意法半导体的MEMS和传感器机器学习生态系统将多种硬件与软件工具相结合,帮助设计人员借助传感器边缘人工智能传感器边缘人工智能通过基于决策树分类器的机器学习算法来实现手势与活动识别。
因此,物联网解决方案开发人员可以在快速原型制作环境中部署我们的任意(内嵌机器学习核心的(MLC))传感器,以便快速开发超低功耗物联网(IoT)应用。借助内置的低功耗传感器设计、高级AI事件检测、唤醒逻辑和实时边缘计算功能,传感器中的MLC地减少了系统数据传输量,降低了网络处理负担。
附加价值:
- 功耗得以降低
- 精度有所提高(环境检测能力)
- 边缘到边缘AI

带嵌入式机器学习核心的传感器

所有带嵌入式机器学习核心的意法半导体MEMS和传感器在产品编号的末尾均带有X标记。生态系统中的每个传感器提供不同的机器学习能力,可为开发人员提享受更多灵活性,以便实现其深度边缘AI计算设计。
产品编号 | 应用 | 系列 | 机器学习内核(MLC) | 满量程 | 温度范围 | 功耗 |
LSM6DSOX | 消费电子 | iNEMO惯性模块(IMU) | 256个节点 | ±2000 dps, ±16 g | -40°C + 85°C | 0.55 mA组合 |
LSM6DSO32X | 消费电子 | iNEMO惯性模块(IMU) | 256个节点 | ± 2000 dps; ± 32 g | -40°C + 85°C | 0.55 mA组合 |
LSM6DSRX | 消费电子 | iNEMO惯性模块(IMU) | 512个节点 | ±4000 dps, ±16 g | -40°C + 85°C | 1.2 mA组合 |
ISM330DHCX | 工业 | iNEMO惯性模块(IMU) | 512个节点 | ±4000 dps, ±16 g | -40°C + 105°C | 1.2 mA组合 |
IIS2ICLX | 工业 | 加速度计 | 512个节点 | ±3 g | -40°C + 105°C | 0.42 mA |
意法半导体传感器中的机器学习内核
我们内嵌机器学习核心的最新一代意法半导体传感器由三个模块组成。

内置传感器(加速度计和陀螺仪)过滤实时运动数据,再将运动数据发送至计算块,并在其中将定义为“特征”的统计参数应用于捕获数据。然后,将计算块中聚合的特征用作第三个块的输入。决策树将评估统计参数并将这些参数与特定阈值进行比较,以识别特定情况并生成发送至MCU的分类结果。
开始:通过机器学习监督方法来构建决策树
意法半导体内置机器学习内核的MEMS传感器为开发人员提供广泛的设计可能性,使其能够创建自己的嵌入式机器学习算法,并为应用构建最佳决策树。
使用我们推荐的工具,分五个步骤构建决策树
收集数据
对于任何机器学习分类,第一步都是要为建模的运动相关应用收集代表性数据集。可使用各种应用程序(如Unico-GUI、ST BLE Sensor应用程序)来收集和标记传感器数据,或只使用AlgoBuilderSuite以及不同的硬件设备,具体取决于所选传感器,如ProfiMEMS板(STEVAL-MKI109V3)、SensorTile.Box、Nucleo板或STWIN。
物理参数示例包括加速度、温度、声音、压力、和磁场,具体取决于您的应用。
Watch 观看分步教程:数据采集
标签和过滤器数据与配置特征
在收集数据后,会为与识别的结果有关的每种统计数据模式分配一个标签,如“慢跑”或“失效模式”。然后,可以配置计算块(即过滤器和特征)。特征为定义的时间窗口中的输入数据(或滤波后的数据)计算出的统计参数,用户可根据具体应用设置这些参数。
Watch 观看分步教程:标记与特征提取
构建决策树
使用用于数据挖掘任务(如Unico-GUI、Weka、Rapidminer、Matlab、Python)的机器学习工具,以生成设置并确定训练数据集的限制,从而构建可识别待检测运动数据类型的决策树。
Watch 观看分步教程:设备树生成
使用受过训练的决策树处理新数据
最后,当器件被编程后,可以在应用中使用定义的已训练决策树处理机器学习核心结果。
进一步了解决策树生成

评估
意法半导体的MEMS与传感器评估套件包括3个主要组件:
- 专业母板,基于高性能32位微控制器
- 全套适配器板可用于评估任何意法半导体MEMS传感器
- 直观的图形用户界面软件包,用于直接实时访问传感器配置寄存器并执行传感器数据分析。

