Kaustubh Gandhi，Bosch Sensortec軟件產品經理

人工智能（AI）目(mu)前(qian)正(zheng)在(zai)為(wei)社(she)會(hui)的(de)方(fang)方(fang)麵(mian)麵(mian)帶(dai)來(lai)革(ge)新(xin)。比(bi)如(ru)，通(tong)過(guo)結(jie)合(he)數(shu)據(ju)挖(wa)掘(jue)和(he)深(shen)度(du)學(xue)習(xi)的(de)優(you)勢(shi)，如(ru)今(jin)可(ke)以(yi)利(li)用(yong)人(ren)工(gong)智(zhi)能(neng)來(lai)分(fen)析(xi)各(ge)種(zhong)來(lai)源(yuan)的(de)大(da)量(liang)數(shu)據(ju)，識(shi)別(bie)各(ge)種(zhong)模(mo)式(shi)、提供交互式理解和進行智能預測。
 

這(zhe)種(zhong)創(chuang)新(xin)發(fa)展(zhan)的(de)一(yi)個(ge)例(li)子(zi)就(jiu)是(shi)將(jiang)人(ren)工(gong)智(zhi)能(neng)應(ying)用(yong)於(yu)由(you)傳(chuan)感(gan)器(qi)生(sheng)成(cheng)的(de)數(shu)據(ju)
，尤(you)其(qi)是(shi)通(tong)過(guo)智(zhi)能(neng)手(shou)機(ji)和(he)其(qi)他(ta)消(xiao)費(fei)者(zhe)設(she)備(bei)所(suo)收(shou)集(ji)的(de)數(shu)據(ju)。運(yun)動(dong)傳(chuan)感(gan)器(qi)數(shu)據(ju)以(yi)及(ji)其(qi)他(ta)信(xin)息(xi)比(bi)如(ru)GPS地址，可提供大量不同的數據集。因此，問題在於：“如何使用人工智能才能充分發揮這些協同作用？”

運動數據分析   

一個說明性的的真實應用程序將可以通過分析使用數據來確定用戶在每個時間段的活動，無論是在坐姿、走路、跑步或者睡眠情況下。

在這種情況下
，智能產品的好處不言而喻：

1. 提高客戶生命周期價值 
提高用戶參與度可以降低客戶流失率。

2. 更具競爭力的產品定位 
下一代智能產品滿足消費者日益增長的期待。

3. 為終端用戶創造真正的價值
對室內運動的準確檢測和分析可實現靈敏的導航功能、進行健康風險監控
，同時提高設備的效率。  對(dui)多(duo)種(zhong)智(zhi)能(neng)手(shou)機(ji)和(he)可(ke)穿(chuan)戴(dai)平(ping)台(tai)實(shi)際(ji)使(shi)用(yong)情(qing)景(jing)的(de)深(shen)度(du)掌(zhang)握(wo)，將(jiang)大(da)大(da)有(you)助(zhu)於(yu)產(chan)品(pin)設(she)計(ji)師(shi)了(le)解(jie)用(yong)戶(hu)的(de)重(zhong)複(fu)習(xi)慣(guan)和(he)行(xing)為(wei)，例(li)如(ru)確(que)定(ding)正(zheng)確(que)的(de)電(dian)池(chi)尺(chi)寸(cun)或(huo)確(que)定(ding)推(tui)送(song)通(tong)知(zhi)的(de)正(zheng)確(que)時(shi)機(ji)。

