首先我的数据并没有做任何任何的处理，本来我是打算加一个直流滤波的，首先是效果不太好，其次是我都用上机器学习了我为什么还要自己处理数据？机器学习本事的目的就是节约我们的脑子，利用机器来提取特征，而不是我们自己去提取特征（直流偏置本身也是一种特征），就算我的信号有其他的误差，我们可以处理一下提高分辨度，但是！对于机器而言，这些本身就是他的特征，我们只需要告诉机器，哪些特征是对的，哪些特征是错的！

训练模型方面，我们使用MAX30102每10ms采样一次，每128次采样作为一组数据上传。
: K. `2 h, o* Z9 `% o
& K/ ]0 q* s. K* K2 V5 C

1. int i = 0;
   
2. void HAL_TIM_PeriodElapsedCallback(TIM_HandleTypeDef *htim)
   # }; k1 s4 H0 F8 t* O4 t2 o9 C& Q
3. {
   
4.     maxim_max30102_read_fifo(&red,&ir);
   
5.     printf("%ld ",ir);
   5 b) T8 b) U  ?: L  m
6.     i++;
   
7.     if(i==128)
   2 T1 w, E5 n7 ]/ R# @; |8 `
8.     {
   
9.       i=0;
   
10.       printf("\n");
    3 [/ }0 G+ {. K- U& u/ a
11.     }
    + i$ o5 w/ m% D3 l
12. }

复制代码

这里我们不对数据进行任何处理，因为既然我们选择了机器学习就是为了节省我们对于数据的处理，节省对于特征的提取。
6 I6 |& S+ W* }, y+ z& P
模型训练
" j% _0 K2 w. C+ @3 r8 T. N我们打开NanoEdge AI Studio,这次的项目我们选择异常检测。

$ |" n! v' `( g$ s' z' ]/ F7 V" i
3 f+ L  @* J. _* p: w
) B+ u5 r2 J9 \4 E8 i  s7 X1 j7 |3 w

传感器选择通用传感器，轴数为1，芯片型号选择自己所需要的芯片型号。



Regualr signals 常规数据
, `1 O! ?6 k8 VAbnormal signals 异常数据
0 m" F3 h& @8 S" [
我们通过串口（USB）分别导入正常的信号和异常的信号。

& C) h$ S: v: l/ A8 @, K# R
* T8 I9 V$ V/ Z; q) a% b


, H# p5 b% ]$ ?8 j  V数据集尽可能多且广泛并且经典。



. D6 E( `! k. [# O7 F我们总共导入了两百组信号，这些信号包含了大拇指，中指以及稍微靠前的位置和稍微靠后的位置，保证数据集的范围足够的广泛。
3 k" b) g- H8 u7 c" s
$ ]; L# a+ T# I. e
% c5 |2 L% @! L$ Z  E- Q
* Z: b( e, D2 E5 g- Z异常信号就非常简单，我们放在那里空置信号，晃动信号这里我放在那里测了总共三百多组（打游戏打忘记了）。
" Y. l" L% s- O- e
然后利用这两组信号进行训练。

+ I/ Z& b7 ?! v$ s

% m/ k5 g6 E7 C我们将异常信号和正常信号全部选上，之后进行训练。

- x( W+ @! [0 @# y* R

之后查看训练详情，等待模型训练完成。
  C: R! w% @( c8 |' H
+ D  x2 |% Z3 P# m9 M* @, |
" O% B' m, W# o* U; C; C  L
可以看到，训练完的模型无论是准确率还是RAM大小Flash大小，都相当的合适，接下来我们测试一下我们的模型。
; R- W. N* M- Y+ S

% q3 _9 M% h: w
/ g$ Q* S- \( r8 s7 R) s" [这边可以查看训练过程中的模型。
4 Y) J. i; @  H- F& n* `


验证我们的模型。



  l& h' x% B/ o# Y这里需要注意的是，我们第一次导入数据会先进行训练，异常检测需要有一个学习环节。
# q" V7 ^7 Y1 s4 `; @
官方的手册中推荐了至少十组正常数据进行学习。



