傳chuan感gan器qi數shu據ju應ying用yong是shi許xu多duo應ying用yong場chang景jing的de基ji礎chu，各ge種zhong傳chuan感gan器qi的de大da規gui模mo應ying用yong促cu使shi傳chuan感gan器qi成cheng本ben下xia降jiang。成cheng本ben降jiang低di使shi同tong一yi設she備bei安an裝zhuang多duo個ge同tong類lei型xing傳chuan感gan器qi成cheng為wei可ke能neng，隨sui著zhe同tong類lei型xing傳chuan感gan器qi的de數shu量liang增zeng多duo
，不bu同tong類lei型xing的de傳chuan感gan器qi和he傳chuan感gan器qi總zong數shu也ye在zai不bu斷duan增zeng長chang。為wei了le獲huo得de更geng可ke靠kao的de信xin息xi

，實shi現xian更geng高gao質zhi量liang的de應ying用yong，業ye內nei開kai發fa出chu了le傳chuan感gan器qi數shu據ju融rong合he技ji術shu，提ti高gao了le慣guan性xing模mo塊kuai的de應ying用yong規gui模mo，甚shen至zhi為wei更geng多duo應ying用yong打da開kai了le大da門men。

 

終zhong端duan設she備bei應ying用yong隻zhi有you傳chuan感gan器qi還hai不bu夠gou，還hai需xu要yao智zhi能neng單dan元yuan來lai處chu理li信xin息xi和he理li解jie場chang景jing。應ying用yong處chu理li器qi負fu責ze讀du取qu數shu據ju和he處chu理li信xin息xi，隨sui著zhe傳chuan感gan器qi數shu量liang增zeng加jia，應ying用yong處chu理li器qi的de任ren務wu變bian得de更geng加jia複fu雜za。同tong樣yang，連lian接jie傳chuan感gan器qi和he應ying用yong處chu理li器qi的de總zong線xian也ye變bian得de至zhi關guan重zhong要yao，大da量liang的de交jiao換huan數shu據ju可ke能neng造zao成cheng數shu據ju擁yong堵du
，總zong線xian性xing能neng下xia降jiang。

 

最初，有人認為更快的總線和性能更高的處理器可以解決這些問題。第二階段是“智能傳感器”yicibeilanyong
，batongyongdigonghaochuliqicongbanshangyidaochuanganqineibu
，zuochengyigexitongjifengzhuangjiejuefangan，zhezhongtongguozengjiayigeweikongzhiqidefangshiyouxiaozengjiachuanganqishuliangdejiandanfangfabeichengwei“智能”。

 

在設計開發LSM6DSOX時，我們決定不走尋常路
，將所有已知應用在概念上分為兩大類別：一種是用歸納算法實現的效果更好的應用；另一種是用演繹算法實現的效果更符合預期的應用。分析實際數據模式同時保持最高統計性能，是我們評估最佳設計方案的方法標準。

 

最後
，為了便於執行演繹算法，我們決定在慣性單元內嵌入一個有多達16個有限狀態機的數字模塊

；針zhen對dui歸gui納na型xing算suan法fa，我wo們men實shi現xian了le一yi個ge機ji器qi學xue習xi模mo塊kuai
，該gai模mo塊kuai能neng夠gou與yu現xian有you人ren工gong智zhi能neng工gong具ju互hu動dong，采cai用yong監jian督du式shi機ji器qi學xue習xi方fang法fa
，在zai傳chuan感gan器qi內nei部bu對dui複fu雜za計ji算suan進jin行xing預yu處chu理li，分fen類lei器qi能neng夠gou分fen析xi實shi時shi數shu據ju，識shi別bie活huo動dong和he場chang景jing並bing進jin行xing分fen類lei，參can數shu和he功gong能neng具ju有you很hen高gao的de可ke配pei置zhi性xing。

