LSM6DSV16X基于MLC智能笔动作识别(3)----MEMS Studio训练数据

已于 2024-10-05 17:38:06 修改
阅读量1.1k 收藏 21
点赞数 22
分类专栏： 单片机 stm32cube 传感器 文章标签： MEMS Studio LSM6DSV16X 机器学习内核MLC AI 动作识别 决策树 STM32CUBEMX
于 2024-10-04 17:47:09 首次发布
本文链接：https://blog.csdn.net/qq_24312945/article/details/142705360
版权
单片机 同时被 3 个专栏收录
271 篇文章 162 订阅
订阅专栏
stm32cube
151 篇文章 63 订阅
订阅专栏
传感器
107 篇文章 3 订阅
订阅专栏

LSM6DSV16X基于MLC智能笔动作识别.3--MEMS Studio训练数据

概述

MEMS-Studio是一套完整的桌面软件解决方案，专为开发嵌入式AI功能、评估嵌入式库、分析数据，以及为整个MEMS传感器产品组合设计无代码算法而设计。这款独特的软件解决方案提供了多功能的开发环境，支持评估和编程所有MEMS传感器，此外还推出了新一代解决方案，以扩展Unico-GUI、Unicleo-GUI和AlgoBuilder等成熟应用程序的功能。

最近在弄ST的课程，需要样片的可以加qun申请：6_15061293 。
在这里插入图片描述
MEMS-Studio可简化在STM32微控制器上使用图形界面实现概念验证的过程，无需编写代码。此解决方案支持配置传感器和嵌入式AI（机器学习和神经网络），可充分利用机器学习内核 (MLC)、ISPU的神经网络以及有限状态机 (FSM)。它会重复使用嵌入式软件库，将多种功能组合到一个项目中，并使用绘图和显示功能实时可视化数据。
MEMS-Studio提供以下用户体验：
● 针对MEMS产品组合中运动、环境和红外传感器进行评估
● 配置和测试传感器内的各项功能，如有限状态机 (FSM)、机器学习内核 (MLC) 和智能传感器处理单元 (ISPU)
● 实时和离线数据分析
● 无代码图形化算法设计
在这里插入图片描述

视频教学

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

LSM6DSV16X基于MLC智能笔动作识别(3)----MEMS Studio训练数据

样品申请

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

源码下载

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

硬件准备

首先需要准备一个开发板，这里我准备的是自己绘制的开发板，需要的可以进行申请。
主控为STM32H503CB，陀螺仪为LSM6DSV16X，磁力计为LIS2MDL。
在这里插入图片描述

选择MEMS

使用 MEMS Studio 的 MLC（Machine Learning Core）进行训练， “Sensor” 字段选择要配置的传感器 。
在这里插入图片描述

导入数据

点击“Browse”选择采集到的数据，给该类数据命名后下载。

在这里插入图片描述

将所有采集到的数据都导入进去，下载成功如图所示。

在这里插入图片描述

配置窗口长度和量程

MLC ODR（输出数据速率）：已设置为 240Hz，这是 MLC 处理数据的速率。
时间窗口长度（Window length）：设置的窗口长度为 60，表示 MLC 每 60个样本计算一次统计特征。
加速度计（Accelerometer）：
● 量程（Full Scale）：设置为 ±2g，表示能够测量的最大加速度为 ±2g。
● ODR（数据速率）：设置为 480Hz，表示加速度计的采样频率为 480Hz。
陀螺仪（Gyroscope）：
● 量程（Full Scale）：设置为 ±125 dps，表示最大旋转速度为 ±125 度/秒。
● ODR（数据速率）：设置为 480Hz，表示陀螺仪的采样频率为 480Hz。

在这里插入图片描述

配置滤波器

● filter_1：应用于 HP_Acc_XYZ，表示这是一个 高通滤波器（HP，High-Pass Filter），用于对加速度计的 X、Y、Z 轴的三维数据进行滤波。
● HP_Acc_XYZ：此滤波器将过滤掉加速度数据中低频成分，保留高频部分。这可能是为了消除像重力这样的低频信号干扰，保留运动的快速变化部分。
● filter_2：应用于 HP_Gyr_XYZ，这是一个 高通滤波器，用于对陀螺仪的 X、Y、Z 轴数据进行滤波。
● HP_Gyr_XYZ：此滤波器将过滤掉陀螺仪数据中的低频部分，保留高频的旋转变化信息，适合检测快速旋转或角速度的变化。
● filter_3：应用于 HP_Acc_V2，也是一个 高通滤波器，用于处理加速度矢量平方值（即组合了 X、Y 和 Z 轴的加速度数据）。
● HP_Acc_V2：此滤波器将对加速度矢量平方值的低频信号进行过滤，保留高频部分，帮助识别运动的剧烈变化。
● filter_4：应用于 HP_Gyr_V2，是一个 高通滤波器，用于处理陀螺仪矢量平方值（即组合了 X、Y 和 Z 轴的角速度数据）。
● HP_Gyr_V2：此滤波器将对陀螺仪矢量平方值的低频部分进行过滤，保留高频部分，帮助识别旋转运动中的快速变化。

