智能穿戴背后的秘密

你使用過智能手環嗎？作為穿戴設備中最普及的硬件，小小的手環里功能強大，可以精準檢測出不同運動模式下消耗的卡路里，監測并判斷睡眠狀態和睡眠質量，從而便利和提升生活質量。那么在這些炫酷的功能背后究竟隱藏了什么秘密呢？

傳感器數據+算法

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

假如想要計算熱量消耗，在計步的場景下一般有幾種典型的方法，一種是首先基于MEMS慣性傳感器計算走/跑到步數，然后根據步長（用戶輸入，或根據用戶信息，如身高，性別）和步數來計算，這并不能反映用戶實際行走的環境對熱量消耗的影響。更加精確的辦法是用氣壓傳感器的數據與慣性傳感器進行融合，氣壓計記錄每個動作的高度變化，形成獨特的“動作指紋”并補償進算法。那么在設計算法的過程中會考慮什么呢？如何保證其準確率和可靠性？

多傳感器融合校準數據

游泳運動越來越流行，有些穿戴設備甚至還有游泳姿態的識別功能。在游泳的過程中，劃水的手臂不僅有姿態的變化，還有各種旋轉動作，那么要實現泳姿識別，就必須要實現加速度計和陀螺儀的協調和融合。

然而加速度計和陀螺儀的數據都具有不確定性。陀螺儀具精確但有零點漂移特性，其測量誤差會隨著時間的累加而不斷的累積，從而影響測量精度。因此，短時間測量應信任陀螺儀。由于加速度計測量的是慣性力，這個力可以由重力引起（理想情況只受重力影響），但也可能由設備的加速度（運動）引起。因此對震動和噪聲的敏感，混疊額外的高頻振動量干擾，但是漂移小。因此，長時間測量應信任加速度計。所以單一的傳感器測量難以得到精確的姿態角度。一般采用卡爾曼濾波器來做多傳感器信號融合，使它們分別補償對方的噪音和漂移誤差來實現準確的度量。

Kalman Filter

特征工程及算法實施

得到了準確的數據之后，我們首先要做特征的構造和選擇，其本質是讓人為選擇的特征對樣本進行劃分之后，讓其混亂程度（熵）減小，純度變高，以便于做動作的區分與識別。特征提取和選擇作為“內功心法”，考驗的是工程師對數據的“insight”，一些情況下可以用直覺的方式，例如要檢測一個人是否從高空墜落，我們可以判斷他保持失重的時間。但有情景是較為復雜的，例如從腳手架上有碰撞的跌落，會遇到需要多個特征融合或者關鍵特征難以提取的情況，我們一般是數據驅動的方式解決，比如用機器學習的方式把處理好的數據放入決策樹中進行訓練進而得出能夠分類動作的模型。下面給大家介紹一個實際的項目案例。

iSite項目中 的Smart Helmet

工地施工場景

iSite項目的應用領域是智能工地，價值定位是用智能硬件提升施工工地安全和生產效率，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，內置三軸加速度計和三軸陀螺儀以用于動作識別。由AE-CN負責智能頭盔的算法開發的工作，實現了工地復雜場景下的連續跌落檢測，脫戴帽狀態檢測，異常靜止檢測等功能。

通過采集不同動作的數據，進而預處理，做特征提取和融合，數據增強，模型訓練，模型剪枝，并測試驗證之后，把模型部署在BMI160內置的MCU里。這樣在實際工況下實時采集到的數據處理過后利用已經訓練好的決策樹分類器進行分類識別，進行實時的動作識別，我們在測試集和實際測試中均達到了98%的準確率。

Figure 5. Normalized Confusion Matrix

在未來，機器學習等復雜的算法正移向邊緣嵌入式設備中，結合多傳感器同步融合為人們提供實時的智能推斷，推薦和事件檢測。