 

zhezhongchuanganqishujufenxizhuanyongzhinengjishukeyizhixingfuzasuanfa，bahendayibufenjisuanfuhezhuanjiaogeichuanganqichuli，shiqitashebeibaochikongxianzhuangtai。tongguozhezhongfangshi，keyizuidachengdudijiangdigonghao，jianqingtongxinzongxianfudan，bingzuidachengduditigaoxitongdezhengtinengxiao。

 

傳感器僅在必要時才喚醒其它設備和應用處理器，通過這種方式
，可以大幅降低功耗
，我們認為，僅LSM6DSOX這些新功能就可以創造出新的應用。

 

I.前言

 

在過去的十年中，物聯網應用規模呈指數增長。大多數物聯網應用都涉及在可能沒有電源的位置測量物理數值。 zengzhuangdianyuanxiantongchangshixingbutongde，yinci
，dianchishishouxuangongdianfangan，bingqiewuxianshujuchuanshushibixuan。wulianwangxiangguanyingyongzhishaoxuyaoyigechuanganqihuoqushujuheyigechuanshumeijiefasongshuju。dianyuanxuyaogeishujuchuanshumeijiehechuanganqigongdian。zaishejizhezhongleiyingyongshi，xuyaozaizhegefangmianzuochuquanhenghequshe：是最大限度延長電池續航時間還是提高數據傳輸頻率
？

 

應ying用yong設she計ji者zhe可ke用yong一yi個ge在zai市shi場chang上shang有you售shou的de重zhong要yao工gong具ju來lai解jie決jue這zhe個ge折zhe衷zhong難nan題ti。這zhe個ge工gong具ju是shi一yi個ge精jing密mi的de計ji算suan單dan元yuan，可ke以yi執zhi行xing參can數shu測ce量liang和he數shu據ju傳chuan輸shu任ren務wu，效xiao果guo和he能neng效xiao都dou很hen好hao，這zhe樣yang的de計ji算suan單dan元yuan通tong常chang是shi針zhen對dui低di功gong耗hao設she計ji的de通tong用yong微wei控kong製zhi器qi。對dui於yu低di功gong耗hao應ying用yong，無wu線xian數shu據ju傳chuan輸shu比bi其qi它ta處chu理li任ren務wu更geng重zhong要yao，因yin此ci，物wu聯lian網wang應ying用yong設she計ji策ce略lve是shi，如ru果guo其qi它ta處chu理li任ren務wu允yun許xu降jiang低di通tong信xin速su度du，則ze可ke以yi將jiang計ji算suan單dan元yuan轉zhuan移yi到dao物wu聯lian網wang端duan。

 

本文旨在於介紹創新傳感器在降低產品功耗方麵取得的新進展。意法半導體的新型慣性模塊LSM6DSOX允許將算法處理過程全部或部分移至傳感器的定製低功耗環境。這種方法具有廣泛的可配置性，保證廣泛的應用範圍。本文結構如下：diyizhangjieshaoyigechuangxindeqianrushisuanfa，bingjieheyingyonganlishuomingqiyoushi。ranhouyonglianggezhangjiezhuanmenjieshaojiqixuexichuli。zuihouyizhangjieshaoyigehaoyongdedingzhizhichiruanjian
，yonghukeyigenjuxuqiukuaisupeizhiruanjian，chuangjianxinyingyong。

 

II.嵌入式算法方案

 

如前一章所述，簡單的物聯網應用模型包括發射器/接收器

、計算單元、執行器或傳感器和電池。

 