STEVAL-MKI109V3

典型MEMS传感器的适配器
专业MEMS母板
产品编号 | 说明 |
STEVAL-MKI109V3 | 专业MEMS工具:基于STM32F401VE并与所有ST MEMS适配器兼容的ST MEMS适配器主板 |
产品评估适配器板
产品编号 | 说明 |
STEVAL-MKI195V1 | 面向标准DIL24插座的LSM6DSRX适配器板 |
STEVAL-MKI197V1 | 面向标准DIL24插座的LSM6DSOX适配器板 |
STEVAL-MKI221V1 | 面向标准DIL24插座的LSM6DSO32X适配器板 |
STEVAL-MKI207V1 | 面向标准DIL24插座的ISM330DHCX适配器板 |
STEVAL-MKI209V1K | MEMS测斜仪套件基于IIS2ICLX |
软件
产品编号 | 说明 |
Unico-GUI | MEMS评估套件软件包可用于Linux、Mac OSX,以及Windows操作系统 |

开发
STM32 Nucleo板与扩展板组合使用,是一种统一的可扩展方案,为应用开发提供了各种可能。
图形用户界面(GUI)软件功能齐全,可管理机器学习开发与传感器数据分析。
此外,我们还提供一套功能包,以便将底层驱动、中间件库和示例应用组合到单个软件包中。功能包有助于快速启动预集成传感器应用实例的实施和开发

STM32 Nucleo扩展板
STM32 Nucleo扩展板
产品编号 | 说明 |
X-NUCLEO-IKS01A3 | STM32 Nucleo运行MEMS和环境传感器扩展板 |
X-NUCLEO-IKS02A1 | STM32 Nucleo运行MEMS和麦克风MEMS扩展板 |
软件
产品编号 | Description |
AlgoBuilder | 算法的图形设计应用程序 |
Unicleo-GUI | STM32Cube的X-CUBE-MEMS1运动MEMS和环境传感器扩展软件GUI |
功能包
产品编号 | 说明 |
FP-AI-SENSING1 | STM32Cube功能包,用于超低功耗物联网节点,具有基于音频和运动传感的人工智能(AI)应用 |
FP-SNS-ALLMEMS1 | STM32 ODE功能包,它用于IoT节点,具有BLE连接、数字麦克风、环境和运动传感器 |
FP-SNS-ALLMEMS2 | 超低功耗IoT节点的STM32Cube功能包,具有BLE连接、数字麦克风、环境和运动传感器 |
X-CUBE-MEMS1 | STM32Cube的传感器和运动算法扩展 |

构建原型
要快速构建原型,您可以选择意法半导体的小尺寸板、即用型开发套件,以简化先进应用的原型设计,只需很少甚至无需编码。
图形用户界面(GUI)支持这些板件,可用于传感器数据分析 并与智能手机应用绑定。带预集成示例的功能包可帮助您构建自定义应用。
小尺寸板
产品编号 | 说明 |
STEVAL-MKSBOX1V1 | SensorTile.box无线多传感器开发套件,可用于快速上手IOT和可穿戴传感器应用 |
STEVAL-STWINKT1B | 用于工业IoT应用的STWIN SensorTile无线工业节点开发套件和参考设计 |

SensorTile.box

最新的STWIN
Software
产品编号 | 说明 |
AlgoBuilder | 算法的图形设计应用程序 |
Unicleo-GUI | STM32Cube的X-CUBE-MEMS1运动MEMS和环境传感器扩展软件GUI |
STBLESensor | 用于安卓和iOS的BLE传感器应用 |
功能包
产品编号 | 说明 |
FP-SNS-STBOX1 | SensorTile.box无线多传感器开发套件专业模式的STM32Cube功能包 |
FP-AI-SENSING1 | STM32Cube功能包,用于超低功耗物联网节点,具有基于音频和运动传感的人工智能(AI)应用 |
FP-SNS-ALLMEMS1 | STM32 ODE功能包,它用于IoT节点,具有BLE连接、数字麦克风、环境和运动传感器 |
FP-SNS-DATALOG1 | 用于STWIN评估套件的STM32Cube高速数据记录功能包 |
资源
以下是机器学习内核的推荐技术文档列表。
机器学习资源
GitHub MLC项目
在我们的意法半导体MLC GitHub库中,您可以找到参考配置示例,其中具有涉及决策树构建过程的全面细节。您也将找到应用示例,如人类活动识别、健身活动识别、头部姿势、用于预测性维护的振动监测等。为快速开始每个示例,README文件提供了详细信息。
视频
- 带机器学习内核传感器如何将AI的功率效率推向极致
- 分步教程,第1部分,共5部分:引言
- 分步教程,第2部分,共5部分:数据采集
- 分步教程,第3部分,共5部分:标记与特征提取
- 分步教程,第4部分,共5部分:设备树生成
- 分步教程,第5部分,共5部分:注册和配置
- 使用MLC探索传感器中的机器学习