智能穿戴背后的秘密

你使用過智能手環(huán)嗎？作為穿戴設(shè)備中最普及的硬件，小小的手環(huán)里功能強(qiáng)大，可以精準(zhǔn)檢測出不同運(yùn)動(dòng)模式下消耗的卡路里，監(jiān)測并判斷睡眠狀態(tài)和睡眠質(zhì)量，從而便利和提升生活質(zhì)量。那么在這些炫酷的功能背后究竟隱藏了什么秘密呢？

傳感器數(shù)據(jù)+算法

看似小小的手環(huán)，里面集成了眾多傳感器，比如高精度6軸MEMS運(yùn)動(dòng)傳感器（3軸加速度傳感器+3軸陀螺儀），氣壓傳感器，光學(xué)心率傳感器等等。其中加速度計(jì)測量的是加速度，陀螺儀測量的是角速度，氣壓計(jì)測量的是高度變化。

假如想要計(jì)算熱量消耗，在計(jì)步的場景下一般有幾種典型的方法，一種是首先基于MEMS慣性傳感器計(jì)算走/跑到步數(shù)，然后根據(jù)步長（用戶輸入，或根據(jù)用戶信息，如身高，性別）和步數(shù)來計(jì)算，這并不能反映用戶實(shí)際行走的環(huán)境對(duì)熱量消耗的影響。更加精確的辦法是用氣壓傳感器的數(shù)據(jù)與慣性傳感器進(jìn)行融合，氣壓計(jì)記錄每個(gè)動(dòng)作的高度變化，形成獨(dú)特的“動(dòng)作指紋”并補(bǔ)償進(jìn)算法。那么在設(shè)計(jì)算法的過程中會(huì)考慮什么呢？如何保證其準(zhǔn)確率和可靠性？

多傳感器融合校準(zhǔn)數(shù)據(jù)

游泳運(yùn)動(dòng)越來越流行，有些穿戴設(shè)備甚至還有游泳姿態(tài)的識(shí)別功能。在游泳的過程中，劃水的手臂不僅有姿態(tài)的變化，還有各種旋轉(zhuǎn)動(dòng)作，那么要實(shí)現(xiàn)泳姿識(shí)別，就必須要實(shí)現(xiàn)加速度計(jì)和陀螺儀的協(xié)調(diào)和融合。

然而加速度計(jì)和陀螺儀的數(shù)據(jù)都具有不確定性。陀螺儀具精確但有零點(diǎn)漂移特性，其測量誤差會(huì)隨著時(shí)間的累加而不斷的累積，從而影響測量精度。因此，短時(shí)間測量應(yīng)信任陀螺儀。由于加速度計(jì)測量的是慣性力，這個(gè)力可以由重力引起（理想情況只受重力影響），但也可能由設(shè)備的加速度（運(yùn)動(dòng)）引起。因此對(duì)震動(dòng)和噪聲的敏感，混疊額外的高頻振動(dòng)量干擾，但是漂移小。因此，長時(shí)間測量應(yīng)信任加速度計(jì)。所以單一的傳感器測量難以得到精確的姿態(tài)角度。一般采用卡爾曼濾波器來做多傳感器信號(hào)融合，使它們分別補(bǔ)償對(duì)方的噪音和漂移誤差來實(shí)現(xiàn)準(zhǔn)確的度量。

Kalman Filter

特征工程及算法實(shí)施

得到了準(zhǔn)確的數(shù)據(jù)之后，我們首先要做特征的構(gòu)造和選擇，其本質(zhì)是讓人為選擇的特征對(duì)樣本進(jìn)行劃分之后，讓其混亂程度（熵）減小，純度變高，以便于做動(dòng)作的區(qū)分與識(shí)別。特征提取和選擇作為“內(nèi)功心法”，考驗(yàn)的是工程師對(duì)數(shù)據(jù)的“insight”，一些情況下可以用直覺的方式，例如要檢測一個(gè)人是否從高空墜落，我們可以判斷他保持失重的時(shí)間。但有情景是較為復(fù)雜的，例如從腳手架上有碰撞的跌落，會(huì)遇到需要多個(gè)特征融合或者關(guān)鍵特征難以提取的情況，我們一般是數(shù)據(jù)驅(qū)動(dòng)的方式解決，比如用機(jī)器學(xué)習(xí)的方式把處理好的數(shù)據(jù)放入決策樹中進(jìn)行訓(xùn)練進(jìn)而得出能夠分類動(dòng)作的模型。下面給大家介紹一個(gè)實(shí)際的項(xiàng)目案例。

iSite項(xiàng)目中 的Smart Helmet

工地施工場景

iSite項(xiàng)目的應(yīng)用領(lǐng)域是智能工地，價(jià)值定位是用智能硬件提升施工工地安全和生產(chǎn)效率，其中就包括檢測工人人身安全這樣critical的 問題。智能頭盔作為硬件載體，集成了博世BHI160，內(nèi)置三軸加速度計(jì)和三軸陀螺儀以用于動(dòng)作識(shí)別。由AE-CN負(fù)責(zé)智能頭盔的算法開發(fā)的工作，實(shí)現(xiàn)了工地復(fù)雜場景下的連續(xù)跌落檢測，脫戴帽狀態(tài)檢測，異常靜止檢測等功能。

通過采集不同動(dòng)作的數(shù)據(jù)，進(jìn)而預(yù)處理，做特征提取和融合，數(shù)據(jù)增強(qiáng)，模型訓(xùn)練，模型剪枝，并測試驗(yàn)證之后，把模型部署在BMI160內(nèi)置的MCU里。這樣在實(shí)際工況下實(shí)時(shí)采集到的數(shù)據(jù)處理過后利用已經(jīng)訓(xùn)練好的決策樹分類器進(jìn)行分類識(shí)別，進(jìn)行實(shí)時(shí)的動(dòng)作識(shí)別，我們?cè)跍y試集和實(shí)際測試中均達(dá)到了98%的準(zhǔn)確率。

Figure 5. Normalized Confusion Matrix

在未來，機(jī)器學(xué)習(xí)等復(fù)雜的算法正移向邊緣嵌入式設(shè)備中，結(jié)合多傳感器同步融合為人們提供實(shí)時(shí)的智能推斷，推薦和事件檢測。