*附件：適用于MEMS傳感器的先進ML：提高精度、性能和功耗.pdf
當前一代傳感器現在可以通過在邊緣利用機器學習（ML）技術來收集、分析和發送重要數據。

例如，預測性維護利用機器學習模型來評估傳感器數據，監控電機等設備，并識別磨損或潛在故障的早期跡象。這種積極主動的方法有助于防止故障，減少停機時間和維修費用。

通過整合關鍵的機器學習概念，傳感器現在能夠處理數據，提取有用的特征，并在不依賴外部計算資源的情況下做出獨立的決策。從本質上講，這些傳感器可以分析數據并做出預測，而不需要顯式編程。

本文討論了ML算法的進步如何徹底改變了傳感器數據的處理。它還強調了ML技術如何克服在邊緣處理傳感器數據的技術限制。

智能集成：MEMS傳感器中的ML算法

將ML算法集成到MEMS傳感器和AI技術中，可以開發出新一代智能、開放和精確的傳感器。這種集成減少了系統傳輸的數據量，并減輕了網絡處理的負擔，從而降低了功耗，實現了更可持續的解決方案。因此，精確的傳感器數據為最終用戶提供了相關和可操作的信息。

MEMS傳感器可以采用各種傳感器內處理技術，例如具有嵌入式機器學習核心（MLC）的傳感器和具有智能傳感器處理單元（ISPU）的傳感器（見圖1）。像嵌入式MLC這樣的功能使傳感器能夠識別精確的運動，并以最佳的能源效率將事件傳遞給處理器。ISPU的集成進一步優化了必要的計算能力，從而最大限度地提高了系統性能。

圖1：（a）MCU傳感器處理（資料來源）

(b)具有嵌入式機器學習核心的傳感器（資料來源）

(c)帶有智能傳感器處理單元（ISPU）的傳感器（資料來源）

具有嵌入式機器學習核心的傳感器

通過決策樹邏輯的傳感器數據的處理能力是使用決策樹來實現的，決策樹是一種數學工具，由“if-then-else”條件定義的可配置節點組成。這些條件評估輸入信號，該輸入信號由相對于閾值從傳感器數據計算的統計參數表示。

例如，在意法半導體的LSM6DSOX系統級封裝中，這種能力是通過監督學習實現的，其中包括：

• 識別要識別的類。
• 為每個類收集多個數據日志。
• 分析所收集的日志以學習將輸入（數據日志）映射到輸出（類）的通用規則。

活動識別算法中的類別可能包括靜止、步行、慢跑、騎自行車、駕駛等。必須為每個類別獲取多個數據日志，例如不同的人執行相同的活動。對這些數據日志的分析旨在：

• 定義準確分類不同活動所需的特征。
• 定義要應用于輸入數據的過濾器，使用所選功能增強性能。
• 生成一個專用的決策樹，通過將輸入映射到輸出來識別其中一個類。

一旦定義了決策樹，所提供的軟件工具就可以生成設備配置，允許決策樹在設備上運行，從而最大限度地降低功耗。

LSM6DSOX內部的ML核心功能可以分為三個主要模塊（圖2）：

1. 傳感器數據
2. 計算塊
3. 決策樹

圖2：機器學習核心模塊（資料來源）

傳感器數據：

在此階段，來自內置加速度計、陀螺儀或通過I2C主接口（傳感器集線器）連接的附加外部傳感器的數據。

計算塊：

在這個階段中，過濾器和特征被應用于第一塊中定義的輸入數據。特征是在用戶可選擇的時間窗口內從輸入數據（或從過濾數據）計算的統計參數。然后，這些計算出的特征充當第三塊的輸入。

決策樹：

決策樹評估在計算塊中計算的統計參數。它使用二叉樹將這些參數與特定閾值進行比較，以生成活動識別上下文中的結果，例如靜止、步行、慢跑、騎自行車等。可選的“元分類器”過濾器也可以細化來自決策樹的結果。ML核心結果的最終輸出包括決策樹結果和任何可選的元分類器過濾。

輸入：

輸入數據速率必須等于或超過ML核心數據速率。例如，在以26 Hz運行的活動識別算法中，ML內核的輸出數據速率（ODR）必須設置為26 Hz，傳感器ODR必須至少為26 Hz或更高。

ML核心使用以下單位約定：

• 加速度計數據，單位[g]
• 陀螺儀數據，單位[rad/sec]
• 磁力計的外部傳感器數據（單位：[高斯]）

外部傳感器（如磁力計）可通過傳感器集線器功能（模式2）連接到LSM6DSOX。在此設置中，來自外部傳感器的數據也可用于ML處理，其中前六個傳感器集線器字節（每個軸兩個）被視為ML核心的輸入。

過濾器：

ML核心濾波的基本元件是二階IIR濾波器，如圖3所示。

圖3：濾波器基本元件（資料來源）

通用IIR二階濾波器的傳遞函數為，

輸出可以定義為，根據圖3，

y（z）= h（z）x（z）

y（z）=y（z）。增益

ML內核包含各種濾波器類型（高通、帶通、IIR1、IIR2）的默認系數，以優化內存使用。選擇濾波器類型后，ML核心工具通過請求必要的系數來幫助配置濾波器。

產品特點：

特征是指從機器學習（ML）核心的傳感器輸入中導出的統計參數。所有特征都在指定的時間窗口內計算，也稱為“窗口長度”，表示為樣本數。對于用戶來說，確定窗口大小很重要，因為它在ML處理中起著至關重要的作用，因為決策樹中的所有統計參數都在此窗口內進行評估。

