*附件：适用于MEMS传感器的先进ML：提高精度、性能和功耗.pdf
当前一代传感器现在可以通过在边缘利用机器学习（ML）技术来收集、分析和发送重要数据。
例如，预测性维护利用机器学习模型来评估传感器数据，监控电机等设备，并识别磨损或潜在故障的早期迹象。这种积极主动的方法有助于防止故障，减少停机时间和维修费用。
通过整合关键的机器学习概念，传感器现在能够处理数据，提取有用的特征，并在不依赖外部计算资源的情况下做出独立的决策。从本质上讲，这些传感器可以分析数据并做出预测，而不需要显式编程。
本文讨论了ML算法的进步如何彻底改变了传感器数据的处理。还强调了ML技术如何克服在边缘处理传感器数据的技术限制。
将ML算法集成到MEMS传感器和AI技术中，可以开发出新一代智能、开放和精确的传感器。这种集成减少了系统传输的数据量，并减轻了网络处理的负担，从而降低了功耗，实现了更可持续的解决方案。精确的传感器数据为最终用户提供了相关和可操作的信息。
MEMS传感器可以采用各种传感器内处理技术，例如具有嵌入式机器学习核心（MLC）的传感器和具有智能传感器处理单元（ISPU）的传感器（见图1）。像嵌入式MLC这样的功能使传感器能够识别精确的运动，并以最佳的能源效率将事件传递给处理器。ISPU的集成进一步优化了必要的计算能力，从而最大限度地提高了系统性能。
通过决策树逻辑的传感器数据的处理能力是使用决策树来实现的，决策树是数学工具，由“if-then-else”条件定义的可配置节点组成。这些条件评估输入信号，该输入信号由相对于阈值从传感器数据计算的统计参数表示。
例如，在意法半导体的LSM6DSOX系统级封装中，这种能力是通过监督学习实现的，其中包括：
活动识别算法中的类别可能包括静止、步行、慢跑、骑自行车、驾驶等。必须为每个类别获取多个数据日志，例如不同的人执行相同的活动。对这些数据日志的分析旨在：
一旦定义了决策树，所提供的软件工具就可以生成设备配置，允许决策树在设备上运行，从而最大限度地降低功耗。
LSM6DSOX内部的ML核心功能可以分为三个主要模块（图2）：
在此阶段，来自内置加速度计、陀螺仪或通过I²C主接口（传感器集线器）连接的附加外部传感器的数据。
在这个阶段中，过滤器和特征被应用于第一块中定义的输入数据。特征是在用户可选择的时间窗口内从输入数据（或从过滤数据）计算的统计参数。然后，这些计算出的特征充当第三块的输入。
决策树评估在计算块中计算的统计参数。使用二叉树将这些参数与特定阈值进行比较，以生成活动识别上下文中的结果，例如静止、步行、慢跑、骑自行车等。可选的“元分类器”过滤器也可以细化来自决策树的结果。ML核心结果的最终输出包括决策树结果和任何可选的元分类器过滤。
输入数据速率必须等于或超过ML核心数据速率。例如，在以26 Hz运行的活动识别算法中，ML内核的输出数据速率（ODR）必须设置为26 Hz，传感器ODR必须至少为26 Hz或更高。
ML核心使用以下单位约定：
外部传感器（如磁力计）可通过传感器集线器功能（模式2）连接到LSM6DSOX。在此设置中，来自外部传感器的数据也可用于ML处理，其中前六个传感器集线器字节（每个轴两个）被视为ML核心的输入。
ML核心滤波的基本元件是二阶IIR滤波器，如图3所示。
通用IIR二阶滤波器的传递函数为，
输出可以定义为，根据图3，
y（z）= h（z）x（z）
y（z）=y（z）。增益
ML内核包含各种滤波器类型（高通、带通、IIR1、IIR2）的默认系数，以优化内存使用。选择滤波器类型后，ML核心工具通过请求必要的系数来帮助配置滤波器。
特征是指从机器学习（ML）核心的传感器输入中导出的统计参数。所有特征都在指定的时间窗口内计算，也称为“窗口长度”，表示为样本数。对于用户来说，确定窗口大小很重要，因为在ML处理中起着非常重要的作用，因为决策树中的所有统计参数都在此窗口内进行评估。
例如，在活动识别算法中，可以每2秒或3秒计算特征。如果传感器以26 Hz运行，则窗口长度应分别约为50或75个样本。
一些ML核心功能需要额外的参数进行评估，例如阈值。这些特征包括均值、方差、能量、峰峰值和值。
“平均值”功能使用以下公式计算所选输入（I）在定义的时间窗口（WL）内的平均值：
