當前，人工智能（Artificial intelligence，AI）概念火熱，已經成為頭條常客。據麥姆斯咨詢預測，人工智能市場規模預計將從2018年的214.6億美元增長到2025年的1906.1億美元，在此期間內的復合年增長率高達36.62%。人工智能可以提供各種廣泛的功能，包括位置和運動感知——確定用戶的狀態，例如是否處于站立、行走、跑步或睡眠狀態等。而在這些應用的背后，是人工智能在不斷采集的大量數據。智能手機、可穿戴產品和運動追蹤器制造商，以及相關應用開發商，都在爭奪這些數據，因為這些數據能夠幫助它們深入分析真實用戶的行為。制造商通過從中挖掘這種智慧獲得了競爭優勢——利用它來提高用戶的參與度，增加了設備的感知價值，潛在地減少了客戶流失。

消費類產品制造商如何挖掘MEMS慣性傳感器（目前已經在終端用戶設備中獲得廣泛應用）的內建功能，以充分利用人工智能？

博世6軸慣性測量單元逆向分析

機器學習

消費類產品制造商可以利用常用的智能傳感器和開源軟件，輕松地構建一款用戶活動分類引擎。例如，通過MEMS慣性傳感器收集原始數據的活動追蹤器，已經廣泛裝配在智能手機、可穿戴產品及其他消費類產品中。

憑借這些構建模塊，消費類產品制造商可以應用機器學習技術來對數據進行分類和分析。目前已有從邏輯回歸到深度學習神經網絡等多種可行的方案。

一種在人工智能應用中用于對序列進行分類且已獲得充分證明的方法，便是支持向量機（Support Vector Machines，SVM）。用戶無論是步行還是體育運動等身體活動，由MEMS傳感器收集的數據都包含某種特定序列重復的運動。MEMS傳感器可以很好的利用這些數據，方便地處理成可利用SVM進行分類的結構良好的模型。

由于SVM模型簡單易用且易于擴展和預測，獲得了消費類產品制造商的青睞。利用SVM建立多個同步進行的實驗，對多種復雜真實數據集進行分類優化，遠比其它方案簡單。SVM還能為底層分類帶來廣闊的尺寸和性能優化。

數據處理、存儲和傳輸的成本影響

在實踐中，用戶活動的識別取決于對人工智能數據的精準實時分類。因此，優化產品成本的關鍵在于，在不妥協分類精度的前提下，平衡數據傳輸、存儲和處理成本。

不過，這并沒有說起來這么簡單。例如，在云端存儲和處理人工智能數據，可能會給用戶帶來一定的數據賬單；而Wi-Fi、藍牙或4G模塊，則會推高設備成本，而且需要不間斷的互聯網接入，而這往往很難做到。

將所有的人工智能處理丟給主處理器，會大量消耗CPU資源，降低CPU處理能力。同樣，如果將所有人工智能數據存儲在設備上，則會增加設備的存儲成本。

解決問題

為了解決這些技術矛盾，我們需要完成4個步驟來實現人工智能和MEMS傳感器的最佳匹配。

首先，將特征處理從分類執行引擎剝離，分配至更強大的外部處理器。這樣可以實現特征處理器的最小化，同時還無需連續的實時數據傳輸。

第二，通過僅采用精準活動識別所必須的特征來減少存儲和處理需求。由UC Irvine Machine Learning Repository（美國加州大學歐文分校機器學習庫）創建的一個案例顯示，當采用561個特征的活動數據集來訓練人工智能模型時，其用戶活動識別精度為91.84%。而僅采用19個最具決定性的特征進行訓練時，該模型的識別精度仍能達到驚人的85.38%。需要注意的是，僅靠數據預處理無法識別這些關鍵特征。只有傳感器融合才能獲得精準分類所需要的數據可靠性。

第三，選用能夠合并多個傳感器（傳感器融合）數據，并能進行預處理實現永久在線執行的低功耗MEMS傳感器。一款低功耗或特定應用MEMS傳感器中樞可以大幅減少分類引擎所需要的CPU運行。而板載軟件則能直接生成各種傳感器數據速率下的融合傳感器輸出，支持高效的特征處理。

最后，利用能夠精準識別用戶活動的系統支持數據，對人工智能模型進行重訓練。

活動分類功能過程圖

此外，降低數據捕捉速率，也能將運算量和傳輸資源要求降至最低。通常，50Hz的采樣速率已經足夠應對用戶的日常活動。當然，對于快速運動的體育項目，采樣速率則有可能需要提高至200 Hz。通過這種方法降低動態數據速率選擇和處理，可以降低制造成本，同時也能為用戶帶來更輕和/或更強大的產品。

高效地處理人工智能數據，是實現其潛在價值、推動降低成本并為客戶帶來核心價值的關鍵。MEMS傳感器，結合傳感器融合和軟件分配，是提高人工智能數據處理效率的關鍵。能夠以極低功耗運行的MEMS傳感器，簡化了應用開發，同時還能精準地分析運動傳感器數據。

將人工智能和MEMS傳感器在一個共生系統中完美結合，將為產品設計商和終端用戶打開一片前所未有的新天地。