意法半導體在GitHub上發布了其機器學習核心庫（https://github.com/STMicroelectronics/STMems_Machine_Learning_Core），并附帶示例和配置文件，極大地改善了開發體驗。眾所周知，人工智能設計非常困難，因為它依賴于數據科學。此外，創建正確的算法（例如決策樹）并進行設置也可能很棘手。所有這些問題又限制了工程師進入門檻。因此，ST在GitHub上發布了一系列軟件來解決此問題。該軟件包包括數據日志的子集，以及LSM6DSOX，LSM6DSRX，ISM330DHCX，IIS2ICLX慣性傳感器的應用程序和配置示例。它已經為主要的ST客戶提供了服務，來開發其商業解決方案。因此，我們認為社區的其他成員也可以從中受益。

使機器學習更易訪問

支持的傳感器是獨特的，因為它們都具有可以并行運行一個或多個決策樹的機器學習核心。 ST是第一個提供這種組件的公司，因為機器學習核心可以以微控制器的低功耗低資源占用率提供決策能力。結果，意法半導體（ST）從2019年開始使用LSM6DSRX和ISM330DHCX等新器件擴展其產品線。ST還通過發布Unico-GUI之類的工具來減少進入的障礙。該程序提供了一個圖形界面，有助于進行數據收集和機器學習核心的配置。因此，GitHub庫是旨在使機器學習更易于訪問的另一項舉措。任何人都可以簡單地按照軟件包中概述的步驟進行操作，并在幾分鐘內測試應用程序。

機器學習核心庫

健身活動

機器學習核心庫的一個示例是在LSM6DSOX上運行的健身識別。該程序使腕帶能夠自動檢測到二頭肌彎曲，側舉，下蹲或靜止位置。用戶需要告知系統可穿戴設備是在左手還是右手。該應用程序依賴于使用LSM6DSOX慣性模塊的腕帶收集的數據。ST用可穿戴設備先從右手再到左手收集數據，現在在存儲庫中提供“左手”數據的子集。此外，開發人員將找到示例來幫助他們設計類似的算法，并研究應用于加速度計信號的濾波器。

瑜伽姿勢

這個應用程序很有趣，因為它運行在SensorTile.Box上，并且可以識別12個瑜伽位置以及兩個非瑜伽站立位置（靜止和運動中）。可以將設備連接到用戶的左腿上，并使用其強大的傳感器來運行具有20個節點的決策樹。當用戶改變姿勢時，系統可以在不到一秒鐘的時間內檢測到它。該系統可以區分木板，孩子的姿勢，狗或冥想姿勢等。該數據庫還提供了來自UNICO-GUI的數據日志，該日志有助于創建決策樹分類器。該系統通過在X，Y和Z軸上跟蹤加速度計的平均值來確定姿勢。

機器學習核心庫和運動檢測

車輛靜止檢測

靜態檢測算法通過更精確的LSM6DSRX來確定汽車是否在行駛。該應用程序使用來自加速度計和陀螺儀的數據，并且無論方向如何均可工作。GitHub庫中還提供了收集的數據日志的一部分，以制作此程序。此外，ST提供了配置示例，以幫助開發人員研究類似算法。該示例可幫助初學者了解一些濾波器如何對輸入信號產生影響。該配置還顯示了我們如何實現具有30個節點的決策樹。意法半導體在其嬰兒哭鬧探測器中使用了類似的算法。的確，行駛中的汽車意味著有駕駛員在場，這意味著即使嬰兒在哭，也不需要發出警報，因為汽車中有成人。

頭部識別

頭部動作識別應用程序還使用LSM6DSRX。耳機中的傳感器可以確定用戶是在點頭，靜止，行走，搖頭還是搖頭。ST使用此特定的慣性傳感器為該算法收集了數據，并且有一部分數據日志可用。該應用程序使用X上來自加速度計和陀螺儀的數據，Y和Z軸。 但是，并非所有數據源都接收相同的過濾器。 例如，系統僅在Y軸上監視加速度計的最大閾值，而在同一感測元件的X軸上尋找最小閾值。 因此，這是信號處理在機器學習應用程序中的重要性的一個很好的例子。此外，決策樹本身非常簡單，只有七個節點就可以檢測五個類別。
編輯：lyn