以智能手環為例，智能手環能夠識別用戶活動，並輸出相關活動數據：用戶步行多遠，乘車多長時間等。當然，智能手環應具有翻腕顯示日期和時間的功能。藍牙低功耗係統芯片[4]是shi執zhi行xing傳chuan輸shu和he控kong製zhi的de關guan鍵jian組zu件jian。該gai解jie決jue方fang案an嵌qian入ru了le完wan整zheng的de藍lan牙ya網wang絡luo處chu理li器qi和he運yun行xing應ying用yong程cheng序xu的de應ying用yong處chu理li器qi。應ying用yong處chu理li器qi包bao括kuo低di功gong耗hao微wei控kong製zhi器qi、用戶程序NVM存儲器，數據存儲器、編程存儲器（NVM鏡像）以及通信接口（SPI，I²C等）。從下麵給出的係統示例可以大致估算出該解決方案的功率預算。這款內置微控製器的“智能”藍牙模塊通常具有不同的功耗模式，下麵列出了最常見的模式：

 

a)睡眠模式：此模式用於關閉大多數內部模塊或使其處於低功耗狀態，最大程度地降低功耗。從此模式返回到正常工作模式需要一些時間（0.5-2 ms）。該模式電流消耗在0.5-2 µA之間。

 

b)微控製器工作模式：射頻發射器/接收器關閉
，微控製器正常工作。 此模式的電流消耗在1-3 mA之間。

 

c)射頻收發模式：設備處於通信連接狀態，功耗為3-20 mA。

 

我們討論一下智能手環檢測用戶活動的用例。假設智能藍牙模塊中的微控製器通過I2C/SPI接口連接慣性模塊，傳感器數據輸出數據速率配置為25Hz。每當嵌入式16 MHz時鍾域生成樣本時
，微控製器就會退出睡眠模式
，讀取傳感器數據並執行活動識別算法。高質量的活動識別算法用例平均需要4 ms的處理時間。藍牙傳輸是間歇性的，取決於用戶要求（一天一次）。

 

圖1:微控製器從睡眠到喚醒的時序

 

圖1顯示了微控製器運行算法時的占空比時序。Tstart是微控製器的喚醒時間
，Talgo是算法的執行時間，Todr是傳感器兩次讀取操作的間隔。

 

下麵是總平均電流I_TOT的基本計算公式，其中包含各種主要電流消耗參數：

 

I_TOT = I_BUS + I_SLEEP + f_algo * I_UCORE * ( T_start/2 + T_algo )

 

I_BUS 是接口總線讀取操作消耗的電流；SPI總線的讀取電流應小於1 µA，I²C總線約在2-5 µA之間。射頻是間歇性傳輸，所以功耗可以忽略不計。考慮到每個參數取值取其聲明範圍的中間值，最後得到的I_TOT為230 µA。

 

嵌入式算法是經過重新配置的可以實現“活動識別”
，工作電流小於8 µA。zhelisuoshuodeqianrushisuanfayuzaiweikongzhiqishangyunxingdesuanfazaixingnenghezhiliangshangwanquanxiangtong。qianrushijiejuefangandexianzhuyoushishizaichuanganqineibushengchengkeyongshuju，yincibucunzaiI_BUS功耗。此外
，嵌入式解決方案完全沒有微控製器安全退出睡眠狀態所需的T_start時間，當T_start和I_BUS兩項參數均為零時，I_TOT估算值是200 µA，這意味著


，使用相同公式f_algo*I_UCORE*T_algo計算，算法從微控製器遷移到傳感器使功耗降至二十五分之一。

 

因yin為wei意yi法fa半ban導dao體ti軟ruan件jian庫ku和he客ke戶hu需xu求qiu是shi已yi知zhi的de，並bing且qie是shi合he並bing在zai一yi起qi的de，所suo以yi，我wo們men的de策ce略lve是shi收shou集ji最zui常chang見jian的de用yong例li，然ran後hou將jiang其qi分fen為wei兩liang類lei。第di一yi類lei是shi由you非fei常chang適shi合he使shi用yong有you限xian狀zhuang態tai機ji的de算suan法fa組zu成cheng，第di二er類lei基ji於yu需xu要yao統tong計ji分fen析xi（基於模式分析）並且可以通過決策網（樹）有效實現的應用。針對這兩大類應用，我們開發出一個覆蓋現有算法的“元命令”ji
，bingquebaosuanfajuyouguangfandekezhongxinpeizhixing，yichulixindezidingyixuqiu。zuihouyibushisuanfafenxi，mudeshizhaodaozuijiadedigonghaoqieyouxiaodesuanfadingzhiluoji。zaibuyingxiangsuanfaxingnengdeqingkuangxia，anzhaotedingyingyongxuqiujianhuasuanfa。xiamiandelianggezhangjiejieshaozhelianggemokuaiheyuanshuju。

