人の行動認識（HAR）は、センサ･データに基づいて人の特定の行動または動作を識別する時系列分類タスクです。 行動は、歩行、起立、着座などの屋内で行う活動のほか、自転車の運転やサイクリングなどの屋外活動も可能です。 このデモは、Bluetooth Low Energyを介して接続するスマートフォン･アプリが付属する小型ボード「Sensor Tile」上で動作します。
アプローチ
- 3軸加速度計データを活用
- 5つのクラス：静止、歩行、ランニング、自転車、運転
- 前/後処理：重力フィルタリング、基準回転、時間フィルタリング
メイン･モデルはST独自の畳込みニューラル･ネットワーク･モデルですが、ファンクション･パックFP-AI-SENSING1およびFP-AI-MONITOR1では別のCNNモデルやSVCモデルなどのモデルもいくつか提案されています。
- 5つのクラス：静止、歩行、ランニング、自転車、運転
- 前/後処理：重力フィルタリング、基準回転、時間フィルタリング
メイン･モデルはST独自の畳込みニューラル･ネットワーク･モデルですが、ファンクション･パックFP-AI-SENSING1およびFP-AI-MONITOR1では別のCNNモデルやSVCモデルなどのモデルもいくつか提案されています。
センサ
画像：3軸加速度センサ（リファレンス･デバイス： LSM6DSM）
データ
データフォーマット
3D-accelerometer acquired @ 26Hz
5アクティビティ／1アクティビティ185分
センサーは様々な場所（バックパック、手首、手など）に保持。
3D-accelerometer acquired @ 26Hz
5アクティビティ／1アクティビティ185分
センサーは様々な場所（バックパック、手首、手など）に保持。
結果
モデルST独自の畳込みニューラル･ネットワーク
入力サイズ24 x 3
メモリフットプリント：
ウエイト用 12 KB フラッシュ
アクティベーション用 1 .8 KB RAM
STM32L476 (Low Power) @ 80 MHzでの性能
使用例：1 classification/sec
前処理/後処理： 0.02 MHz
NN 処理： 0.35 MHz
消費電力 (1.8 V)
- システム：~ システム：～ 580 uA （最適化 BLE を使用）
- STM32：～510 uA
入力サイズ24 x 3
メモリフットプリント：
ウエイト用 12 KB フラッシュ
アクティベーション用 1 .8 KB RAM
STM32L476 (Low Power) @ 80 MHzでの性能
使用例：1 classification/sec
前処理/後処理： 0.02 MHz
NN 処理： 0.35 MHz
消費電力 (1.8 V)
- システム：~ システム：～ 580 uA （最適化 BLE を使用）
- STM32：～510 uA
リソース ![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32L4シリーズ]()
![STM32L4シリーズ]()
コード最適化ツール STM32Cube.AI
無償のSTM32Cube拡張パッケージX-CUBE-AIにより、ニューラル･ネットワークや機械学習モデルといった学習済みAIアルゴリズムを、STM32に最適化されたCコードへ自動変換できます。
対応製品 STM32L4シリーズ
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。