智(zhi)能(neng)手(shou)機(ji)製(zhi)造(zao)商(shang)對(dui)於(yu)人(ren)工(gong)智(zhi)能(neng)功(gong)能(neng)的(de)興(xing)趣(qu)正(zheng)濃(nong)
，這(zhe)也(ye)正(zheng)突(tu)出(chu)了(le)識(shi)別(bie)簡(jian)單(dan)日(ri)常(chang)活(huo)動(dong)，如(ru)步(bu)數(shu)的(de)重(zhong)要(yao)性(xing)
，這(zhe)必(bi)將(jiang)發(fa)展(zhan)為(wei)更(geng)為(wei)深(shen)入(ru)的(de)分(fen)析(xi)
，例(li)如(ru)體(ti)育(yu)活(huo)動(dong)。對(dui)於(yu)像(xiang)足(zu)球(qiu)這(zhe)樣(yang)的(de)流(liu)行(xing)體(ti)育(yu)運(yun)動(dong)
，產(chan)品(pin)設(she)計(ji)師(shi)不(bu)會(hui)隻(zhi)著(zhe)眼(yan)於(yu)運(yun)動(dong)員(yuan)
，而(er)是(shi)會(hui)為(wei)更(geng)多(duo)的(de)人(ren)提(ti)供(gong)便(bian)利(li)，比(bi)如(ru)教(jiao)練(lian)、球迷甚至是廣播公司和運動服裝設計公司等大型公司。這些公司將從深層次的數據分析中獲益，從而可以準確量化
、提高和預測運動表現。

數據獲取和預處理

在識別這一商機之後
，下一個合理的步驟就是思考如何有效收集這些巨大的數據集。

比如在活動跟蹤方麵
，原始數據通過軸向運動傳感器得以收集，例如智能手機、可穿戴設備和其他便攜式設備中的加速度計和陀螺儀。這些設備以完全隱蔽的方式獲取三個坐標軸（x
、y、z）上的運動數據，即以便於用戶應用的方式連續跟蹤和評估活動。

訓練模型

對於人工智能的監督式學習，需要用標記數據來訓練“模型”，yibianfenleiyinqingkeyishiyongcimoxingduishijiyonghuxingweijinxingfenlei。julilaishuo，womencongzhengzaijinxingpaobuhuoshizouludeceshiyonghunalishoujiyundongshuju
，bingbazhexiexinxitigonggeimoxinglaibangzhuqixuexi。

由於這基本上是一種一次性方法，簡單的應用程序和照相係統就可以完成給用戶“貼標簽”的(de)任(ren)務(wu)。我(wo)們(men)的(de)經(jing)驗(yan)表(biao)明(ming)，隨(sui)著(zhe)樣(yang)本(ben)數(shu)量(liang)的(de)增(zeng)加(jia)，在(zai)分(fen)類(lei)上(shang)的(de)人(ren)為(wei)錯(cuo)誤(wu)率(lv)隨(sui)之(zhi)減(jian)少(shao)。因(yin)此(ci)
，從(cong)有(you)限(xian)數(shu)量(liang)的(de)用(yong)戶(hu)那(na)裏(li)獲(huo)取(qu)更(geng)多(duo)的(de)樣(yang)本(ben)集(ji)比(bi)從(cong)大(da)量(liang)用(yong)戶(hu)那(na)裏(li)獲(huo)得(de)較(jiao)小(xiao)的(de)樣(yang)本(ben)集(ji)更(geng)有(you)意(yi)義(yi)。  

zhihuoquyuanshichuanganqishujushibugoude。womenguanchadao，yaoshixiangaoduzhunquedefenlei，xuyaozaixiquedingyixietezheng
，jixitongxuyaobeigaozhiduiyuqufengegexuliezhongyaodetezhenghuozhehuodong。rengongxuexideguochengjuyoufanfuxing，zaiyuchulijieduan，naxietezhengzuiweizhongyaohaishangweimingque。yinci
，shebeibixuyaoyijukenengduifenleizhunquexingyouyingxiangdezhuanyezhishijinxingyixiecaice。

為了進行活動識別，指示性特征可以包括“濾波信號”，例如身體加速（來自傳感器的原始加速度數據）或“導出信號”

，例如高速傅裏葉變換（FFT）值或標準差計算。

舉例來說，加州大學歐文分校的機器學習數據庫（UCI）創建了一個定義了561個特征的數據集
，這個數據集以30名誌願者的六項基本活動，即站立、坐姿、臥姿、行走、下台階和上台階為基礎。

