概述

MEMS-Studio是一套完整的桌面軟件解決方案，專為開發(fā)嵌入式AI功能、評估嵌入式庫、分析數(shù)據(jù)，以及為整個MEMS傳感器產(chǎn)品組合設(shè)計無代碼算法而設(shè)計。這款獨特的軟件解決方案提供了多功能的開發(fā)環(huán)境，支持評估和編程所有MEMS傳感器，此外還推出了新一代解決方案，以擴展Unico-GUI、Unicleo-GUI和AlgoBuilder等成熟應用程序的功能。

最近在弄ST的課程，需要樣片的可以加群申請：615061293 。

MEMS-Studio可簡化在STM32微控制器上使用圖形界面實現(xiàn)概念驗證的過程，無需編寫代碼。此解決方案支持配置傳感器和嵌入式AI（機器學習和神經(jīng)網(wǎng)絡(luò)），可充分利用機器學習內(nèi)核 (MLC)、ISPU的神經(jīng)網(wǎng)絡(luò)以及有限狀態(tài)機 (FSM)。它會重復使用嵌入式軟件庫，將多種功能組合到一個項目中，并使用繪圖和顯示功能實時可視化數(shù)據(jù)。
MEMS-Studio提供以下用戶體驗：
● 針對MEMS產(chǎn)品組合中運動、環(huán)境和紅外傳感器進行評估
● 配置和測試傳感器內(nèi)的各項功能，如有限狀態(tài)機 (FSM)、機器學習內(nèi)核 (MLC) 和智能傳感器處理單元 (ISPU)
● 實時和離線數(shù)據(jù)分析
● 無代碼圖形化算法設(shè)計

視頻教學

[https://www.bilibili.com/video/BV1624VeAEAG/]

樣品申請

[https://www.wjx.top/vm/OhcKxJk.aspx#]

源碼下載

[https://download.csdn.net/download/qq_24312945/89843512]

硬件準備

首先需要準備一個開發(fā)板，這里我準備的是自己繪制的開發(fā)板，需要的可以進行申請。

主控為STM32H503CB，陀螺儀為LSM6DSV16X，磁力計為LIS2MDL。

選擇MEMS

使用 MEMS Studio 的 MLC（Machine Learning Core）進行訓練， "Sensor" 字段選擇要配置的傳感器 。

導入數(shù)據(jù)

點擊“Browse”選擇采集到的數(shù)據(jù)，給該類數(shù)據(jù)命名后下載。

將所有采集到的數(shù)據(jù)都導入進去，下載成功如圖所示。

配置窗口長度和量程

MLC ODR（輸出數(shù)據(jù)速率）：已設(shè)置為 240Hz，這是 MLC 處理數(shù)據(jù)的速率。
時間窗口長度（Window length）：設(shè)置的窗口長度為 60，表示 MLC 每 60個樣本計算一次統(tǒng)計特征。
加速度計（Accelerometer）：
● 量程（Full Scale）：設(shè)置為 ±2g，表示能夠測量的最大加速度為 ±2g。
● ODR（數(shù)據(jù)速率）：設(shè)置為 480Hz，表示加速度計的采樣頻率為 480Hz。
陀螺儀（Gyroscope）：
● 量程（Full Scale）：設(shè)置為 ±125 dps，表示最大旋轉(zhuǎn)速度為 ±125 度/秒。
● ODR（數(shù)據(jù)速率）：設(shè)置為 480Hz，表示陀螺儀的采樣頻率為 480Hz。

