Prototypowanie modułów mikroprocesorowych do wykrywania wzorców ruchowych

• Autorzy: Marciniak Tomasz , Marciniak Wojciech , Dąbrowski Adam

Identyfikatory

DOI

10.15199/48.2022.02.18

Warianty tytułu

EN

Prototyping of microprocessor modules for human activity recognition

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono rozwiązania mikroprocesorowych modułów elektronicznych umożliwiających eksperymentalne rozpoznawanie wzorców ruchowych na podstawie danych pochodzących z czujników inercyjnych. Pokazano rozwiązania oparte na mikrokontrolerze ATmega328P oraz bardziej zaawansowane z użyciem mikrokontrolerów STM32L476RG oraz STM32L4R9. Omówiono możliwości czujników, w tym najnowszych rozwiązań zawierających elementy uczenia maszynowego. Przedstawiono oprogramowanie wspomagające proces przygotowywania projektów.

EN

The paper presents solutions of microprocessor electronic modules that enable an experimental recognition of movement patterns on the basis of data from inertial sensors. Simple solutions based on the ATmega328P microcontroller and more advanced ones with the use of STM32L476RG and STM32L4R9 microcontrollers were shown. The possibilities of sensors were discussed, including the latest solutions containing elements of machine learning. The software supporting the project preparation process was also presented.

Słowa kluczowe

PL

mikrokontroler; czujnik inercyjny; rozpoznawanie wzorca ruchowego

EN

microcontroller; inertial sensor; human action recognition

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 2
• Strony: 87--90
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Marciniak Tomasz

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0001-6035-732

autor

Marciniak Wojciech

• Koło Naukowe Decybel na Wydziale Automatyki, Robotyki i Elektrotechniki Politechniki Poznańskiej

• https://orcid.org/0000-0001-9232-9134

autor

Dąbrowski Adam

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

Bibliografia

• [1] Wearable Technology Market by Product (Wristwear, Headwear, Footwear, Fashion & Jewelry, Bodywear), Type (Smart Textile, Non-Textile), Application (Consumer Electronics, Healthcare, Enterprise & Industrial), and Geography - Global Forecast to 2026, https://www.marketsandmarkets.com/Market-Reports/wearable-electronics-market-983.html, dostęp 29.05.2021
• [2] Lara O.D., Labrador M.A., A Survey on Human Activity Recognition using Wearable Sensors, IEEE Communications Surveys & Tutorials, vol. 15, no. 3 (2013), s. 1192–1209
• [3] Xue Y., Jin L., A naturalistic 3D acceleration-based activity dataset & benchmark evaluations, 2010 IEEE International Conference on Systems, Man and Cybernetics, (2010), pp. 4081-4085
• [4] Maurer U., Smailagic A., Siewiorek D. P., and Deisher M., Activity recognition and monitoring using multiple sensors on different body positions, Proc. International Workshop on Wearable and Implantable Body Sensor Networks, (Washington, DC, USA), IEEE Computer Society, (2006), pp. 4 pp.-116
• [5] Arduino Home, https://www.arduino.cc/ , dostęp 30.05.2021
• [6] ATmega328P8-bit AVR Microcontroller with 32K Bytes In-SystemProgrammable Flash DATASHEET https://ww1.microchip.com/downloads/en/DeviceDoc/Atmel-7810-Automotive-Microcontrollers-ATmega328P_Datasheet.pdf, dostęp 30.05.2021
• [7] MPU-6000 and MPU-6050 Product Specification Revision 3.4, InvenSense, (2013)
• [8] Piekuta D., Opaska monitorująca na rękę ze zdalnym powiadamianiem, praca dyplomowa inżynierska, promotor Tomasz Marciniak, Politechnika Poznańska, (2018)
• [9] MIT App Inventor, https://appinventor.mit.edu/, dostęp 30.05.2021
• [10] Kumar A., Goyal S., Varma M. Resource-efficient Machine Learning in 2 KB RAM for the Internet of Things, Proceedings of the 34th International Conference on Machine Learning, PMLR 70:1935-1944, (2017)
• [11] Pete Warden and Daniel Situnayake, Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, O’Reilly Media, Inc., (2019)
• [12] STM32 Nucleo-64 development board with STM32L476RG MCU, supports Arduino and ST morpho connectivity, https://www.st.com/en/evaluation-tools/nucleo-l476rg.html, dostęp 30.05.2021
• [13] Getting started with the X-NUCLEO-IKS01A3 motion MEMS and environmental sensor expansion board for STM32 Nucleo, Rev. 3, STMicroelectronics, 2020
• [14] LSM6DSO iNEMO inertial module: always-on 3D accelerometer and 3D gyroscope, Rev. 2, STMicroelectronics, 2019
• [15] Unico GUI User manual, UM1049, Rev. 6, STMicroelectronics, (2019)
• [16] Getting started with the AlgoBuilder application for the graphical design of Algorithms, Rev. 9, STMicroelectronics, (2020)
• [17] How to use the wireless multi sensor development kit with customizable app for IoT and wearable sensor applications Rev. 6, STMicroelectronics, (2021)
• [18] LSM6DSOX: Machine Learning Core, Rev 5, STMicroelectronics, (2021)
• [19] Getting started with the STM32Cube function pack for ultra-low power IoT nodes for AI applications based on audio and motion sensing – User manual, Rev 6, STMicroelectronics, (2020)
• [20] Getting started with X-CUBE-AI Expansion Package for Artificial Intelligence (AI), Rev 7, STMicroelectronics, (2021)
• [21] Marciniak T., Podbucki K., Suder J., Dąbrowski A. (2020) Analysis of Digital Filtering with the Use of STM32 Family Microcontrollers. In: Bartoszewicz A., Kabziński J., Kacprzyk J. (eds) Advanced, Contemporary Control. Advances in Intelligent Systems and Computing, vol 1196. Springer, Cham. https://doi.org/10.1007/978-3-030-50936-1_25