描述

肩袖損傷在表現運動員和反復做頭頂動作的工人中很常見（還有偶爾彈吉他的作家/發明家）

無論如何，tinyML 設備可以幫助我恢復嗎？

咨詢：這只是一個實驗項目。您應該始終向您的醫生咨詢專業治療。

肩袖撕裂 - 版權所有 Mayo Clinic

肩袖是一組圍繞肩關節的肌肉和肌腱，將上臂骨頭牢牢地固定在肩部的淺窩內。肩袖損傷會導致肩部隱隱作痛，當手臂遠離身體時，這種疼痛通常會惡化。為避免疼痛，通常減少肩部運動。肩袖的物理治療需要4個多月，因此價格昂貴，有些人永遠無法恢復完整的肩部運動。

那么用于識別和跟蹤所需肩部運動的小型 AI 設備呢？

如何跟蹤運動

可以使用多種方法，但有一種專門為這項工作設計的設備：加速度計。加速度計測量加速度。“由振動或運動變化引起的力會導致質量擠壓壓電材料，從而產生與施加在其上的力成正比的電荷”

每個項目都從抽簽開始...

?

但是，如果我們不以完全相同的方式進行運動怎么辦？他們仍然需要被追蹤。我們如何識別這些運動？通過機器學習，我們可以教設備進行稍微不同的重復，然后根據百分比進行推斷。

這樣的發展有多難？使用正確的工具，不會那么復雜。事實證明，有一個 Arduino BLE 33 Sense 內置加速度計，并與最好的機器學習框架兼容。

部分

• Arduino BLE 33 感知
• OLED屏幕
• 轉變
• 跨接電纜
• 3.7v電池
• TP4056充電器
• 定制 3d 打印案例
• 帶子

電路

肩袖損傷回路

?

Oled 屏幕 VCC 到 Arduino 3.3v，GND 到 Arduino GND，SDA 到 A4，SCL 到 A5。將電池連接到 TP4056 電池引腳，將 TP4056 輸出連接到 Arduino VIN 和 GND。您還可以在 TP4056 + 和 Arduino VIN 之間進行切換。

軟件和服務

Arduino IDE

Edge Impulse 免費帳戶

3D打印案例

使用 Fusion 360，該項目的外殼易于設計。外殼只有 2 個部分。它是用PLA印刷的。只需要身體的支撐。您還需要 4 x 3 毫米螺絲和更小的螺絲來固定 Oled 屏幕。

Fusion 360 對外殼進行建模

?

注意：如果您想學習如何制作自己的 3D 打印外殼，請查看這本書。

訓練模型

除非您想用新動作訓練設備或只是想了解如何訓練機器學習模型，否則您可以跳過這一部分，但有趣的是知道現在使用 AI 有多么容易。

轉到Edge Impulse，創建一個免費帳戶，登錄儀表板，使用 microUSB 電纜連接 Arduino BLE 33 Sense，然后轉到數據采集，記錄新數據，使用 WebUSB 連接。將出現一個彈出窗口以選擇正確的 USB 端口，然后……您已準備就緒。

將 BLE 綁在你的手臂上，將時間范圍設置為 180 秒，63.5hz，分配標簽 Right 并開始一遍又一遍地對相同的肩部運動進行采樣，并進行微小的變化，一點點到一側，另一側，不同的速度等。然后，對左邊和天花板做同樣的事情。這個模型訓練有 4 個動作（右、左、上和空閑），但當然你可以使用更多。

創造沖動

?

現在去沖動設計，創造沖動。在時間序列數據中，您可以設置窗口大小——用于分類的數據大小（以毫秒為單位）——以及大于窗口的樣本的大小增加。讓我們使用 2000 和 80。那么對于數據的頻率 63.5hz

光譜特征

?

在光譜分析中，我們將選擇 3 個軸：x、y、z。對于分類，我們將使用 Keras。我們將點擊保存沖動。

我們將單擊左側欄中的光譜特征。在那里我們可以縮放軸、應用過濾器并查看設備性能。

然后我們去神經網絡分類器。將訓練周期設置為 35 左右，學習率設置為 0.0005，20% 的樣本用于驗證。

99.2%：準確率

?

最后一步是將模型部署到 Arduino 庫。將提供一個 zip 文件。該 zip 文件應作為 Arduino IDE 的 Zip 庫添加。

如果我們轉到示例，即 Edge Impulse 中的項目名稱，我們將獲得一個可以使用的推理代碼。選擇 Nano BLE 33 加速度計連續。該代碼將讀取 Arduino 加速度計數據并使用串行監視器打印推斷。

Arduino 添加 zip 庫

?

所以在這一點上，我們離制造設備還不是很遠。我們將添加到基本推理代碼 Oled 屏幕庫中，以便我們可以在屏幕上打印而不是使用串行監視器，我們將為每個動作、每日限制和防反彈機制添加計數器（以避免計數器增加兩次相同的動作）

膽量

?

注意：如果您要下載代碼，請考慮使用左肩訓練模型。如果您需要使用右肩，則應在對側進行數據采集。

完整的代碼可以在附件部分找到。

設置

您可能希望在上傳之前更改 .ino 文件中的這些硬編碼設置：每個循環要達到的重復次數。

int rightLimit=10;
int leftLimit=10;
int upLimit=5;

您還可以更改分類器參數，例如最小置信度，預定義為 65%

ei_classifier_smooth_init(&smooth, 10 /* no. of readings */, 7 /* min. readings the same */, 0.65 /* min. confidence */, 0.3 /* max anomaly */);

演示

帶有西班牙語旁白的小演示。您可以啟用英文字幕。

最后的筆記

即使我完成了整個項目——電路、編碼、數據采集、培訓和外殼——制作你自己的設備來從傷病中恢復仍然聽起來像是科幻小說，對吧？

如果您想制作 Rotary Cuff Recovery 的第 2 版，為每天的動作添加 eeprom 永久存儲會很有用。并且可以使用該信息生成圖表。還有一個小型旋轉編碼器，用于配置每個動作的預測置信度或限制等設置。

如果您想查看 TinyML 和 Arduino 的另一個示例，請查看這個帶有音頻數據的閱讀時間項目。

其他作品

看看這些其他項目：文學分配器，黑客菲比，Hunter S. Thompson ASCII 藝術裝置，倉鼠股票市場交易