在这里插入图片描述

选择特征数据

MLC（Machine Learning Core） 的 特征选择（Features Selection） 区域可以为传感器数据选择要计算的统计特征，并将其作为机器学习的输入。
MEAN：均值，表示在给定的时间窗口内计算的传感器数据的平均值。
VARIANCE：方差，表示数据的分散程度，反映数据在给定时间窗口内的变化。
ENERGY（能量）： 计算信号在给定时间窗口内的总能量。它反映了信号强度，通常用于识别较强或较弱的活动。
PEAK_TO_PEAK（峰峰值）：峰峰值特征计算的是信号在给定时间窗口内的最大值和最小值之间的差异。这个特征可以帮助检测信号的最大振幅，是评估运动强度和突发变化的有力指标。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

设备树生成

生成的设备树文件为 arff 文件。

在这里插入图片描述

决策树生成

点击 “Generate Decision Tree” 按钮以生成决策树。这个按钮基于之前通过 ARFF 文件加载的数据和特征生成了一个分类模型（决策树），用于识别不同的动作或状态。

在这里插入图片描述

Kappa 统计量 是一种用于衡量分类器在考虑偶然因素时的准确性度量。这里显示为 0.307479，虽然分类准确度高，但 Kappa 值可能表明结果受到数据分布或样本量的影响。
● 0.81 - 1.00：几乎完美的分类一致性。
● 0.61 - 0.80：很好的分类一致性。
● 0.41 - 0.60：中等分类一致性。
● 0.21 - 0.40：较低的分类一致性。
● 0.00 - 0.20：几乎没有一致性（接近随机猜测）。

在这里插入图片描述

查看分析信息。

在这里插入图片描述
在这里插入图片描述

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

根节点判断条件：
● F1_MEAN_on_ACC_X <= 0.0360312：
○ 如果 X 轴加速度的均值小于或等于 0.0360312：
■ 如果 F1_MEAN_on_ACC_X <= -0.88916，则分类为 other（65 个样本）。
■ 如果 F1_MEAN_on_ACC_X > -0.88916，则分类为 Steady（52 个样本）。
○ 如果 X 轴加速度的均值大于 0.0360312：
■ 如果 F7_ENERGY_on_GY_X <= 0.241577，则分类为 Idle（62 个样本）。
■ 如果 F7_ENERGY_on_GY_X > 0.241577，则分类为 Writing（68 个样本）。

● 混淆矩阵 显示模型在每一类的分类结果：
○ Idle：62 个样本被正确分类。
○ Writing：68 个样本被正确分类。
○ other：65 个样本被正确分类。
○ Steady：52 个样本被正确分类。

● Kappa Statistic：0.252373。尽管分类准确度为 100%，但 Kappa 值较低，表明不同类别之间可能存在某些重叠或类别分布不均衡。
该决策树模型在当前的小型数据集上表现良好，分类准确度为 100%，没有任何错误分类的实例。然而，Kappa 统计量（0.252373） 表明类别之间可能存在数据不平衡，导致模型虽然能够准确分类，但泛化能力可能较差。

参考程序

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

转换UCF文件

类输出值可以根据自己的需求修改，然后点击“Generate Config File”生成ucf文件。

在这里插入图片描述

将得到的UCF文件存放到LSM6DSV16X的程序中。

在这里插入图片描述

在初始化中添加MLC检测功能。

	
  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);
  }

在主函数中获取状态值，查询类的输出值，编译程序。

  /* 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) 挥(2) 拍(3) 静(4) 止(5)
      switch(event_catched) 
			{
					case 2:
						event_catched = 0;

						printf("闲置(Idle)\r\n");
						break;
					case 4:
						event_catched = 0;

						printf("书写(Writing)\r\n");
						break;
					case 8:
						event_catched = 0;

						printf("其他(other)\r\n");
						break;
					case 12:
						event_catched = 0;

						printf("静止(Steady)\r\n");
						break;					
					default:break;
      }
      event_catched = 0;
    }
    /* USER CODE END WHILE */