 

III.機器學處理(MLP)

 

有限狀態機是利用本身固有的演繹推理特性：從假設開始，檢驗達到特定邏輯狀態的概率。對於運動檢測算法，演繹推理是確定一係列事件是否滿足“規則”。這種方法適用於大多數手勢檢測算法
，當然
，不能全部適用。例如，手機舉起到放下的手勢算法可以完全基於以下事實：手(shou)機(ji)加(jia)速(su)度(du)計(ji)檢(jian)測(ce)到(dao)的(de)重(zhong)力(li)主(zhu)要(yao)是(shi)在(zai)同(tong)一(yi)個(ge)軸(zhou)上(shang)
，並(bing)在(zai)一(yi)個(ge)時(shi)間(jian)序(xu)列(lie)後(hou)，檢(jian)測(ce)到(dao)的(de)重(zhong)力(li)方(fang)向(xiang)將(jiang)會(hui)變(bian)成(cheng)相(xiang)反(fan)方(fang)向(xiang)。修(xiu)改(gai)一(yi)些(xie)參(can)數(shu)就(jiu)可(ke)以(yi)更(geng)改(gai)手(shou)勢(shi)定(ding)義(yi)
，這(zhe)些(xie)參(can)數(shu)包(bao)括(kuo)軸(zhou)定(ding)義(yi)、閾值和序列持續時間。步行檢測等運動算法幾乎不可能通過簡單的狀態機來定義，因為變量數量會急劇增加
，傳感器定位、頻率
、地形和個人行為導致感應信號變化很大。從上一個示例中
，可以得出一個更具一般性的概念：雖然手機舉起到放下的手勢統計方差在一個人群中是較明顯的，但是可以進行演繹推理應用設計
；而步行動作會引起廣泛的統計方差，演繹推理方法應該棄用，而采用歸納推理方法。

 

機ji器qi學xue習xi處chu理li的de基ji本ben原yuan理li是shi允yun許xu在zai芯xin片pian上shang執zhi行xing數shu據ju驅qu動dong型xing算suan法fa，開kai發fa從cong輸shu入ru模mo式shi構gou建jian模mo型xing的de能neng力li。在zai過guo去qu的de十shi年nian中zhong，互hu聯lian網wang和he物wu聯lian網wang爆bao炸zha式shi增zeng長chang，大da量liang信xin息xi產chan生sheng。 隨著數據量急劇增加，數據管理工具也被開發出來，使數據開始有應用價值。MLP解決方案被認為是適合在慣性傳感器上執行數據驅動算法。MLP具(ju)有(you)很(hen)高(gao)的(de)可(ke)重(zhong)新(xin)配(pei)置(zhi)性(xing)，在(zai)慣(guan)性(xing)傳(chuan)感(gan)器(qi)領(ling)域(yu)達(da)到(dao)了(le)預(yu)期(qi)效(xiao)果(guo)，可(ke)以(yi)在(zai)超(chao)低(di)功(gong)耗(hao)環(huan)境(jing)執(zhi)行(xing)算(suan)法(fa)，適(shi)用(yong)於(yu)耗(hao)電(dian)量(liang)大(da)的(de)產(chan)品(pin)，例(li)如(ru)，物(wu)聯(lian)網(wang)算(suan)法(fa)。

 

數據挖掘是機器學習的一個重要分支：“數據挖掘是一個綜合機器學習
、模式識別和統計學的跨學科領域 [1] [2]，其目的是發現知識。

 

