为机器学习而设的MEMS传感器生态系统
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（内嵌机器学习内核的(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可减少系统数据传输量，降低网络处理负担。
附加价值：
- 降低功耗
- 提高精度（环境检测能力）
- 边缘到边缘的AI
内嵌机器学习内核的传感器
所有内嵌机器学习内核的意法半导体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，可为开发人员提供更多灵活性，以便实现深度边缘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至+85 °C | 0.55 mA（组合模式） |
| LSM6DSO32X | 消费电子 | iNEMO惯性模块 (IMU) | 256个节点 | ±2000 dps；±32 g | -40 °C至+85 °C | 0.55 mA（组合模式） |
| LSM6DSRX | 消费电子 | iNEMO惯性模块 (IMU) | 512个节点 | ±4000 dps，±16 g | -40 °C至+85 °C | 1.2 mA（组合模式） |
| ISM330DHCX | 工业 | iNEMO惯性模块 (IMU) | 512个节点 | ±4000 dps，±16 g | -40 °C至+105 °C | 1.2 mA（组合模式） |
| IIS2ICLX | 工业 | 加速度计 | 512个节点 | ±3 g | -40 °C至+105 °C | 0.42 mA |
| ASM330LHHX | 消费电子 | 汽车电子 | 512个节点 | ±4000 dps，±16 g | -40 °C至+105 °C | 0.8 mA（组合模式） |
意法半导体传感器中的机器学习内核
意法半导体内嵌机器学习内核的最新一代传感器由三个模块组成。
内置传感器（加速度计和陀螺仪）会过滤实时运动数据，再将其发送至计算模块，并在其中将定义为“特征”的统计参数应用于收集的数据。然后，将计算模块中聚合的特征用作第三个模块的输入。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。
开始使用：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，第一步都是为要建模的运动相关应用收集代表性数据集。传感器数据可以使用多种应用程序（如Unico-GUI、ST BLE Sensor应用）或只使用AlgoBuilderSuite，并搭配不同的硬件设备进行收集和标记，所用硬件设备可以是ProfiMEMS开发板 (STEVAL-MKI109V3)、SensorTile.Box、Nucleo板或STWIN等，具体取决于所选的传感器。
物理参数包括加速度、温度、声音、压力和磁场等，取决于具体应用。
对数据和配置特征进行标记和过滤
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，可以配置计算模块（即过滤器和特征）。特征为根据指定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，时间窗口可由用户根据具体应用设置。
构建决策树
使用机器学习工具（如Unico-GUI、Weka、Rapidminer、Matlab、Python）执行数据挖掘任务，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。
使用经过训练的决策树处理新数据
最后，当器件编程完成后，可以在应用中使用指定的经过训练的决策树处理机器学习内核结果。
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，用于评估意法半导体的任何MEMS传感器
- 直观的图形用户界面软件包，用于实时访问传感器配置寄存器并进行传感器数据分析。
STEVAL-MKI109V3
典型的MEMS传感器适配器
专业MEMS母板
产品评估适配器板
软件
开发
STM32 Nucleo板与扩展板组合使用，可形成一种统一的可扩展方案，为应用开发提供了无限可能。
图形用户界面 (GUI) 软件功能齐全，可对机器学习开发与传感器数据分析进行管理。
此外，我们还提供一套功能包，在单个软件包中囊括了底层驱动、中间件库和示例应用。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
软件
功能包
构建原型
为快速构建原型，可以选择意法半导体的小尺寸板，这种即用型开发套件可简化先进应用的原型设计，几乎不需要甚至完全不需要编写代码。
这些板件可在图形用户界面 (GUI) 支持下实现传感器数据分析，并可与智能手机应用程序绑定。功能包带预集成示例，可以帮助用户构建自定义应用。
小尺寸板
SensorTile.box
最新的STWIN
软件
功能包
资源
下方列出了建议参考的机器学习内核相关技术文档。
机器学习资源
GitHub MLC项目
在意法半导体MLC GitHub资源库中，提供了参考配置示例，其中详细给出了决策树构建过程。其中还提供一些应用示例，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。为便于用户快速探索各个示例，提供了README文件，其中包括详细信息。
视频
- 内嵌机器学习内核的传感器如何将高效的AI应用引入边缘
- 分步教程，第1部分/共5部分：简介
- 分步教程，第2部分/共5部分：数据收集
- 分步教程，第3部分/共5部分：数据标记和特征提取
- 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
- 探索内嵌机器学习内核的传感器中的机器学习功能
网络研讨会
| 活动 | 地点 |
| 在内嵌机器学习内核的传感器中构建决策树 | 在线研讨会录播 |
| 使用内嵌机器学习内核的传感器将深度AI引入边缘 | 在线研讨会录播 |
| 在传感器中实现AI以开发高效的个人电子设备应用 | 在线研讨会录播 |
| 仅使用传感器中的机器学习内核实现用于资产跟踪的AI | 在线研讨会录播 |
| 使用MEMS传感器中的边缘AI实现预测性维护 | 在线研讨会录播 |
| 使用智能传感器实现智能访问监控 | 在线研讨会录播 |
与我们保持联系：
通过以下方式与我们保持联系，确保掌握最新信息：
