人类活动识别 (HAR) 是一种基于传感器数据识别特定人体动作或行为的时间序列分类任务。 动作可以是在室内进行的活动，如行走、站立、就坐等，也可以是在户外进行的活动，如驾驶、骑车等。 演示在一个小型板载SensorTile上运行，通过蓝牙低功耗与智能手机应用程序连接。
方法
- 利用3轴加速度计数据
- 5个类别：静止、行走、跑步、骑车、驾驶
- 预处理/后处理：过滤重力、参考转速、时间过滤器
主模型是意法半导体卷积神经网络模型，但在我们的功能包FP-AI-SENSING1和FP-AI-MONITOR1中还提供了其他几种模型，包括另一个CNN模型和一个SVC模型。
- 5个类别：静止、行走、跑步、骑车、驾驶
- 预处理/后处理：过滤重力、参考转速、时间过滤器
主模型是意法半导体卷积神经网络模型，但在我们的功能包FP-AI-SENSING1和FP-AI-MONITOR1中还提供了其他几种模型，包括另一个CNN模型和一个SVC模型。
传感器
视觉：3D加速计（参考： LSM6DSM）
数据
数据格式
26 Hz时的3D加速度计
5种活动/每种活动185分钟
传感器放置于各处（背包、手腕、手中等）
26 Hz时的3D加速度计
5种活动/每种活动185分钟
传感器放置于各处（背包、手腕、手中等）
结果
模型意法半导体卷积神经网络
输入大小：24x3
存储器占用：
12 KB Flash存储器用于加权
1.8 KB RAM用于激活
80 MHz时STM32L476（低功耗）的性能
应用案例：1次分类/秒
预处理/后处理： 0.02 MHz
NN处理： 0.35 MHz
功耗 (1.8 V)
- 系统：~ 580 μA (带优化BLE)
- STM32： ~ 510 uA
输入大小：24x3
存储器占用：
12 KB Flash存储器用于加权
1.8 KB RAM用于激活
80 MHz时STM32L476（低功耗）的性能
应用案例：1次分类/秒
预处理/后处理： 0.02 MHz
NN处理： 0.35 MHz
功耗 (1.8 V)
- 系统：~ 580 μA (带优化BLE)
- STM32： ~ 510 uA
资源 ![STM32Cube.AI]()
![STM32Cube.AI]()
![STM32L4系列]()
![STM32L4系列]()
优化工具： STM32Cube.AI
X-CUBE-AI是一个免费的STM32Cube扩展包，可帮助开发人员将预训练的AI算法（例如神经网络和机器学习模型）自动转换为经过优化的STM32 C代码。
兼容： STM32L4系列
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。