模式識別和分類

收(shou)集(ji)了(le)原(yuan)始(shi)運(yun)動(dong)數(shu)據(ju)之(zhi)後(hou)
，我(wo)們(men)需(xu)要(yao)應(ying)用(yong)機(ji)器(qi)學(xue)習(xi)技(ji)術(shu)來(lai)將(jiang)其(qi)分(fen)類(lei)並(bing)進(jin)行(xing)分(fen)析(xi)。可(ke)供(gong)我(wo)們(men)使(shi)用(yong)的(de)機(ji)器(qi)學(xue)習(xi)技(ji)術(shu)從(cong)邏(luo)輯(ji)回(hui)歸(gui)到(dao)神(shen)經(jing)網(wang)絡(luo)等(deng)不(bu)一(yi)而(er)足(zu)。

支持向量機（SVMs）就jiu是shi這zhe樣yang一yi個ge應ying用yong於yu人ren工gong智zhi能neng的de學xue習xi模mo型xing。身shen體ti活huo動dong

，比bi如ru走zou路lu包bao括kuo了le由you多duo種zhong運yun動dong構gou成cheng的de序xu列lie
，由you於yu支zhi持chi向xiang量liang機ji擅shan長chang於yu序xu列lie分fen類lei，因yin此ci它ta是shi進jin行xing活huo動dong分fen類lei的de合he理li選xuan擇ze。

支持向量機的使用、培訓、擴(kuo)展(zhan)和(he)預(yu)測(ce)均(jun)十(shi)分(fen)簡(jian)單(dan)，所(suo)以(yi)可(ke)以(yi)輕(qing)鬆(song)地(di)並(bing)列(lie)設(she)置(zhi)多(duo)個(ge)樣(yang)本(ben)采(cai)集(ji)實(shi)驗(yan)，以(yi)用(yong)於(yu)處(chu)理(li)複(fu)雜(za)的(de)現(xian)實(shi)生(sheng)活(huo)數(shu)據(ju)集(ji)的(de)非(fei)線(xian)性(xing)分(fen)類(lei)。支(zhi)持(chi)向(xiang)量(liang)機(ji)還(hai)可(ke)實(shi)現(xian)多(duo)種(zhong)不(bu)同(tong)的(de)尺(chi)寸(cun)和(he)性(xing)能(neng)優(you)化(hua)。

確定一項技術後，我們必須為支持向量機選擇一個軟件圖書館。開源庫LibSVM是一個很好的選擇，它非常穩定並且有詳細的記錄，支持多類分類，並提供所有主要開發者平台從MATLAB到Android的拓展。

持續分類的挑戰

在zai實shi踐jian中zhong，用yong戶hu在zai移yi動dong的de同tong時shi
，使shi用yong中zhong的de設she備bei要yao進jin行xing實shi時shi分fen類lei來lai進jin行xing活huo動dong識shi別bie。為wei了le將jiang產chan品pin成cheng本ben降jiang到dao最zui低di，我wo們men需xu要yao在zai不bu影ying響xiang結jie果guo也ye就jiu是shi信xin息xi質zhi量liang的de前qian提ti下xia
，平ping衡heng傳chuan輸shu、存儲和處理的成本。

jiashewomenkeyifudanshujuchuanshudefeiyong
，suoyoushujudoukeyizaiyunduanshanghuodecunchuhechuli。shijishang，zhehuiweiyonghudailaijudadeshujufeiyong
，yonghudeshebeidangranyaolianjiehulianwang
，wuxianwangluo、藍牙或4G模塊的費用不可避免地將進一步提升設備成本。

更糟糕的是，在非城市地區
，3G網絡的訪問效果通常不理想，例如徒步旅行
、騎qi自zi行xing車che或huo遊you泳yong時shi。這zhe種zhong對dui雲yun端duan的de大da量liang數shu據ju傳chuan輸shu的de依yi賴lai會hui使shi更geng新xin變bian慢man