數據挖掘工具最後生成一個決策樹，應用設計是從一個數據模式集合開始，以在MLP內核上加載決策樹結束。用戶可以用支持軟件管理整個應用設計過程
，我們將在下一章介紹支持軟件，本章介紹MLP內核背後的基本模塊。

 

圖4是機器學習處理內核的整體結構圖。

 

圖4：MLP內核整體結構圖

 

從圖中不難看出軟件層和硬件層之間的邊界。該應用設計從傳感器數據模式開始


，模式是描述MLP內核在運行時必須理解的知識。以活動識別算法為例，MLP從涉及要識別的活動（步行，跑步，運動的車輛，無運動等）的模式開始運行，目的是直接從傳感器數據推出當前活動的結果。最多可以將3個傳感器的數據配置為算法輸入。陀螺儀和加速度計模塊位於傳感器內部，外部傳感器（例如磁力計）的數據可以通過嵌入式I2C控製器讀取。輸入傳感器數據由物理傳感器的軸和數值組成（表VI。）。

 

表I. MLP的輸入類型

 

要想調理輸入數據，還有多個可配置濾波器可用，如下表所示（表VII）。

 

表II. 內核中的濾波器類型

 

原始數據和過濾數據都可以設為特征模塊的輸入
，特征模塊執行數據的統計計算
，輸出可以配置成多達19個不同的統計特征。表VIII中(zhong)列(lie)出(chu)了(le)可(ke)用(yong)特(te)征(zheng)。主(zhu)要(yao)特(te)征(zheng)集(ji)分(fen)為(wei)觸(chu)發(fa)式(shi)和(he)窗(chuang)口(kou)式(shi)兩(liang)類(lei)

，前(qian)者(zhe)是(shi)按(an)照(zhao)特(te)征(zheng)事(shi)件(jian)計(ji)算(suan)的(de)結(jie)果(guo)，後(hou)者(zhe)是(shi)按(an)照(zhao)固(gu)定(ding)時(shi)窗(chuang)間(jian)隔(ge)統(tong)計(ji)的(de)結(jie)果(guo)。盡(jin)管(guan)所(suo)有(you)特(te)征(zheng)計(ji)算(suan)結(jie)果(guo)可(ke)以(yi)是(shi)窗(chuang)口(kou)式(shi)或(huo)觸(chu)發(fa)式(shi)特(te)征(zheng)集(ji)，取(qu)決(jue)於(yu)用(yong)戶(hu)配(pei)置(zhi)，但(dan)隻(zhi)有(you)這(zhe)些(xie)特(te)征(zheng)的(de)子(zi)集(ji)才(cai)可(ke)以(yi)生(sheng)成(cheng)觸(chu)發(fa)信(xin)號(hao)。

 

表III：MLP內核的統計特征

 

在特征配置結束時
，軟件工具(下一章介紹)輸出一個配置文件和一個ARFF文件。配置文件安裝在慣性單元上用於配置MLP
，ARFF文件用於數據挖掘工具，是與MLP處理器芯片匹配的。數據挖掘工具組建ARFF文件，針對特定應用案例優化（或“確定”）選擇最佳的特征集
，並輸出決策樹及相關統計性能。

 

在數據挖掘工具處理和反饋後
，可以重新處理數據並優化特征集。

 

當統計性能符合期望時

，可以通過意法半導體軟件工具生成的配置文件將決策樹加載到MLP內核上。

 

IV.支持軟件

 

意法半導體開發出一個使基於統計學/機器學習的方法適合編程的工具，有了這個工具，設備配置過程變得輕鬆快捷。

 

這個機器學習處理配置工具是一個擴展版的Unico GUI圖形用戶界麵軟件（意法半導體所有MEMS傳感器演示板通用 [5]）。Unico軟件連接基於STM32微控製器的主板[6] [5]
，實現MEMS傳感器與PC GUI之間的通信。該軟件以圖形和數字形式顯示傳感器輸出，並允許用戶保存或全麵管理來自設備的數據。