  }  j  A% P0 t我录了21组正常数据进行学习。

然后就可以对模型进行验证。




部署我们的模型，其中需要他的.a文件和.h文件。
, M" L+ J9 Z" \# l# ]
& J* o  }: L! H% P& c

! Y8 W% B/ _- C- e" h2 h3 H# b3 M. S这里我们需要使用CubeIDE来编程。因为这里的.a文件是静态文件，静态文件使用keil编程有点麻烦，需要安装GCC编译器，STM32CubeIDE集成好了可以编译.a文件。
* |' C0 O1 t3 x6 g- k

9 Z3 X. E- m+ @3 Q
在属性中添加静态库的路径。
; q0 Q2 y3 P) s  z- D
7 x/ o! `$ V" {6 J5 [% l. p

在库中添加路径，我们的.a文件是libneai.a，这里需要省略lib和后缀.a



% Q; e; J/ ^! p$ J( S* q导入NanoEdgeAI的库函数。
% ?' T! ?( e) H1 S' S! b1 Y

4 l8 ?- f- s' s9 Q5 ~1 F  c! p$ |4 F
) p) z5 w; c3 c$ }& v可以看到这里有三个函数，初始化函数，学习函数以及预测函数。

* m9 c: L9 Y( i4 p

1. enum neai_state MyState;

复制代码

定义一个枚举变量用来存放标志位。

1. MyState  = neai_anomalydetection_init();//初始化

复制代码

初始化我们的模型。

1. float IRD[128];
   
2. int i = 0;
   $ @2 K2 H4 C. {! C
3. int LeranTime= 0;
   
4. void HAL_TIM_PeriodElapsedCallback(TIM_HandleTypeDef *htim)
   
5. {
   
6.     uint8_t yuce;
   
7.     maxim_max30102_read_fifo(&red,&ir);
   
8.     IRD[i] = ir;
     q9 H9 V# V2 E9 r, [
9.     i++;
   
10. 
    ) i, m* T) `/ ~4 T$ d4 S
11.     if(i==128)
    
12.     {
    
13.       if(LeranTime<10)
    ' R! G* G, j  c3 G+ M: \9 c3 y
14.       {
    
15.         HAL_GPIO_TogglePin(GPIOF, GPIO_PIN_9);//LED翻转
    
16.         neai_anomalydetection_learn(IRD);
    5 _/ Q7 z  {$ R2 \* p4 o; m
17.       }
    
18.       else
    9 k3 V( h5 j. Z+ ^
19.       {
    4 k3 N- E7 H7 t4 e; o; B; T+ R' b
20.         neai_anomalydetection_detect(IRD, &yuce);
    
21.         if(yuce>80)
    
22.         {
    
23.           HAL_GPIO_WritePin(GPIOF, GPIO_PIN_10, 1);
    
24.         }
    
25.         else
    " d* j8 V, S3 ^" W; i: I
26.         {
    3 t, B- O. e2 V! o, {* S
27.           HAL_GPIO_WritePin(GPIOF, GPIO_PIN_10, 0);
    0 [- b# j/ y4 L
28.         }
    ( P9 C! S  s! [: w* |
29.       }
    
30.       LeranTime++;
    1 k5 o% h' F/ w1 g( ?2 x
31.       i = 0;
    
32.     }
    ' e6 a; n7 A8 ~: ^
33. }

复制代码

1 Q3 |9 K# t0 L4 {/ M8 m我们在定时器回调函数中调用，上电之后前十次为学习阶段，之后对测量值进行预测，当预期值>80即认为状态正常，则灯灭。
如果预期值<80则报警灯想起。
* M3 w  @! b+ k9 l, x% r  {' [

9 a6 p0 S/ D7 B3 p
转载自：电路小白
如有侵权请联系删除
5 ~+ u) R- A' K6 t! g