GitHub上的机器学习核心存储库和运动

ST 在?? GitHub 上发布了其机器学习核心存储库，其中包含示例和配置文件，以极大地改善开发人员的体验。众所周知，人工智能非常困难，因为它依赖于数据科学。此外，创建正确的算法（例如决策树）并对其进行设置也很棘手。不幸的是，所有这些问题往往会限制可以轻松开始研究机器学习应用程序的工程师数量。因此，我们在 GitHub 上发布了一个存储库来解决这个问题。该软件包包括数据日志子集以及LSM6DSOX、LSM6DSRX、ISM330DHCX、IIS2ICLX的应用程序和配置示例惯性传感器。它已经为使用它开发商业解决方案的主要 ST 客户提供服务。因此，我们认为我们社区的其他成员可以从中受益。

使机器学习更易于访问的另一种方法

支持的传感器是独一无二的，因为它们都有一个机器学习核心，可以并行运行一个或多个决策树。ST 是第一个提供此类组件的公司，并因此获得了奖项。它仍然是独一无二的，因为机器学习核心可以以微控制器功耗的一小部分提供决策能力。因此，意法半导体从 2019 年开始推出新器件，例如LSM6DSRX 和 ISM330DHCX ，从而扩大了产品范围。我们还通过发布Unico-GUI等工具降低了进入门槛。该实用程序提供了一个图形界面，有助于数据收集和机器学习核心的配置。 因此，GitHub 存储库是另一项旨在使机器学习更易于访问的举措。任何人都可以简单地按照软件包中列出的步骤在几分钟内测试应用程序。

机器学习核心存储库和运动

健身活动

机器学习核心存储库中的一个应用示例是在 LSM6DSOX 上运行的健身房活动识别。该程序使腕带能够自动检测二头肌弯举、侧平举、深蹲或休息位置之间的情况。然而，用户必须告诉系统可穿戴设备是在他们的右手还是左手。有问题的应用程序依赖于使用 LSM6DSOX 惯性模块的腕带收集的数据。ST 用右手和左手的可穿戴设备收集数据，现在在存储库中提供“左手”数据的子集。我们还提供两个配置文件，每只手一个。此外，开发人员将找到示例来帮助他们设计类似的算法并研究我们应用于加速度计信号的滤波器。

检查健身房活动识别应用程序

瑜伽姿势

另一个物理应用很吸引人，因为它在SensorTile.Box上运行，可以识别 12 个瑜伽姿势以及两个非瑜伽站立姿势（静止站立和运动站立）。可以将设备连接到用户的左腿，并使用其强大的传感器来运行具有 20 个节点的决策树。当用户保持一个姿势时，系统可以在不到一秒的时间内检测到它。该系统可以区分木板、儿童姿势、向下狗或冥想姿势等。该存储库还提供来自 UNICO-GUI 的数据日志，帮助创建决策树分类器。系统通过跟踪加速度计在 X、Y 和 Z 轴上的平均值来确定姿势。

从瑜伽姿势应用程序中学习

机器学习核心存储库和运动检测

车辆静止检测

由于更精确的 LSM6DSRX，静止检测算法可以确定汽车是否在移动。该应用程序使用来自加速度计和陀螺仪的数据，并且无论方向如何都能正常工作。GitHub 存储库甚至提供了为制作该程序而收集的数据日志的一个子集。此外，我们还提供配置示例以帮助开发人员研究类似的算法。该示例可帮助初学者了解一些滤波器如何对输入信号产生重大影响。该配置还显示了我们如何实现具有 30 个节点的决策树。ST 在??其婴儿哭泣检测器中使用了类似的算法。 事实上，行驶中的汽车意味着司机的存在，这意味着即使婴儿在哭泣，也无需启动警报，因为车内有成人。

探索车辆静止检测应用

头部手势

头部手势识别应用程序也使用 LSM6DSRX。耳机中的传感器可以确定用户是否在点头、静止、走路、摇头或摇头。 ST 使用这种特殊的惯性传感器为该算法收集了数据，并提供了一部分数据日志。该应用程序在 X、Y 和 Z 轴上使用来自加速度计和陀螺仪的数据。但是，并非所有数据源都接收相同的过滤器。例如，系统仅在 Y 轴上监控加速度计的最大阈值，而在同一传感元件的 X 轴上寻找最小阈值。因此，它是信号处理在机器学习应用中重要性的一个很好的例子。此外，决策树本身非常简单，只有七个节点来检测五个类别。

审核编辑：郭婷