 

Unico軟件允許訪問MEMS傳chuan感gan器qi寄ji存cun器qi，可ke以yi快kuai速su配pei置zhi寄ji存cun器qi，並bing可ke以yi直zhi接jie在zai設she備bei上shang輕qing鬆song測ce試shi配pei置zhi。可ke以yi將jiang當dang前qian寄ji存cun器qi的de配pei置zhi保bao存cun為wei文wen本ben文wen件jian
，並bing可ke以yi從cong現xian有you文wen件jian中zhong加jia載zai配pei置zhi。這zhe樣yang，可ke以yi在zai幾ji秒miao鍾zhong內nei重zhong新xin設she置zhi傳chuan感gan器qi。

 

基於統計/機器學習的算法要求收集數據日誌。使用Unico GUI可以做到這一點。每個數據日誌都必須關聯預期結果（例如，靜止
，步行，跑步等）。該工具收集這些數據模式用於計算某些特征。

 

圖8：數據模式表

 

該gai工gong具ju可ke為wei原yuan始shi數shu據ju選xuan擇ze濾lv波bo器qi，選xuan擇ze用yong過guo濾lv數shu據ju計ji算suan哪na些xie特te征zheng

，計ji算suan結jie果guo特te征zheng將jiang是shi決jue策ce樹shu的de屬shu性xing。幾ji個ge步bu驟zhou後hou
，該gai工gong具ju將jiang生sheng成cheng一yi個ge屬shu性xing關guan係xi文wen件jian（ARFF）。

 

圖9：配置表

 

ARFF文件是決策樹生成過程的入口。決策樹可以由不同的機器學習工具生成。 懷卡托大學開發的軟件Weka [7]能夠從屬性關係文件開始生成決策樹。Weka工具可以評估哪些屬性適合決策樹。通過更改Weka中所有可用參數，可以實現不同的決策樹配置。

 

圖10:在Weka裏的屬性視圖

 

圖6：Weka中的決策樹生成

 

在決策樹生成後，可以將其上傳到意法半導體的軟件工具，完成MEMS傳感器的寄存器配置。

 

通過訪問傳感器寄存器
，Unico GUI可以讀取決策樹輸出狀態。

 

V.應用案例

 

從(cong)第(di)二(er)部(bu)分(fen)介(jie)紹(shao)的(de)示(shi)例(li)開(kai)始(shi)，我(wo)們(men)做(zuo)了(le)一(yi)些(xie)電(dian)流(liu)消(xiao)耗(hao)測(ce)量(liang)，選(xuan)擇(ze)了(le)一(yi)個(ge)活(huo)動(dong)識(shi)別(bie)算(suan)法(fa)作(zuo)為(wei)示(shi)例(li)。該(gai)算(suan)法(fa)的(de)性(xing)能(neng)在(zai)模(mo)式(shi)數(shu)據(ju)庫(ku)中(zhong)經(jing)過(guo)明(ming)確(que)評(ping)估(gu)，而(er)且(qie)在(zai)普(pu)通(tong)通(tong)用(yong)微(wei)控(kong)製(zhi)器(qi)上(shang)運(yun)行(xing)時(shi)電(dian)流(liu)消(xiao)耗(hao)約(yue)為(wei)數(shu)百(bai)微(wei)安(an)。利(li)用(yong)上(shang)一(yi)章(zhang)介(jie)紹(shao)的(de)支(zhi)持(chi)軟(ruan)件(jian)，可(ke)以(yi)輕(qing)鬆(song)地(di)配(pei)置(zhi)MLP內核，運行該活動識別算法。

 

表IV：電流要求

 

表IX 總結了在Cortex-M3 [8] [9] [10]上運行活動識別算法的電流要求，以及在LSM6DSOx MLP上運行同一算法增加的電流需求。

 

VI.結論

 

