全部功能都有！
WeChat智慧運動新概念與Garmin運動全新結合
為各位量身訂製、紀錄最適宜的運動習慣，加上連結到社群去激勵互相，將運動轉化成為行動社群活動，
而Garmin智慧手環亦具有運動量即時計算、每日運動量統計等功能，成為忙碌現代人維繫健康的隨身好夥伴。
WeChat智慧醫療、健康管理給家庭健康新模式
WeChat App和不同合作廠家醫療器材做結合可自動上傳日常量測之血壓計、血糖機、耳溫槍、體脂機等生理參數，
即使家人不在身邊，也能定時關心他們；並且也可立即一鍵門診掛號；未來可串接WeChat API，
設置基礎遠距診療功能、轉診建議、甚至線上掛號付款等動作，一手掌握全家人身心健康。
WeChat 和 Smart TV 的API打造新概念智慧家庭
相關API其實已經在大陸可以使用，只是還沒到台灣而已，在介紹的時候感覺非常像Chrome Cast.
因為沒有機會真正玩到Tommy只能請Show Girl和大家介紹一下。
官方網站： http://www.techalook.com.tw/wechat-app/
Facebook： http://www.facebook.com/techalook.com.tw
G+： https://plus.google.com/+TechaLookTw/
Twitter: http://twitter.com/TechaLook
微博: http://weibo.com/u/3756536004
優酷: http://i.youku.com/TechaLook
阻力型與耐力型選手心血管特性和身體組成之探討
為了解決smart watch血糖 的問題，作者許仁豪 這樣論述：
目的：本文主要研究耐力型運動(羽毛球)及阻力型(健美)之運動員，針對長期做不同運動模式，探討兩者之間生理之差異。本研究目的主要探討耐力型運動(羽毛球)及阻力型(健美)的運動員身體組成、心率變異度及動脈硬化，比較兩種運動模式之差異，希望對未來運動員的訓練及教練課表的安排能有所幫助。方法：本研究招集男性羽毛球選手20位平均年齡為21歲和18位男性健美選手平均年齡為23歲。受試者使用DEXA測量身體組成，配戴Polar錶測量安靜時之心率變異度，使用PWV動脈硬化測量動脈硬化程度。將用其檢測結果比較兩者兩種運動模式的差異。結果：本研究從兩組皆接受專業且長期訓練之運動員發現，在身體組成比較中，BMI是
耐力型運動(羽毛球)之運動員顯著低於阻力型(健美)之運動員(P＜0.05)，而在骨質密度耐力型運動(羽毛球)之運動員是高於阻力型(健美)之運動員(P＜0.05)；另外在心律變異度的比較中只有總功率耐力型有氧運動(羽毛球)之運動員顯著於高於阻力型無氧(健美)之運動員(P＜0.05)，也代表耐力型有氧運動(羽毛球) 之運動員副交感神經的活性優於阻力型無氧(健美) 之運動員；另外，在動脈硬化中ABI耐力型有氧運動(羽毛球)之運動員顯著低於阻力型無氧(健美)之運動員 (P＜0.05)，也表示出耐力型運動(羽毛球)之運動員的動脈硬化程度是比阻力型無氧(健美)之運動員來的低。結論：長期做耐力型運動(羽毛球
)及阻力型運動(健美)的專業運動員，兩者不同的運動模式對生體組成、心律變異度及動脈硬化是長期做耐力型運動(羽毛球)較佳，另外，本研究發現長期做不同模式的運動對心率變異度及動脈硬化程度存在部分差異。希望有更多可以針對不同種類的運動以及運動員或針對不同的年齡層進行研究，使選手避免受傷，也讓教練在訓練上做出適當的調整，促使我國的運動成績能更進步。
數據驅動產品設計：應用機器學習分類、 歸納與預測風格
為了解決smart watch血糖 的問題，作者陳志平 這樣論述：
本研究創建了一個基於機器學習以及深度學習的數據驅動產品設計模擬工具，將此設計評估、風格分類以及預測系統用來提升年輕設計師對於風格與設計品味的認識，包含品牌風格以及年代風格，並利用電腦來辨識年輕設計師所創作之作品風格，從收集過往案例且基於產品設計資料庫，由電腦提供一些理性的建議，此建議是有異於人類經驗的設計導師建議。以六個數據驅動的產品設計案例為核心。透過「數據驅動產品設計」的概念以及「應用機器學習分類、歸納與預測風格」之應用，提出此方法於產品設計過程中所產生的資料價值，將有助於促進年輕設計師的設計評估、判斷與決策的實用工具。 首先，建構本論文的架構，包括：（1）擬定產品設計應用
之範圍，（2）品牌風格以及年代風格的探討，（3）風格分類、歸納與預測之概念呈現，（4）數據驅動解決方案之應用與設計實驗之驗證。其次，本研究對促進設計的創新價值所需數據科學化的工具，應用數據驅動產品設計的概念，深入探討產品設計過程中所對應的機器學習與深度學習運算方法，並著重於風格之分類與歸納。擬定出四個產品領域，包括：（A）道奇以及積架的品牌汽車的設計風格探討，（B）Genius品牌電腦滑鼠在三十五年期間風格演變之調查，（C）手指微血管顯微鏡之醫療裝置設計與擷取影像清晰度的探討，（D）以人因工程為基礎的手工具設計實驗與評估。 最後，本研究嘗試將數據驅動產品設計之概念轉變成設計課程之規劃，在
教學實踐上提出包含：（1）產品設計資料庫；（2）設計樣品製作；（3）設計目標與評估；（4）數據驅動方式的應用；（5）數據可視化。藉此概念在課程學習上能夠讓學生了解自己設計作品的風格走向，讓學生了解品牌產品設計風格的演變，利用品牌產品的歷史設計資料，來預測學生作品的設計風格，期待結合數據驅動與機器學習方式，能夠提升未來投入產品設計教學領域之成效，並且提供一些數據驅動設計的範式，進而從學校教學實踐之後，將此方法推廣至業界，達成產品設計創新價值的目標。