“方差”功能使用以下公式计算所选输入（I）在定义的时间窗口（WL）中的方差：
“能量”功能使用以下公式计算所选输入（I）在定义的时间窗口（WL）中的能量：
“峰峰值”功能计算所选输入在定义的时间窗口内的最大峰峰值。
“峰值检测器”功能可在定义的时间窗口内对选定输入的峰值（正和负）进行计数。
决策树是预测模型，由可存储在LSM6DSOX中的训练数据创建。训练数据由为需要识别的每个类获得的日志组成。例如，在活动识别中，类别可以包括步行、慢跑和驾驶。
决策树的输入是前面章节中讨论的计算块结果。决策树中的每个节点都有一个条件，该条件设置了用于评估给定特征的阈值。如果满足条件，则评估真实路径中的下一个节点。如果不是，则评估假路径中的后续节点（参见图3）。决策树从一个节点到另一个节点，直到找到解决方案。
决策树为每个窗口生成一个新的结果，这是用户指定的用于特征计算的“窗口长度”（图4）。窗口的长度是根据样本定义的，时间帧可以通过将样本总数除以机器学习核心（MLC）的数据速率来计算。
时间窗口=窗口长度/ MLC_ODR
例如，如果窗口长度为104个样本，MLC数据速率为104 Hz，则时间窗口为：
时间窗口= 104个样本/ 104 Hz = 1秒
意法半导体推出了一系列新的MEMS器件，称为智能传感器处理单元（ISPU）。这些器件适用于基于ML的个人电子和工业物联网应用。ISPU器件集成了传感和信号调理功能，沿着超低功耗、高性能可编程内核，与传感器位于同一芯片上。该核心允许在传感器封装内执行信号处理和机器学习算法。
ISPU是一款超低功耗、高性能的可编程DSP，旨在处理AI算法并直接在传感器内执行实时处理。该技术旨在满足边缘应用的苛刻要求（图5）。
LSM6DSO16IS和ISM330IS是具有ISPU功能的产品。LSM6DSO16IS是为消费类应用而设计的，而ISM330IS则是为工业应用而设计的。这两款产品都包含一个3轴数字加速度计和一个3轴数字陀螺仪。这些始终在线的惯性器件具有管芯上处理能力。
ISPU由32位RISC哈佛架构内核、编程和数据RAM以及用于加法、减法和乘法的浮点单元（FPU）组成。能够使用传感器集线器功能与外部传感器连接并收集信息。该核心针对实时执行机器学习（ML）和深度学习算法进行了优化，以处理惯性或外部传感器数据。
LSM6DSO16IS适用于将AI与消费类应用中的传感器相结合，如手势识别、活动识别和运动跟踪。ISM330IS适用于机器人、状态监测和资产跟踪等基于边缘的工业应用中的AI。
具有ISPU的传感器在功耗方面具有很强的竞争力，即使在运行实时处理算法时也是如此。通过将AI优化的DSP和六轴惯性传感器集成在同一芯片上，这些传感器可以开发具有超低功耗的独立消费或工业设备。该应用还需要一个主机MCU，可以保持在睡眠模式，消耗很少的电流，直到被传感器唤醒。这种方法节省了计算资源，支持边缘处理，并延长了电池供电设计的电池寿命。
作为全球分销商，我们与顶级供应商合作，提供各种具有机器学习功能的传感器和必要配件：
| 供应商 | 产品 |
|---|---|
| STMICroelectronICs | LSM 6DSOXTR系列 |
| STMicroelectronics | STEVAL—MKIT 01 V2 |
| STMicroelectronics | STMICROELECTRONICS STEVAL-MKI 229A |
| STMicroelectronics | STMICROELECTRONICS STEVAL-MKI 230KA |
意法半导体的LSM6DSOX演示了通过使用监督学习的决策树逻辑系统进行集成。该系统处理传感器输入，提取特征，并使用决策树以最小的功耗对活动进行分类。通过在定义的时间窗口内利用过滤器和统计计算，决策树有效地将输入映射到输出。ML技术的进步克服了技术限制，提高了基于边缘的传感器数据处理的效率和能力。意法半导体的ISPU器件最适合基于ML的物联网应用。LSM6DSO16IS适用于消费类应用，而ISM330IS是一款6轴IMU系统级封装，专为工业应用而设计，两者都是采用片上处理的惯性器件。具有ISPU的传感器在功耗方面具有竞争力，节省计算资源，实现边缘处理，并延长电池寿命。
审核编辑 黄宇