世界網絡化程度越來越高：聯網設備可以交換大量數據。物聯網應用依賴於三個關鍵模塊：感知、智(zhi)能(neng)和(he)通(tong)信(xin)。本(ben)文(wen)介(jie)紹(shao)了(le)一(yi)種(zhong)高(gao)度(du)可(ke)配(pei)置(zhi)的(de)嵌(qian)入(ru)在(zai)慣(guan)性(xing)傳(chuan)感(gan)器(qi)中(zhong)的(de)數(shu)字(zi)模(mo)塊(kuai)。數(shu)字(zi)模(mo)塊(kuai)為(wei)傳(chuan)感(gan)器(qi)增(zeng)加(jia)了(le)智(zhi)能(neng)，可(ke)以(yi)大(da)幅(fu)降(jiang)低(di)係(xi)統(tong)級(ji)能(neng)耗(hao)。為(wei)了(le)快(kuai)速(su)開(kai)發(fa)應(ying)用(yong)原(yuan)型(xing)，隨(sui)硬(ying)件(jian)一(yi)起(qi)提(ti)供(gong)了(le)數(shu)字(zi)模(mo)塊(kuai)配(pei)置(zhi)支(zhi)持(chi)軟(ruan)件(jian)。上(shang)一(yi)章(zhang)的(de)應(ying)用(yong)案(an)例(li)清(qing)楚(chu)地(di)表(biao)明(ming)，數(shu)字(zi)模(mo)塊(kuai)可(ke)大(da)幅(fu)降(jiang)低(di)電(dian)流(liu)消(xiao)耗(hao)。智(zhi)能(neng)傳(chuan)感(gan)器(qi)是(shi)賦(fu)能(neng)電(dian)池(chi)續(xu)航(hang)能(neng)力(li)至(zhi)關(guan)重(zhong)要(yao)的(de)新(xin)應(ying)用(yong)的(de)關(guan)鍵(jian)技(ji)術(shu)。

 

參考文獻

 

[1]S. Sumathi and S.N. Sivanandam: Introduction to Data Mining Principles, Studies in Computational Intelligence (SCI) 29, 1–20 (2006).

 

[2]V. Sze, Y. H. Chen, J. Einer, A. Suleiman and Z. Zhang, "Hardware for machine learning: Challenges and opportunities," 2017 IEEE Custom Integrated Circuits Conference (CICC), Austin, TX, 2017, pp. 1-8.

 

[3]V. Sze, "Designing Hardware for Machine Learning: The Important Role Played by Circuit Designers," in IEEE Solid-State Circuits Magazine, vol. 9, no. 4, pp. 46-54 , Fall 2017.

 

[4]STMicroelectronics, “Bluetooth® low energy wireless system-on-chip,” BlueNRG-2 datasheet, November 2017, [DocID030675 Rev 2].

 

[5]STMicroelectronics Analog Mems Sensor Application Team ,  Unico GUI User manual, Rev. 5  October 2016.

 

[6]STMicroelectronics Technical Staff,  STEVAL-MKI109V3 Professional MEMS Tool motherboard for MEMS adapter boards, July 2016

 

[7]Ian H. Witten, Eibe Frank, and Mark A. Hall. 2011. Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

 

[8]STMicroelectronics, “Ultra-low-power 32-bit MCU ARM®-based Cortex®-M3 with 512KB Flash, 80KB SRAM, 16KB EEPROM, LCD, USB, ADC, DAC,” STM32L151xE STM32L152xE datasheet,  Rev. 9 August 2017.

 

[9]STMicroelectronics Technical Staff, STM32 Nucleo-64 boards, NUCLEO-XXXXRX NUCLEO-XXXXRX-P data brief, Rev. 10 December 2017.

 

[10]STMicroelectronics Technical Staff, Sensor and motion algorithm software expansion for STM32Cube , X-CUBE-MEMS1data brief, Rev. 10 November 2017.

 

 

推薦閱讀：