配置濾波器

● filter_1：應用于 HP_Acc_XYZ，表示這是一個 高通濾波器（HP，High-Pass Filter），用于對加速度計的 X、Y、Z 軸的三維數(shù)據(jù)進行濾波。
● HP_Acc_XYZ：此濾波器將過濾掉加速度數(shù)據(jù)中低頻成分，保留高頻部分。這可能是為了消除像重力這樣的低頻信號干擾，保留運動的快速變化部分。
● filter_2：應用于 HP_Gyr_XYZ，這是一個 高通濾波器，用于對陀螺儀的 X、Y、Z 軸數(shù)據(jù)進行濾波。
● HP_Gyr_XYZ：此濾波器將過濾掉陀螺儀數(shù)據(jù)中的低頻部分，保留高頻的旋轉(zhuǎn)變化信息，適合檢測快速旋轉(zhuǎn)或角速度的變化。
● filter_3：應用于 HP_Acc_V2，也是一個 高通濾波器，用于處理加速度矢量平方值（即組合了 X、Y 和 Z 軸的加速度數(shù)據(jù)）。
● HP_Acc_V2：此濾波器將對加速度矢量平方值的低頻信號進行過濾，保留高頻部分，幫助識別運動的劇烈變化。
● filter_4：應用于 HP_Gyr_V2，是一個 高通濾波器，用于處理陀螺儀矢量平方值（即組合了 X、Y 和 Z 軸的角速度數(shù)據(jù)）。
● HP_Gyr_V2：此濾波器將對陀螺儀矢量平方值的低頻部分進行過濾，保留高頻部分，幫助識別旋轉(zhuǎn)運動中的快速變化。

選擇特征數(shù)據(jù)

MLC（Machine Learning Core） 的 特征選擇（Features Selection） 區(qū)域可以為傳感器數(shù)據(jù)選擇要計算的統(tǒng)計特征，并將其作為機器學習的輸入。
MEAN：均值，表示在給定的時間窗口內(nèi)計算的傳感器數(shù)據(jù)的平均值。
VARIANCE：方差，表示數(shù)據(jù)的分散程度，反映數(shù)據(jù)在給定時間窗口內(nèi)的變化。
ENERGY（能量）： 計算信號在給定時間窗口內(nèi)的總能量。它反映了信號強度，通常用于識別較強或較弱的活動。
PEAK_TO_PEAK（峰峰值）：峰峰值特征計算的是信號在給定時間窗口內(nèi)的最大值和最小值之間的差異。這個特征可以幫助檢測信號的最大振幅，是評估運動強度和突發(fā)變化的有力指標。

設(shè)備樹生成

生成的設(shè)備樹文件為 arff 文件。

決策樹生成

點擊 "Generate Decision Tree" 按鈕以生成決策樹。這個按鈕基于之前通過 ARFF 文件加載的數(shù)據(jù)和特征生成了一個分類模型（決策樹），用于識別不同的動作或狀態(tài)。

Kappa 統(tǒng)計量 是一種用于衡量分類器在考慮偶然因素時的準確性度量。這里顯示為 0.307479，雖然分類準確度高，但 Kappa 值可能表明結(jié)果受到數(shù)據(jù)分布或樣本量的影響。
● 0.81 - 1.00：幾乎完美的分類一致性。
● 0.61 - 0.80：很好的分類一致性。
● 0.41 - 0.60：中等分類一致性。
● 0.21 - 0.40：較低的分類一致性。
● 0.00 - 0.20：幾乎沒有一致性（接近隨機猜測）。

查看分析信息。

F1_MEAN_on_ACC_X <= 0.0360312
|   F1_MEAN_on_ACC_X <= -0.88916: other (65.0)
|   F1_MEAN_on_ACC_X  > -0.88916: Steady (52.0)
F1_MEAN_on_ACC_X  > 0.0360312
|   F7_ENERGY_on_GY_X <= 0.241577: Idle (62.0)
|   F7_ENERGY_on_GY_X  > 0.241577: Writing (68.0)

Number of Leaves  :     4
Size of the tree :     7


class:
 = > Idle, Writing, other, Steady, 
features:
 = > F1_MEAN_on_ACC_X, F2_MEAN_on_ACC_Y, F3_MEAN_on_ACC_Z, F4_MEAN_on_ACC_V2, F5_VAR_on_ACC_V2, F6_VAR_on_GY_V2, F7_ENERGY_on_GY_X, F8_ENERGY_on_GY_Y, F9_ENERGY_on_GY_Z, F10_ENERGY_on_GY_V2, F11_PeakToPeak_on_ACC_V2, F12_PeakToPeak_on_GY_V2, 


Mean absolute error    1
Root mean squared error    1
 ======= Whole data training with Confidence Factor: 0.9 ========= 


