Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian ini, telah dibangun sebuah sistem akuisisi data elektrokardiograf (EKG) 12-lead berbasis Raspberry Pi 4 yang berbobot rendah, berdaya rendah dan terjangkau. Raspberry Pi 4 digunakan untuk mengakuisisi dan memproses sinyal elektrokardiograf (EKG) dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas dan versality. Sebagai pusat dari sistem akuisisi data yang dibangun, Raspberry Pi menerima, memproses, dan menyimpan data dari Analog Front-End to Digital Converter (ADC) ADS1298RECGFE-PDK. ADS1298 memiliki beberapa kelebihan diantaranya adalah akuisisi data secara simultan, resolusi 24-bit, membutuhkan daya <0.2 mW dan noise<1μV. Komunikasi data yang digunakan dalam sistem yang dibangun adalah Serial Peripheral Interface (SPI). Sistem ini menggunakan sumber daya dari baterai Sony VTC5 18650 untuk mencegah interferensi power line. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter low pass Butterworth dengan orde 5 dan Fast Fourier Transform (FFT) pada program Python. Bahasa pemrograman yang digunakan adalah C yang digunakan untuk komunikasi antara Raspberry Pi dengan ADS1298RECGFE-PDK dan Python yang digunakan pemrosesan sinyal. Sistem ini telah dievaluasi menggunakan ProSim 4 yang menghasilkan bentuk gelombang ECG dengan ECG rate 120 BPM, 150 BPM, dan Aritmia, serta pengambilan data partisipan. Dicari juga selisih sinyal yang diperoleh dengan CardioCare 2000 dan hubungannya menggunakan regresi linier pada 120 BPM. Didapatkan nilai error selisih, gradien, dan intercept terbesar adalah 23.615%, 0.062%, dan 9.030%. Sistem ini akan digunakan dalam studi lain untuk mendeteksi Aritmia dengan metode klasifikasi Convolutional Neural Network (CNN). Hasil dari klasifikasi menunjukkan accuracy 100%, specificity 100%, dan sensitivity 100%.

---

In this study, a low weight, low cost, and affordable Raspberry Pi 4 based 12-lead electrocardiograph (ECG) data acquisition system has been built. Raspberry Pi is used to acquire and process electrocardiograph (ECG) signals in high performance, because it has a combination of flexibility and versality. As the center of the data acquisition system built, Raspberry Pi acquires, processes, and stores data from the ADS1298RECGFE-PDK Analog Front-End to Digital Converter (ADC). ADS1298 has several advantages including simultaneous data acquisition, 24-bit resolution, requires power <0.2 mW and noise <1μV. Data communication used in the system built is the Serial Peripheral Interface (SPI). The system uses the power source of the Sony VTC5 18650 battery to prevent power line interference. For the signal processing section, the authors implement the Butterworth low pass filter in order 5 and Fast Fourier Transform (FFT) in the Python program. The programming language used is C which is used for communication between Raspberry Pi with ADS1298RECGFE-PDK and Python which is used for signal processing. This system has been evaluated using ProSim 4 which produces ECG waveforms with ECG rates of 120 BPM, 150 BPM, and Arrhythmia, as well as participant data collection. This system is also looking for the difference in the signal obtained by CardioCare 2000 and its linear relationship using linear regression.The biggest difference, gradient, and intercept error values are 23.615%, 0.062%, and 9.030%. This system will be used in other studies to predict arrhythmias using the Convolutional Neural Network (CNN) classification method. The results of the classification show 100% accuracy, 100% specificity, 100% sensitivity."

"Pada penelitian kali ini telah dirancang dan dibangun Sistem Akuisisi Data Elektrokardiograf (ECG) 12-Lead dengan ADS1298RECGFE-PDK sebagai analog front end dan Raspberry Pi 4 secara ringan, hemat daya, dan harga yang terjangkau. Rancangan sistem juga dikembangkan dengan baterai internal Sony VTC 5 dengan tujuan untuk reduksi noise dari power line. Pengambilan data dilakukan dengan menggunakan Prosim4 Fluke dengan data yang diambil adalah 60bpm, 80bpm, 90bpm dan partisipan dalam kondisi berbaring. Rancangan sistem ini akan dibandingkan dhasilnya dengan Bionet Cardiocare 2000 Hasil rekaman kemudian diolah dengan melakukan baseline wander removal, LPF, dan FFT. Data yang telah diproses pada rancangan sistem kemudian akan disimpan dalam format WFDB. Penelitian ini kemudian melakukan penghitungan selisih sinyal yang diperoleh dari Cardiocare dengan rancangan sistem yang dibuat. Metode regresi linier juga dilakukan untuk komparasi kedua rekaman. Regresi linier dilakukan pada sinyal rekaman 80 bpm. Dari hasil tersebut didapat error paling besar pada v1 dengan error selisih, gradien, dan intercept masing-masing 25.257, 0.132%, dan 3.641%. Rancangan sistem akan digunakan untuk identifikasi Myocardial Infarction menggunakan dataset dari PTB Diagnostic. Metode yang digunakan adalah convolutional neural network (CNN). Hasil dari klasifikasi diperoleh akurasi 96.28%, spesifisitas 94.07%, dan sensitivitas 96.89%.