，並bing且qie需xu要yao定ding期qi同tong步bu，從cong而er大da大da抵di消xiao人ren工gong智zhi能neng運yun動dong分fen析xi帶dai來lai的de實shi際ji益yi處chu。與yu之zhi相xiang反fan，僅jin在zai設she備bei的de主zhu處chu理li器qi上shang處chu理li這zhe些xie操cao作zuo會hui明ming顯xian導dao致zhi耗hao電dian量liang的de增zeng加jia
，並bing且qie減jian少shao其qi他ta應ying用yong的de執zhi行xing周zhou期qi。同tong理li，將jiang所suo有you數shu據ju都dou儲chu存cun在zai設she備bei上shang會hui增zeng加jia存cun儲chu成cheng本ben。

化圓為方

為了解決這些彼此衝突的問題，我們可以遵循四個原則：

1. 拆分——將特征處理從分類引擎的執行中拆分。

2. 減少——智能選擇準確的活動識別所需的特征，來減少存儲和處理的需求量。

3. 使用——使用的傳感器須能夠以較低耗電量獲取數據、實施傳感器融合（將多個傳感器的數據結合在一起），並且能夠為持續執行進行特征預處理。

4. 保留——保留能夠確定用戶活動的係統支持性數據的模型。

通tong過guo將jiang特te征zheng處chu理li與yu分fen類lei引yin擎qing的de執zhi行xing拆chai分fen
，與yu加jia速su度du和he陀tuo螺luo儀yi傳chuan感gan器qi連lian接jie的de處chu理li器qi可ke以yi小xiao得de多duo。這zhe有you效xiao避bi免mian了le將jiang實shi時shi數shu據ju塊kuai連lian續xu傳chuan輸shu到dao更geng強qiang大da的de處chu理li器qi的de需xu求qiu。諸zhu如ru用yong於yu將jiang時shi間jian域yu信xin號hao變bian換huan為wei頻pin率lv域yu信xin號hao的de高gao速su傅fu裏li葉ye變bian換huan的de特te征zheng處chu理li將jiang需xu要yao低di功gong耗hao融rong核he處chu理li器qi，以yi執zhi行xing浮fu點dian運yun算suan。

此ci外wai，在zai現xian實shi世shi界jie中zhong，單dan個ge傳chuan感gan器qi存cun在zai物wu理li限xian製zhi，並bing且qie其qi輸shu出chu隨sui時shi間jian發fa生sheng偏pian差cha，例li如ru由you於yu由you焊han接jie和he溫wen度du引yin起qi的de偏pian移yi和he非fei線xian性xing縮suo放fang。為wei了le補bu償chang這zhe種zhong不bu規gui則ze性xing，需xu要yao傳chuan感gan器qi融rong合he，以yi及ji快kuai速su

、內聯和自動的校準。

圖1：活動分類的功能流程（來源Bosch Sensortec）

此外，所選擇的數據捕獲速率可以顯著影響所需的計算和傳輸量。通常來說，50Hz采樣率對於正常的人類活動就足夠了。但在對快速移動的活動或運動進

行分析時
，需要200 Hz的采樣率。同樣地

，為了取得更快的響應時間，可以安裝2 kHz單獨加速計來確定用戶目的。

為了迎接這些挑戰，低功耗或者應用特定傳感器集線器可以顯著降低分類引擎所需的CPU周期。比如Bosch Sensortec的BHI160和BNO055兩個產品就是這種傳感器集線器。相關軟件可直接以不同的傳感器數據速率直接生成融合後的傳感器輸出。

對待處理特征的初始選擇隨後會極大地影響訓練模型的大小、數shu據ju量liang以yi及ji訓xun練lian和he執zhi行xing內nei聯lian預yu測ce所suo需xu的de計ji算suan能neng力li。因yin此ci
，對dui特te定ding活huo動dong分fen類lei和he區qu分fen所suo需xu的de特te征zheng進jin行xing選xuan擇ze是shi一yi項xiang關guan鍵jian的de決jue定ding，同tong時shi也ye很hen可ke能neng是shi重zhong要yao的de商shang業ye優you勢shi。