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

演示
静止状态如下。

在这里插入图片描述

闲置状态如下，手抓笔静止。

在这里插入图片描述

书写状态如下，移动笔进行识别判定。

在这里插入图片描述

其他如下，笔倒置。

在这里插入图片描述

记帖
关注
专栏目录
LSM6DSV16X基于MLC智能笔动作识别(3)-MEMS Studio训练数据
10-04
LSM6DSV16X基于MLC智能笔动作识别(3)----MEMS Studio训练数据 CSDN文字教程：https://blog.csdn.net/qq_24312945/article/details/142705360 B站教学视频：https://www.bilibili.com/video/BV1Kb4FeME9R/ MEMS-...
LSM6DSV16X基于MLC智能笔动作识别(4)-中断获取智能笔状态
最新发布
10-04
LSM6DSV16X基于MLC智能笔动作识别(4)----中断获取智能笔状态 CSDN文字教程：https://blog.csdn.net/qq_24312945/article/details/142705468 B站教学视频：https://www.bilibili.com/video/BV1Kb4FeME9R/ LSM6DSV16X ...
LSM6DSV16X基于MLC智能笔动作识别(2)----MLC数据采集
xh1479的博客
10-03 1087
MLC 是“机器学习核心”（Machine Learning Core）的缩写。在 LSM6DSV16X 传感器 中，MLC 是一种嵌入式功能，它使传感器能够直接运行基于决策树的机器学习算法。通过这种功能，传感器可以独立完成诸如活动识别、运动强度检测和误报过滤等任务，而无需将数据处理转交给外部的微控制器。MLC 通过处理来自加速度计、陀螺仪或外部传感器的数据，计算统计参数、应用滤波器，并将分类结果输出到专用寄存器中(AN5804)。
LSM6DSV16X基于MLC智能笔动作识别(1)----轮询获取陀螺仪数据
xh1479的博客
10-03 758
本文将介绍如何使用 LSM6DSV16X 传感器来读取数据。主要步骤包括初始化传感器接口、验证设备ID、配置传感器的数据输出率和滤波器，以及通过轮询方式持续读取加速度、角速率和温度数据。读取到的数据会被转换为适当的单位并通过串行通信输出。这个代码是一个很好的起点，用于了解如何操作 LSM6DSV16X 传感器并获取其数据。
LSM6DSV16X基于MLC智能笔动作识别(4)----中断获取智能笔状态
xh1479的博客
10-04 728
LSM6DSV16X 支持通过中断（INT）输出 MLC（机器学习核）识别的动作。具体来说，MLC 可以配置为在满足某些条件或机器学习分类结果发生变化时生成中断信号。LSM6DSV16X 的机器学习核可以配置为在分类结果发生变化时生成中断，并且该中断信号可以路由到中断引脚（如 INT1 或 INT2）。系统可以在检测到动作时做出响应，而不需要持续轮询传感器，从而优化功耗和效率。
陀螺仪LSM6DSV16X与AI集成(7)----FIFO数据读取与配置
xh1479的博客
06-23 1万+
LSM6DSV16X是一款高性能、低功耗的6轴IMU传感器，集成了3轴加速度计和3轴陀螺仪。本文将详细介绍如何配置和读取LSM6DSV16X传感器的FIFO数据，包括初始化、配置以及数据处理的完整流程， 以实现数据的批量处理和传输，减少系统功耗，提高应用的响应速度和数据处理效率。
陀螺仪LSM6DSV16X与AI集成(3)----读取融合算法输出的四元数
xh1479的博客
12-09 1万+
LSM6DSV16X 特性涉及到的是一种低功耗的传感器融合算法（Sensor Fusion Low Power, SFLP）.低功耗传感器融合（SFLP）算法：该算法旨在以节能的方式结合加速度计和陀螺仪的数据。传感器融合算法通过结合不同传感器的优势，提供更准确、可靠的数据。6轴游戏旋转向量：SFLP算法能够生成游戏旋转向量。这种向量是一种表示设备在空间中方向的数据，特别适用于游戏和增强现实应用，这些应用中理解设备的方向和运动非常关键。四元数表示法：旋转向量以四元数的形式表示。
陀螺仪LSM6DSV16X与AI集成(8)----MotionFX库解析空间坐标
xh1479的博客
06-23 1万+