---

This study has designed and built a 12-Lead Electrocardiograph Data Acquisition System with ADS1298RECGFE-PDK as an analog front end and Raspberry Pi 4 in a lightweight, power-saving, and affordable price. The system was also developed with the Sony VTC 5 battery in order to reduce noise from the power line. Data retrieval is done using Prosim4 Fluke with data taken are 60bpm, 80bpm, 90bpm and participants lying down. The system will be compared with the results of Bionet Cardiocare 2000. The results are then processed by performing a baseline wander removal, LPF, and FFT. Data that has been processed will be saved in WFDB format. This study then calculate the difference of signal obtained from Cardiocare with the system created. Linear regression method was also used to compare the records. Linear regression was performed on 80 bpm signal. From these results, the largest error was obtained in v1 with error difference, gradient, and intercept of 25.257, 0.132%, and 3.641%, respectively. This system will be used to identify Myocardial Infarction using dataset from PTB Diagnostic. The method used is convolutional neural network (CNN). The results have an accuracy of 96.28%, specificity of 94.07%, and sensitivity of 96.89%."

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."

"Pengembangan teknologi single-board-computer (SBC) telah diaplikasikan dalam bidang perekaman data geofisika. Dalam penelitian ini digunakan mikrokomputer Raspberry Pi sebagai sistem akuisisi dan perekam data gelombang seismik. Penggunaan sistem operasi Linux dan bahasa pemrograman Python pada Raspberry Pi yang bersifat open-source dan multi-platform menghasilkan sistem yang lebih murah dan sederhana. Sebagai pengolah sinyal analog, digunakan analog to digital converter (ADC) eksternal berupa chip IC ADC MAX186 produk Maxim™. Sinyal tegangan yang dihasilkan pada geophone akibat gelombang seismik (elastik) di dalam permukaan bumi, diperkuat menggunakan penguat instrumentasi dan difilter menggunakan rangkaian low-pass filter sesuai dengan frekuensi gelombang seismik. ADC MAX186 dikomunikasikan dengan mikrokomputer Raspberry Pi untuk mengonversi sinyal dalam bentuk kumpulan data digital 12 bit dan disimpan pada SD-Card. Perancangan ini menghasilkan sistem akuisisi yang bekerja dengan laju pencuplikan 1600 SPS, resolusi data 12 bit, dan kapasitas penyimpanan yang dinamis sesuai media penyimpanan yang dipasang.

---

Development of single-board-computer (SBC) technology has been applied in the field of geophysical data recording . In this study, the Raspberry Pi microcomputer is used as data acquisition system and seismic waves recorder . The use of the Linux operating system and Python programming language on Raspberry Pi which is open-source and multi-platform produce a cheaper and simpler system. As an analog to a digital signal processor, analog to digital converter ( ADC ) is used in the form of external ADC IC chip MAX186 from Maxim Integrated. Voltage signal generated by seismic waves at geophone on the surface of the earth, amplified using an instrumentation amplifier and filtered using a low-pass filter circuit in accordance with the frequency of the seismic waves. ADC MAX186 communicated with Raspberry Pi microcomputer to convert the analog signal in the form of 12-bit digital data set and stored in the SD-Card. The result of this study is a system that works with the acquisition sampling rate of 0,6 ms, a resolution of 12 bits of data, and data storage capacity dynamically as storage media installed."