回顧我們上文提到的UCI機器學習數據庫，其擁有561個特征的完整數據集
，使用默認的LibSVM內核訓練的模型進行活動分類的測試準確度高達91.84％。然而，完成培訓和特征排名後，選擇最重要的19項功能足以達到85.38％的活動分類測試準確度。經過對排名進行仔細檢查，我們發現最相關的特征是頻域變換以及滑動窗口加速度原始數據的平均值
、最zui大da值zhi和he最zui小xiao值zhi。有you趣qu的de是shi，這zhe些xie特te征zheng都dou不bu能neng僅jin僅jin通tong過guo預yu處chu理li實shi現xian
，傳chuan感gan器qi融rong合he對dui於yu確que保bao數shu據ju的de足zu夠gou可ke靠kao性xing十shi分fen必bi要yao

，並bing因yin此ci對dui分fen類lei尤you為wei實shi用yong。

結論

總zong而er言yan之zhi
，科ke技ji發fa展zhan現xian在zai已yi經jing達da到dao在zai便bian攜xie式shi設she備bei上shang運yun行xing高gao級ji人ren工gong智zhi能neng來lai分fen析xi運yun動dong傳chuan感gan器qi的de數shu據ju的de程cheng度du。這zhe些xie現xian代dai傳chuan感gan器qi以yi低di功gong耗hao運yun行xing，而er傳chuan感gan器qi融rong合he和he軟ruan件jian分fen區qu則ze明ming顯xian提ti高gao了le整zheng個ge係xi統tong的de效xiao率lv和he可ke行xing性xing
，同tong時shi也ye大da大da簡jian化hua了le應ying用yong程cheng序xu開kai發fa。

為了補充傳感器的基礎架構，我們利用開源庫和最佳實踐來優化特征提取和分類。

為用戶提供真正的個性化體驗已成為現實，通過人工智能
，係統可以利用由智能手機
、可ke穿chuan戴dai和he其qi他ta便bian攜xie設she備bei的de傳chuan感gan器qi所suo收shou集ji的de數shu據ju，為wei人ren們men提ti供gong更geng多duo深shen度du功gong能neng。未wei來lai幾ji年nian，一yi係xi列lie現xian在zai還hai難nan以yi想xiang象xiang的de設she備bei和he解jie決jue方fang案an將jiang會hui得de到dao更geng多duo發fa展zhan。人ren工gong智zhi能neng和he傳chuan感gan器qi為wei設she計ji師shi和he用yong戶hu打da開kai了le一yi個ge充chong滿man了le激ji動dong人ren心xin的de機ji會hui的de新xin世shi界jie。

圖4：人工智能和傳感器為設計師和用戶打開了一個充滿了激動人心的機會的新世界。（來源：Bosch；圖片：Depositphotos/Krisdog）

關於Bosch Sensortec

Bosch Sensortec GmbH是羅伯特·博世有限責任公司（Robert Bosch GmbH）的全資子公司，為智能手機、平板電腦、可穿戴設備及物聯網產品開發並提供定製MEMS傳感器與解決方案。產品組合包括3軸加速度計
、陀螺儀和地磁傳感器、集成6軸和9軸傳感器、環境傳感器，以及全麵的軟件組合。自2005年成立起，Bosch Sensortec已成為上述市場的MEMS技術領先企業。博世公司自1995年至今一直是MEMS傳感器領域的先鋒與全球市場的領導者，至今所銷售的MEMS傳感器數量已超過80億。全球每兩部智能手機中便有一部使用Bosch Sensortec的傳感器。  



推薦閱讀：
手機淨空區越來越小
，天線設計該如何應對？
智能燈具中zigbee無線技術方案解析
 SimpleLink無線MCU平台

，為何最具代表
電子車牌識別替代傳統車牌識別已成趨勢