利用智能手机识别人类活动
使用智能手机识别人类活动。
尽管保持积极的生活方式能够明显地改善我们的整体健康状况，但准确地理解和跟踪我们的日常活动可能并非易事。 人工智能 (AI) 为人类活动识别的精度带来了质的飞跃，而边缘AI更是将相关算法广泛应用于各个领域。 此类应用支持本地运行且不会泄露任何个人信息，而我们可将其内嵌到智能手表、智能手环、智能鞋以及人手一台的移动设备 — 智能手机当中。 嵌入经过优化的AI模型后，智能手机就会变成一套个性化的活动识别系统，并能够对您的动作进行解读和分类。 无论您是从事步行、跑步、骑自行车还是瑜伽和举重等更加复杂的活动，智能手机都可以监测您的活动进度并帮助您针对自己的健身计划做出更为明智的决策。
方法
此用例的数据来源为 Kaggle上的“ 利用智能手机识别人类活动”数据集；该数据集是通过记录30名腰间携带智能手机的参与者来创建的。
我们的目标是设法确定一个人是在走路、上楼梯、下楼梯、坐着还是站着。
我们需要利用智能手机内的加速度计和陀螺仪以50 Hz的频率来捕获线性加速度和角速度数据。
然后我们需要将训练和测试文件分成多个文件；上述五项活动中的每项对应一个文件。 接下来，需要从每个文件中删除“活动”（标签）列。
最后，我们使用 NanoEdge AI Studio根据这些输入信息训练了一个N分类模型。
我们的目标是设法确定一个人是在走路、上楼梯、下楼梯、坐着还是站着。
我们需要利用智能手机内的加速度计和陀螺仪以50 Hz的频率来捕获线性加速度和角速度数据。
然后我们需要将训练和测试文件分成多个文件；上述五项活动中的每项对应一个文件。 接下来，需要从每个文件中删除“活动”（标签）列。
最后，我们使用 NanoEdge AI Studio根据这些输入信息训练了一个N分类模型。
传感器
加速计和陀螺仪
数据
活动的 5个类别走路、上楼梯、下楼梯、坐着和站着。
信号长度562（多传感器）
数据速率：50 Hz
信号长度562（多传感器）
数据速率：50 Hz
结果
N分类：
96.35%的准确率、6.7 KB的RAM、15.2 KB的Flash存储器
绿点表示分类正确的信号。 红点表示分类不正确的信号。 类别位于横坐标，预测置信度显示在纵坐标上
96.35%的准确率、6.7 KB的RAM、15.2 KB的Flash存储器
资源 ![NanoEdge AI Studio]()
![NanoEdge AI Studio]()
![任何STM32 MCU]()
![任何STM32 MCU]()
模型创建工具： NanoEdge AI Studio
一款免费的AutoML软件，用于向嵌入式项目添加AI，并逐步引导用户轻松找到符合其需求的最佳AI模型。
兼容： 任何STM32 MCU
STM32系列32位微控制器基于Arm Cortex®-M处理器，旨在为MCU用户提供新的开发自由度。它包括一系列产品，集高性能、实时功能、数字信号处理、低功耗/低电压操作、连接性等特性于一身，同时还保持了集成度高和易于开发的特点。