"Saat ini perekaman gelombang seismik masih menggunakan geophone konvensional, yaitu terdiri dari koil yang digantung oleh pegas. Pada penelitian ini, telah dikembangkan sebuah sistem perekam gelombang seismik menggunakan akselerometer MEMS. Data keluaran akselerometer diakuisisi dengan menggunakan mikrokomputer Raspberry Pi, kemudian data tersebut disimpan di dalam Raspberry Pi dan dikirim ke sebuah komputer host setelah proses akuisisi selesai. Keluaran data dari sistem ini setara dengan data keluaran dari geophone konvensional, yaitu dalam domain kecepatan. Sistem ini menggunakan komunikasi Wi-Fi untuk terhubung ke sebuah server sehingga memungkinkan kegiatan eksplorasi tanpa memerlukan kabel. Hasil rekaman sistem ini dibandingkan dengan geophone konvensional. Uji coba dilakukan di Universitas Indonesia.

---

Currently recording seismic waves still use conventional geophones, which consists of coils suspended by springs. This research has developed a system of recording seismic waves using MEMS accelerometer. Accelerometer output data acquired using microcomputers Raspberry Pi, then the data is stored in the Raspberry Pi and sent to a host computer after the acquisition is completed. The output data from this system is equivalent to the output data from conventional geophones, which is in the domain of speed. This system uses the Wi-Fi communication to connect to a server making it possible exploration activities without cables. Recording the results of this system compared with conventional geophones. Tests performed at the University of Indonesia."

"Teknologi alat akuisi seismic sudah semakin berkembang. Pada penelitian sebelumnya sudah dilakukan penelitian mengenai alat akuisisi sinyal seismik berbasis sensor accelerometer MEMS. Sehingga pada penelitian ini telah memperbaharui alat akuisisi sinyal seismik dari sisi komunikasi agar dapat mengakuisisi lebih banyak geophone atau alat akuisisi sinyal seismik. Selain itu agar jangkauan kabel atau jarak antar geophone juga semakin panjang. Keluaran data dari sistem ini hamper setara dengan keluaran data dari geophone konvensinal. Sistem ini menggunakan Modul SPI Extender untuk membuat satu buah Raspberry Pi dapat mengakuisisi geophone MEMS dengan lebih banyak dan jengan jangakaun kabel yang lebih panjang. Hasil respon atau keluaran dari geophone disimpan kedalam Raspberry Pi terlebih dahulu untuk kemudian bisa diambil secara wireless oleh komputer host. Uji coba dilakukan di Universitas Indonesia.

---

The technology of seismic acquisition instrumentation has getting developed. In previous research, a study of seismic signal acquisition instrumentation based on MEMS accelerometer sensor has been done. This research has renewed seismic signal accelerometer by communication aspect to acquire more geophones or seismic signal acquisition instrumentation. Output data of this system is almost same with output from conventional geophone. This system uses SPI Extender modul to make one Raspberry Pi to acquire more MEMS geophone and with further cable reach. Respond result or output of geophone is saved into Raspberry Pi first so that it can be taken wirelessly by host computer. Trial test is done at Universitas Indonesia."

"Teknologi SMS sebagai media komunikasi dapat digunakan untuk mengendalikan perangkat IoT seperti SCADA Supervisory Control and Data Acquisition untuk pengontrolan suatu proses dalam sistem kendali industri berbasis computer . Serta sebagai alternatif yang handal pengganti media Internet untuk kendali jarak jauh. Namun, teknologi SMS masih memiliki kekurangan terhadap aksi penyadapan. Oleh karena itu pada penelitian ini dirancang pengendalian jarak jauh melalui SMS berbasis algoritma enkripsi NTRU dan kompresi GZIP yang di implementasikan pada Raspberry Pi dan perangkat Android.Dari hasil uji coba penerapan algoritma NTRU dan GZIP pada Raspberry pi menghasilkan parameter bilangan prima 5 sampai 23 untuk membangun public key dan dalam proses enkripsi dekripsinya. Dengan rentang parameter tersebut membuat perintah dapat dikirim dalam 1 kali SMS tidak lebih dari 160-byte . Dengan menggunakan parameter optimal yaitu 23, implementasi enkrispi dan kompresi dilanjutkan pada hasil performa untuk menggerakan 3 aktuator relay, servo, dan LED PWM dengan 100 perintah yang dikirim berhasil diterjemahkan untuk dieksekusi pada aktuator.

---

SMS Technology as a communication medium can be used to control the IoT device for example, SCADA Supervisory Control And Data Acquisition . However, SMS technology still has a disadvantage of wiretapping. Therefore, in this study designed remote control system via SMS based NTRU Encryption and GZIP compression algorithm that is implemented on Raspberry Pi and Android devices to control the actuator.