例如，在活動識別算法中，可以每2秒或3秒計算特征。如果傳感器以26 Hz運行，則窗口長度應分別約為50或75個樣本。

一些ML核心功能需要額外的參數進行評估，例如閾值。這些特征包括均值、方差、能量、峰峰值和值。

均值：

“平均值”功能使用以下公式計算所選輸入（I）在定義的時間窗口（WL）內的平均值：

差異：

“方差”功能使用以下公式計算所選輸入（I）在定義的時間窗口（WL）中的方差：

能源：

“能量”功能使用以下公式計算所選輸入（I）在定義的時間窗口（WL）中的能量：

峰間：

“峰峰值”功能計算所選輸入在定義的時間窗口內的最大峰峰值。

峰值檢測器：

“峰值檢測器”功能可在定義的時間窗口內對選定輸入的峰值（正和負）進行計數。

決策樹：

決策樹是一種預測模型，由可存儲在LSM6DSOX中的訓練數據創建。訓練數據由為需要識別的每個類獲得的日志組成。例如，在活動識別中，類別可以包括步行、慢跑和駕駛。

決策樹的輸入是前面章節中討論的計算塊結果。決策樹中的每個節點都有一個條件，該條件設置了用于評估給定特征的閾值。如果滿足條件，則評估真實路徑中的下一個節點。如果不是，則評估假路徑中的后續節點（參見圖3）。決策樹從一個節點到另一個節點，直到找到解決方案。

圖4：決策樹節點（資料來源）

決策樹為每個窗口生成一個新的結果，這是用戶指定的用于特征計算的“窗口長度”（圖4）。窗口的長度是根據樣本定義的，時間幀可以通過將樣本總數除以機器學習核心（MLC）的數據速率來計算。

時間窗口=窗口長度/ MLC_ODR

例如，如果窗口長度為104個樣本，MLC數據速率為104 Hz，則時間窗口為：

時間窗口= 104個樣本/ 104 Hz = 1秒

帶有智能傳感器處理單元（ISPU）的傳感器

意法半導體推出了一系列新的MEMS器件，稱為智能傳感器處理單元（ISPU）。這些器件適用于基于ML的個人電子和工業物聯網應用。ISPU器件集成了傳感和信號調理功能，沿著超低功耗、高性能可編程內核，與傳感器位于同一芯片上。該核心允許在傳感器封裝內執行信號處理和機器學習算法。

智能傳感器處理單元（ISPU）

ISPU是一款超低功耗、高性能的可編程DSP，旨在處理AI算法并直接在傳感器內執行實時處理。該技術旨在滿足邊緣應用的苛刻要求（圖5）。

圖5：智能傳感器處理單元的配置（資料來源）

LSM6DSO16IS和ISM330IS是具有ISPU功能的產品。LSM6DSO16IS是為消費類應用而設計的，而ISM330IS則是為工業應用而設計的。這兩款產品都包含一個3軸數字加速度計和一個3軸數字陀螺儀。這些始終在線的慣性器件具有管芯上處理能力。

ISPU由32位RISC哈佛架構內核、編程和數據RAM以及用于加法、減法和乘法的浮點單元（FPU）組成。它能夠使用傳感器集線器功能與外部傳感器連接并收集信息。該核心針對實時執行機器學習（ML）和深度學習算法進行了優化，以處理慣性或外部傳感器數據。

LSM6DSO16IS適用于將AI與消費類應用中的傳感器相結合，如手勢識別、活動識別和運動跟蹤。ISM330IS適用于機器人、狀態監測和資產跟蹤等基于邊緣的工業應用中的AI。

具有ISPU的傳感器在功耗方面具有很強的競爭力，即使在運行實時處理算法時也是如此。通過將AI優化的DSP和六軸慣性傳感器集成在同一芯片上，這些傳感器可以開發具有超低功耗的獨立消費或工業設備。該應用還需要一個主機MCU，它可以保持在睡眠模式，消耗很少的電流，直到被傳感器喚醒。這種方法節省了計算資源，支持邊緣處理，并延長了電池供電設計的電池壽命。

作為全球分銷商，我們與頂級供應商合作，提供各種具有機器學習功能的傳感器和必要配件：

結論

意法半導體的LSM6DSOX演示了通過使用監督學習的決策樹邏輯系統進行集成。該系統處理傳感器輸入，提取特征，并使用決策樹以最小的功耗對活動進行分類。通過在定義的時間窗口內利用過濾器和統計計算，決策樹有效地將輸入映射到輸出。ML技術的進步克服了技術限制，提高了基于邊緣的傳感器數據處理的效率和能力。意法半導體的ISPU器件最適合基于ML的物聯網應用。LSM6DSO16IS適用于消費類應用，而ISM330IS是一款6軸IMU系統級封裝，專為工業應用而設計，兩者都是采用片上處理的慣性器件。具有ISPU的傳感器在功耗方面具有競爭力，節省計算資源，實現邊緣處理，并延長電池壽命。

審核編輯 黃宇