本文将探讨如何使用MotionFX库解析空间坐标。MotionFX库是一种用于传感器融合的强大工具，可以将加速度计、陀螺仪和磁力计的数据融合在一起，实现精确的姿态和位置估计。本文将介绍如何初始化和配置MotionFX库，使用FIFO读取传感器数据，FIFO可以作为数据缓冲区，存储传感器的临时数据。这样可以防止数据丢失，特别是在处理器忙于其他任务时，并利用这些数据进行空间坐标的解析。本章案例使用上节的demo进行修改。
陀螺仪LSM6DSV16X与AI集成(1)----轮询获取陀螺仪数据
xh1479的博客
12-03 1万+
本文将介绍如何使用 LSM6DSV16X 传感器来读取数据。主要步骤包括初始化传感器接口、验证设备ID、配置传感器的数据输出率和滤波器，以及通过轮询方式持续读取加速度、角速率和温度数据。读取到的数据会被转换为适当的单位并通过串行通信输出。这个代码是一个很好的起点，用于了解如何操作 LSM6DSV16X 传感器并获取其数据。
陀螺仪LSM6DSV16X与AI集成(5)----6D方向检测功能
xh1479的博客
01-09 2万+
陀螺仪通常可以读取三个方向上的旋转，即绕X轴、Y轴和Z轴的旋转。每个方向上的旋转包括正向旋转和反向旋转，因此一共有六个位置。这六个位置分别是：1.X轴正向旋转、2.X轴反向旋转、3.Y轴正向旋转、4.Y轴反向旋转、5.Z轴正向旋转、6.Z轴反向旋转通过检测陀螺仪在每个方向上的旋转，可以确定物体的旋转姿态和方向，从而用于导航、飞行控制等应用。
陀螺仪LSM6DSV16X与AI集成(6)----检测自由落体
xh1479的博客
01-14 2万+
本文介绍如何初始化传感器并配置其参数，以便在检测到自由落体事件时发送通知。
LSM6DSV16X基于MLC智能笔动作识别(2)-MLC数据采集
10-03
LSM6DSV16X基于MLC智能笔动作识别(2)----MLC数据采集 CSDN文字教程：https://blog.csdn.net/qq_24312945/article/details/142692810 B站教学视频：https://www.bilibili.com/video/BV14V45eyEh9/ MLC 是“机器学习...
LSM6DSV16X基于MLC智能笔动作识别(1)-轮询获取陀螺仪数据
10-03
LSM6DSV16X基于MLC智能笔动作识别(1)----轮询获取陀螺仪数据 CSDN文字教程：https://blog.csdn.net/qq_24312945/article/details/142692648 B站教学视频：https://www.bilibili.com/video/BV1Ba45eaEKM/ 本文将介绍...
陀螺仪LSM6DSV16X与AI集成(7)-FIFO数据读取与配置
06-23
陀螺仪LSM6DSV16X与AI集成(7)----FIFO数据读取与配置 CSDN文字教程：https://blog.csdn.net/qq_24312945/article/details/139890938 B站教学视频：https://www.bilibili.com/video/BV12s421T73k/ LSM6DSV16X是一款高...
CAN协议解析
热门推荐
xh1479的博客
10-13 5万+
CAN能够使用多种物理介质作为通信媒介，最常用的是双绞线，还可以使用光纤等材料。CAN总线信号通过两条差分电压信号线CAN_ H和CAN_ L传输，当CAN_ H和CANL信号线上的电压值处于2. 5V左右时表明此时总线处于我们所谓的逻辑电平“1”的状态，也可以称做隐性状态;当CAN_ H比CAN_ L上电压值高时表示逻辑“0”，通常该状态下两条信号线上的电压值为CAN_ H=3. 5V和CAN_ L=1. 5V，此时是显性状态。下图是双绞线CAN总线电平标称值，图中显示了逻辑高电平和逻辑低电平所对应的大
STM32CUBEIDE（14）----外部中断EXTI
xh1479的博客
10-01 5万+
外部中断和事件控制器 (EXTI) 管理外部和内部异步事件 / 中断，并生成相应的事件请求到CPU/ 中断控制器和到电源管理的唤醒请求。本例程主要讲解如何使用外部中断触发LED。
GD32F303固件库开发（15）----外部中断EXTI
xh1479的博客
10-07 5万+
本章配置GD32F303使用EXTI进行驱动LED。
GD32F303固件库开发（16）----移植兆易创新SPI Nor Flash之GD25Q64Flash
xh1479的博客
10-09 5万+
移植兆易创新SPI Nor Flash之GD25Q64Flash
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

记帖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值