Based on the result, the best parameter size of NTRU encryption and GZIP compression algorithm is 5 until 23 to build public key and encryption decryption process that can be sent in one time SMS not more than 160 bytes. Using the optimum parameter of 23, the encryption and compression implementation are continued on the performance result to drive three actuators relay, servo and LED PWM with 100 of the commands sent successfully decrypted for control the actuator."

"ABSTRAKPerkuliahan merupakan kegiatan akademis yang dilaksanakan berdasarkan kurikulum yang memang telah direncanakan. Kegiatan perkuliahan tersebut dilaksanakan untuk pencapaian yang maksimal. Sehingga dalam pencapaiannya diperlukan pemantauan terhadap komponen-komponen yang mendukung jalannya aktivitas perkuliahan. Pencatatan absensi merupakan salah satu bagian penting dalam kegiatan perkuliahan. Sistem yang selama ini digunakan untuk mendukung absensi mahasiswa masih konvensional yaitu dengan mengisi daftar kehadiran berupa tandatangan secara tertulis, sehingga validitas data absensi kurang mampu dipertanggungjawabkan dan kurangnya efisiensi dalam hal pengolahan data ke pusat administrasi kampus. Sebuah raspberry pi 3 berperan sebagai gateway antara perangkat bluetooth dari masing-masing smartphone dan server, akan melakukan pencarian identitas perangkat berupa mac address bluetooth dari setiap perangkat smartphone yang masuk dalam jangkauannya. Segala pengolahan data akan dilakukan pada sisi backend yang sebelumnya beberapa paket data perlu dikirim terlebih dahulu oleh gateway melalui koneksi internet secara periodik. Sehingga kesimpulan mengenai kehadiran setiap mahasiswa mampu didapatkan Sistem absensi ini diharapkan mampu menjadi solusi bagi permasalahan dalam kegiatan perkuliahan yang ada. Performa yang diukur selama pengujian ditunjukkan oleh waktu identifikasi perangkat dengan beberapa parameter yang divariasikan seperti konfigurasi posisi gateway, jumlah gateway, jumlah responden dan kecermatan sistem dalam mengidentiifkasi setiap mahasiswa. Berdasarkan pengujian yang dilakukan, diperoleh kesimpulan bahwa posisi gateway memberikan pengaruh terhadap durasi yang diperlukan untuk melakukan identifikasi terhadap seluruh perangkat. Durasi identifikasi terbaik yang mampu dilakukan gateway untuk 20 responden adalah 1 menit 24 detik pada posisi gateway diletakkan pada ketinggian 2 meter dari permukaan tanah. Selain itu, jumlah gateway yang perlu diaplikasikan sistem untuk mengidentifikasi perangkat dipengaruhi oleh bentuk dan dimensi suatu ruangan.

---

ABSTRACTLectures are academic activities undertaken based on a curriculum that has been planned. Lecture activities are carried out for maximum achievement. So in the achievement required monitoring of the components that support the course of lecture activities. Registration of attendance is an important part of lecturing activities. The system that has been used to support student absences is still conventional by filling the attendance list in the form of signatures in writing, so the validity of data absenteeism is not accountable and lack of efficiency in terms of data processing to the campus administration center. A raspberry pi acts as a gateway between the bluetooth device of each smartphone and server, will perform a device identity search in the form of a bluetooth mac address of any smartphone device within its range. Then the data processing will be done on the backend side previously sent first by gateway through internet connection periodically. So the conclusion about the presence of each student can be obtained. This system is designed to be the solution for problems in classes. Performance is tested by device 39 s identification time, with several changed variables gateway position, number of respondents, and system 39 s accuracy in identifying students. Based on the tests performed, it is concluded that the gateway position has an effect on the duration required to identify all devices. The best identification duration a gateway can perform for 20 respondents is 1 minute 24 seconds at the gateway position is placed at a height of 2 meters from the ground level. In addition, the number of gateways that the system needs to apply to identify devices is influenced by the shape and dimensions of a room."

