意法半导体将惯性传感器的机器学习库发布到了GitHub上

本文来源：意法半导体博客

意法半导体在GitHub上发布了其机器学习核心库(https://github.com/STMicroelectronics/STMems_Machine_Learning_Core)，并附带示例和配置文件，极大地改善了开发体验。众所周知，人工智能设计非常困难，因为它依赖于数据科学。此外，创建正确的算法（例如决策树）并进行设置也可能很棘手。所有这些问题又限制了工程师进入门槛。因此，ST在GitHub上发布了一系列软件来解决此问题。该软件包包括数据日志的子集，以及LSM6DSOX，LSM6DSRX，ISM330DHCX，IIS2ICLX惯性传感器的应用程序和配置示例。它已经为主要的ST客户提供了服务，来开发其商业解决方案。因此，我们认为社区的其他成员也可以从中受益。

使机器学习更易访问

支持的传感器是独特的，因为它们都具有可以并行运行一个或多个决策树的机器学习核心。 ST是第一个提供这种组件的公司，因为机器学习核心可以以微控制器的低功耗低资源占用率提供决策能力。结果，意法半导体（ST）从2019年开始使用LSM6DSRX和ISM330DHCX等新器件扩展其产品线。ST还通过发布Unico-GUI之类的工具来减少进入的障碍。该程序提供了一个图形界面，有助于进行数据收集和机器学习核心的配置。因此，GitHub库是旨在使机器学习更易于访问的另一项举措。任何人都可以简单地按照软件包中概述的步骤进行操作，并在几分钟内测试应用程序。

机器学习核心库

健身活动

机器学习核心库的一个示例是在LSM6DSOX上运行的健身识别。该程序使腕带能够自动检测到二头肌弯曲，侧举，下蹲或静止位置。用户需要告知系统可穿戴设备是在左手还是右手。该应用程序依赖于使用LSM6DSOX惯性模块的腕带收集的数据。ST用可穿戴设备先从右手再到左手收集数据，现在在存储库中提供“左手”数据的子集。此外，开发人员将找到示例来帮助他们设计类似的算法，并研究应用于加速度计信号的滤波器。

瑜伽姿势

这个应用程序很有趣，因为它运行在SensorTile.Box上，并且可以识别12个瑜伽位置以及两个非瑜伽站立位置（静止和运动中）。可以将设备连接到用户的左腿上，并使用其强大的传感器来运行具有20个节点的决策树。当用户改变姿势时，系统可以在不到一秒钟的时间内检测到它。该系统可以区分木板，孩子的姿势，狗或冥想姿势等。该数据库还提供了来自UNICO-GUI的数据日志，该日志有助于创建决策树分类器。该系统通过在X，Y和Z轴上跟踪加速度计的平均值来确定姿势。

机器学习核心库和运动检测

车辆静止检测

静态检测算法通过更精确的LSM6DSRX来确定汽车是否在行驶。该应用程序使用来自加速度计和陀螺仪的数据，并且无论方向如何均可工作。GitHub库中还提供了收集的数据日志的一部分，以制作此程序。此外，ST提供了配置示例，以帮助开发人员研究类似算法。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。意法半导体在其婴儿哭闹探测器中使用了类似的算法。的确，行驶中的汽车意味着有驾驶员在场，这意味着即使婴儿在哭，也不需要发出警报，因为汽车中有成人。

头部识别

头部动作识别应用程序还使用LSM6DSRX。耳机中的传感器可以确定用户是在点头，静止，行走，摇头还是摇头。ST使用此特定的惯性传感器为该算法收集了数据，并且有一部分数据日志可用。该应用程序使用X上来自加速度计和陀螺仪的数据，Y和Z轴。 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轴上监视加速度计的最大阈值，而在同一感测元件的X轴上寻找最小阈值。 因此，这是信号处理在机器学习应用程序中的重要性的一个很好的例子。此外，决策树本身非常简单，只有七个节点就可以检测五个类别。