基于边缘侧的体态识别实例

背景介绍

  近年来，国内一直大力发展数字经济，从共享单车到新能源汽车，其主要推动力在于硬件性能的不断提升，软件系统的不断优化，带动了物联网行业不断的向前发展。物联网想要真正赋能实体经济，需要多个学科之间相互协调，整个过程中存在巨量的市场，也存在一些小众领域，能吃一些残羹剩饭。

图1 物联网嵌入式系统的架构

  传统的系统架构为：通过网关将嵌入式硬件采集的数据上传到物联网云平台，整个过程中需要占用的硬件资源比较多，系统的实时性比较差。近年来，随着人工智能算法的不断发展，出现了各种轻量化的神经网络模型，能够支持数据边缘侧进行实时处理（特征提取），并将结果反馈到云平台。

机器学习算法

  调研发现，传感器采集的数据大多属于时序数据，工程师能够通过算法对信息规律地分析和挖掘，实现对未来事件的准确预测，相关成果广泛应用于人体运动状态预测、依据ECG信号识别人体生理状态、污染物浓度预测、机械设备寿命预测、地基变形规律预测以及股票的涨跌预测等。

  传统的时间序列预测主要基于统计学方法，通过数学模型描述数据背后的耦合关系，主要包含：指数平滑法、移动平均（MA）、 自回归（AR）等。然而很多实际场景中很难建立准确的数学模型（ECG生理信号等），因此，近些年为了解决该问题，发展出RNN以及LSTM等机器学习算法，具体原理如下所示：

图2 LSTM网络模型结构

  LSTM内部主要包含三个门（遗忘门、输入门和输出门）和记忆单元 （Memory Cell）两块，其中，遗忘门、输入门和输出门的数学表达式为：
$$\begin{array}{l}{f}_t=\sigma (W_{hf}\ast h_{t-1}+W_{xf}\ast x_t+b_f)\\ i_t=\sigma (W_{hi}\ast h_{t-1}+W_{xi}\ast x_t+b_i)\\ o_t=\sigma (W_{ho}\ast h_{t-1}+W_{xo}\ast x_t+b_o)\end{array}$$

单元状态的更新函数为：
$$\begin{array}{l}{C}_t=f_t\ast C_{t-1}+i_t\ast {\tilde{C}}_t\\ {\tilde{C}}_t=\tanh (W_{hc}\ast h_{t-1}+W_{xc}\ast x_t+b_c)\end{array}$$

系统的输出为：
$$h_t=o_t\ast \tanh (C_t)$$  附1：AR模型：当前值是前 p 时刻序列的线性组合，核心本质属于线性拟合，通过求解矩阵方程组获取拟合拟合参数；
  附2：LSTM的数学模型跟力学涉及的材料本构极为相似，在什么时候有限元解是唯一的，什么时候是无解的，最后可以用数学上不动点原理来解答。

应用实例

  智能可穿戴设备在生活中具有广泛的应用，能够自动采集人体的状态数据。本项目中建立了LSTM模型，后续导入智能手机获取的加速度信号进行训练，判断穿戴者的状态（坐下、站立、走动、跑步以及跳动）。本项目采用6组时序数据作为训练集，每组数据包含X、Y、Z方向的加速度信号，具体过程如下所示：

图3 LSTM网络训练过程

  后续将LSTM模型封装为函数，直接部署到网关中，本项目采用的网关硬件参数为： 4核心；内存：512M；存储容量：4g ；支持sd卡；

clear all;clc
filename = 'data.txt'; 
datatable = importdata(filename); 
changdu=50;
traindata=zeros(3,changdu);

for i=1:length(datatable)
    temp=tiqu(datatable{i,1});
    if i<(changdu+1)
        traindata(1,i)=temp(1,1);
        traindata(2,i)=temp(1,2);
        traindata(3,i)=temp(1,3);
    end    
    if i>changdu
        traindata=circshift(traindata,-1,2);
        traindata(1,changdu)=temp(1,1);
        traindata(2,changdu)=temp(1,2);
        traindata(3,changdu)=temp(1,3);
    end
    ypre=acceleration(traindata);    
end