"Kerak pipa selalu terjadi pada pipa produksi pada pembangkit listrik yang memanfaatkan panas bumi. Kerak pipa dapat terjadi dalam waktu yang lama maupun dalam hitungan bulan. Hal ini dapat mempengaruhi diameter dalam pada pipa sehingga dapat mengurangi laju alir dan bahkan dapat menyumbat pipa. Pengukuran tebal kerak pipa dibutuhkan untuk dapat mengetahui seberapa besar kerak yang terjadi di dalam pipa. Gamma scanning merupakan teknik yang digunakan untuk menganalisis struktur di dalam suatu objek tanpa merusak atau membuka bagian objek tersebut sehingga dapat digunakan tanpa mengganggu jalannya operasi. Sistem Gamma scanning dalam penelitian ini dapat melakukan pemindaian secara otomatis dan dapat diinstall dengan mudah. Sumber radiasi Gamma Cs-137 digunakan sebagai pemancar foton gamma menembus objek yang kemudian akan dideteksi menggunakan detector sintilasi NaI(Tl). Sistem pengendali menggunakan Arduino dan Raspberry Pi 4 yang akan mengatur pergerakan secara otomatis dan juga pengambilan data serta pengolahan data. Data hasil rekonstruksi akan dianalisis untuk mengetahui ketebalan kerak di dalam pipa.

---

The growth rate of pipe scale always occurs in production pipes at power plants that utilize geothermal energy. This growth rate can occur in a long time or in a matter of months. This can affect the inside diameter of the pipe so that it can reduce the flow rate and can even clog the pipe. Measurement of the growth rate of pipe scale is needed to be able to find out how much scale occurs in the pipe. Gamma scanning is a technique used to analyze the structure inside an object without damaging or opening parts of the object so that it can be used without disturbing the operation. The Gamma scanning system in this study can perform scanning automatically and can be installed easily. Gamma radiation source Cs-137 is used as a gamma photon emitter to penetrate the object which will then be detected using a NaI(Tl) scintillation detector. The control system uses Arduino and Raspberry Pi 4 which will automatically regulate the movement as well as data retrieval and data processing. The reconstructed data will be analyzed to determine the thickness of scale in the pipe."

"ABSTRAK

Saat ini kasus pencurian mobil kian meningkat, sedangkan alarm mobil yang ada saat ini masih memiliki kekurangan. Di sisi lain jumlah pengguna internet dan media sosial juga kian meningkat. Oleh karena itu pada penelitian ini dirancang sistem notifikasi untuk keamanan pada mobil berbasis Raspberry Pi dan media sosial yang dapat memberikan notifikasi 3 kali berturut-turut ke pemilik mobil, yaitu notifikasi teks melalui Instapush, notifikasi foto melalui Twitter, dan notifikasi video melalui YouTube yang terintegrasi dengan Twitter. Hasil dari 20 kali uji coba menunjukan bahwa rata-rata pengiriman notifikasi teks melalui Instapush lebih cepat dan stabil pada tempat parkir ruang terbuka dengan waktu 7,2 detik sejak pintu mobil terbuka hingga tiba di smartphone pemilik mobil. Untuk pengiriman notifikasi foto melalui Twitter rata-rata lebih stabil pada tempat parkir ruang terbuka, tapi lebih cepat pada tempat parkir ruang tertutup dengan waktu 29,55 detik sejak pintu mobil terbuka. Untuk pengiriman notifikasi video melalui YouTube yang terintegrasi Twitter rata-rata lebih stabil dan cepat pada tempat parkir ruang terbuka dengan waktu 217,2 detik sejak pintu mobil terbuka. Foto dan video yang diunggah ke Twitter dan YouTube memiliki tingkat kesamaan yang berkualitas tinggi terhadap foto dan video asli hasil pemotretan dan perekaman webcam yang dipasang di dalam mobil.

---

ABSTRACT

Nowadays the cases of car theft are increasing, whereas the conventional alarm system has no direct notification feature. On the other side active internet users and active social media accounts continue to rise. Therefore, a notification system for car security based-Raspberry Pi and social media is designed to give 3 fold notifications. Those are text notification through Instapush, photo notification through Twitter, and video notification through Twitter-activated YouTube. Our test shows this system can run 100%. Average delivery time of text notification through Instapush is faster and more stable in the outdoor parking area. It takes only 7.2 seconds from the car door opened event until delivered at car owners smartphone. Average delivery time of photo notification through Twitter is more stable in the outdoor parking area, but is faster in the indoor parking area. It takes only 29.55 seconds after triggered. Average delivery time of video notification through Twitter-activated YouTube is faster and more stable in the outdoor parking area. It takes only 217.2 seconds after triggered. Photos and videos which are uploaded to Twitter and YouTube have a high degree of similarity with the original photos and videos that are captured and recorded by webcam mounted in a car

"