===== Confusion Matrix =====
             Idle         Writing      other        Steady        -- classified as
Idle         62    0    0    0    
Writing      0    68    0    0    
other        0    0    65    0    
Steady       0    0    0    52    

Total Number of Instances        : 247
Correctly Classified Instances   : 247
Incorrectly Classified Instances : 0
Kappa Statistic: 0.252373
Accuracy: 100%

Report  :    precision    recall    support    
Idle         1        1     62
Writing      1        1     68
other        1        1     65
Steady       1        1     52

avg/total    1        1     247

根節(jié)點判斷條件：
● F1_MEAN_on_ACC_X <= 0.0360312：
○ 如果 X 軸加速度的均值小于或等于 0.0360312：
■ 如果 F1_MEAN_on_ACC_X <= -0.88916，則分類為 other（65 個樣本）。
■ 如果 F1_MEAN_on_ACC_X > -0.88916，則分類為 Steady（52 個樣本）。
○ 如果 X 軸加速度的均值大于 0.0360312：
■ 如果 F7_ENERGY_on_GY_X <= 0.241577，則分類為 Idle（62 個樣本）。
■ 如果 F7_ENERGY_on_GY_X > 0.241577，則分類為 Writing（68 個樣本）。

● 混淆矩陣 顯示模型在每一類的分類結(jié)果：
○ Idle：62 個樣本被正確分類。
○ Writing：68 個樣本被正確分類。
○ other：65 個樣本被正確分類。
○ Steady：52 個樣本被正確分類。

● Kappa Statistic：0.252373。盡管分類準確度為 100%，但 Kappa 值較低，表明不同類別之間可能存在某些重疊或類別分布不均衡。
該決策樹模型在當前的小型數(shù)據(jù)集上表現(xiàn)良好，分類準確度為 100%，沒有任何錯誤分類的實例。然而，Kappa 統(tǒng)計量（0.252373） 表明類別之間可能存在數(shù)據(jù)不平衡，導致模型雖然能夠準確分類，但泛化能力可能較差。

參考程序

[https://github.com/STMicroelectronics/STMems_Machine_Learning_Core/tree/master/application_examples/lsm6dsv16x]

轉(zhuǎn)換UCF文件

類輸出值可以根據(jù)自己的需求修改，然后點擊“Generate Config File”生成ucf文件。

將得到的UCF文件存放到LSM6DSV16X的程序中。

在初始化中添加MLC檢測功能。

for( uint32_t i=0; i< (sizeof(lsm6dsv16x_activity_recognition) /
                    sizeof(ucf_line_t) ); i++ ) 
    {
    lsm6dsv16x_write_reg(&dev_ctx, lsm6dsv16x_activity_recognition[i].address,
                       (uint8_t *)&lsm6dsv16x_activity_recognition[i].data, 1);
  }

在主函數(shù)中獲取狀態(tài)值，查詢類的輸出值，編譯程序。

/* Infinite loop */
  /* USER CODE BEGIN WHILE */
  while (1)
  {

      lsm6dsv16x_mlc_handler();
        if (event_catched != 0) 
        {

            printf("event_catched=%d",event_catched);
             // 握(0) 拍(1) 揮(2) 拍(3) 靜(4) 止(5)
      switch(event_catched) 
            {
                    case 2:
                        event_catched = 0;

                        printf("閑置(Idle)rn");
                        break;
                    case 4:
                        event_catched = 0;

                        printf("書寫(Writing)rn");
                        break;
                    case 8:
                        event_catched = 0;

                        printf("其他(other)rn");
                        break;
                    case 12:
                        event_catched = 0;

                        printf("靜止(Steady)rn");
                        break;                    
                    default:break;
      }
      event_catched = 0;
    }
    /* USER CODE END WHILE */

    /* USER CODE BEGIN 3 */
  }
  /* USER CODE END 3 */

演示 靜止狀態(tài)如下。

閑置狀態(tài)如下，手抓筆靜止。

書寫狀態(tài)如下，移動筆進行識別判定。

其他如下，筆倒置。

審核編輯 黃宇