ウェアラブル機器によるジム･アクティビティ認識
センサによるアクティビティ認識と分類
人工知能（AI）は、人間の行動認識の精度に革命をもたらし、組込みAIが、それらのアルゴリズムをどこにでも組み込めるようにしました。しかも個人情報を開示することなくローカルで実行でき、スマートウォッチやリストバンドなどの機器に組み込めます。
このユースケースは、こうしたアプリケーションを開発していて、消費電力について心配している人に最適です。ジム･アクティビティ認識ユースケースは、ウェアラブル機器のフィットネス事例として役立ち、ST MEMSセンサに搭載された機械学習コア（MLC）により、バイセップ･カール、ラテラル･レイズ、スクワットなどの活動をいずれも超低消費電力で認識します。
アプローチ
このユースケースは、こうしたアプリケーションを開発していて、消費電力について心配している人に最適です。ジム･アクティビティ認識ユースケースは、ウェアラブル機器のフィットネス事例として役立ち、ST MEMSセンサに搭載された機械学習コア（MLC）により、バイセップ･カール、ラテラル･レイズ、スクワットなどの活動をいずれも超低消費電力で認識します。
アプローチ
- Profi-MEMSボード（STEVAL-MKI109V3）とLSM6DSV16X DIL24アダプタ･ボード（STEVAL-MKI227KA）を使用すると、Unico-GUIまたはMEMS Studioを通じてデータ･ログを収集できます。
- SensorTile.box PROワイヤレス･ボックス･キットとAndroidまたはiOS用STBLESensorアプリを使用して、データ･ログを収集することも可能です。
- 加速度センサの入力データには、ローパス･フィルタ（IIR1）を適用しています。
- Unico-GUIを使用して、平均、ピークツーピーク、最小値、最大値の4つの特徴を持つディシジョン･ツリー･モデルを生成し、設定しました。
- MLCは30Hzで動作し、90サンプル（3秒に相当）の期間で特徴を計算します。
センサ
センサ･フュージョンとハイエンド･アプリケーション向けQvarを搭載した6軸慣性測定ユニット（IMU）とAIセンサ（リファレンス：LSM6DSV16X）。
データ
加速度センサは、最大測定範囲±8g、出力データレート30Hz、低電力モード1に設定しました。
このアルゴリズムのセンサの向きは、ENU（East-North-Up）です。
このアルゴリズムをディシジョン･ツリーで実装するために、左手（または右手）のリストバンドに装着したデバイス（LSM6DSV16X）を使用してすべてのデータ･ログを収集しました。
このアルゴリズムのセンサの向きは、ENU（East-North-Up）です。
- Xは腕に平行（左手首の場合は手に近づき、右手首の場合は手から遠ざかる向き）
- Yは腕に垂直（デバイスを見たときにユーザから遠ざかる向き）
- Zは上向き
このアルゴリズムをディシジョン･ツリーで実装するために、左手（または右手）のリストバンドに装着したデバイス（LSM6DSV16X）を使用してすべてのデータ･ログを収集しました。
結果
消費電力（センサ+アルゴリズム）：16.5uA
ディシジョン･ツリーには約30個のノードがあり、さまざまなクラスを検出できるように構成されています。
ディシジョン･ツリー分類器の出力は、レジスタMLC1_SRC（70h）に保存されます。
この構成では、レジスタMLC1_SRC（70h）が新しい値で更新されるたびに、INT1ピンに割込み（パルス、アクティブハイ）が生成されます。
この構成での割込みパルスの持続時間は33.3msです。
ディシジョン･ツリーには約30個のノードがあり、さまざまなクラスを検出できるように構成されています。
ディシジョン･ツリー分類器の出力は、レジスタMLC1_SRC（70h）に保存されます。
- 0 = 活動なし
- 4 = バイセップ･カール
- 8 = ラテラル･レイズ
- 12 = スクワット
この構成では、レジスタMLC1_SRC（70h）が新しい値で更新されるたびに、INT1ピンに割込み（パルス、アクティブハイ）が生成されます。
この構成での割込みパルスの持続時間は33.3msです。
リソース
モデル作成ツール Unico-GUI
センサのセットアップやすべてのレジスタの設定に加え、デジタル出力デバイスに組み込まれた先進機能（機械学習コア、ステート･マシン、歩数計など）の設定も迅速かつ簡単に行うことができる包括的なソフトウェア･パッケージ。
対応製品 LSM6DSV16X
センサが取得したデータを直接処理し、ホスト･デバイスに有意義な処理済みの有意義な情報も提供できるスマート･センサ。スマート･センサは、データのローカル処理によって生データ送信とクラウド処理を不要とすることで、システム･レベルでの消費電力を削減します。
