描述

介紹

據巴西衛生部長稱，到 2020 年，該國 36.8% 的人口習慣于在空閑時間進行某種體育活動。

為了尋求一種方法來改善人們在鍛煉時可以獲得的反饋，通過將 TinymL 與可以連接到啞鈴的小型開發板集成在一起開發了一個系統。

本項目將使用的開發板是Seeed XIAO nRF52840 BLE Sense，具有緊湊的尺寸、較低的功耗、能夠為電池充電以及內置加速度計和陀螺儀。該項目必不可少的傳感器。

3D外殼

為了能夠將整個系統帶到健身房或體育活動環境中，需要制作一個外殼來保護開發板免受意外跌落，同時能夠攜帶電池，從而可以在不使用的情況下運行電纜。

可以使用 3D 打印機制作一個簡單而實用的外殼。

3D 外殼的渲染。

?

數據采集

該項目的主要問題之一是能夠收集可靠的數據，因為收集數據涉及將整個系統連接到啞鈴的一側，啞鈴一直在上下移動，左右移動或同時移動。

解決這個問題的一種方法是使用藍牙將數據從慣性測量單元 (IMU) 傳輸到智能手機，而無需電纜。

通過 BLE 通量圖采集數據。

?

在這個項目中，主要關注三個練習，二頭肌卷曲，臥推和側平舉，所有這些練習都是使用啞鈴完成的。這個選擇是基于這些鍛煉不同類型肌肉的練習：分別是二頭肌、胸部和肩膀。

二頭肌卷曲、臥推和側平舉。

?

將外殼連接到啞鈴上。

?

要從微控制器接收數據，必須使用 Android 應用程序，為此，MIT App Inventor 2 網站上開發了一個應用程序。

該應用程序的功能是在必要的時間內從 IMU 的 6 軸接收數據，并將其存儲在 a.csv 文件或在線谷歌表格中。

左邊是應用程序，右邊是生成文件。

?

二頭肌卷曲收集數據的圖形可視化

?

模型訓練

為了訓練這個模型，我們使用了 Edge Impulse 網站。首先，所有采集到的原始數據都上傳到平臺內部進行預處理。為了生成我們的特征，我們將使用 256 點長度的 FFT。

模型設計將是一個密集神經網絡 (DNN)，其輸入層有 570 個神經元，兩個隱藏層分別有 40 個和 20 個神經元，一個 0.25 比率的 dropout 層，另外 10 個神經元層和 5 個神經元的輸出層，每個神經元一個每個班級。

NN 設置和模型性能。

?

模型測試

通過使用在數據采集階段收集的 20% 的數據，我們可以驗證我們的模型將如何處理未知數據。

模型測試結果。

?

盡管 85% 的準確率并不理想，但考慮到所分析數據的復雜性，這仍然是一個不錯的結果。

部署

訓練完成后，我們可以在我們選擇的開發板 Seeed XIAO nRF52840 BLE Sense 中部署模型，一個簡單的方法是使用 Edge Impulse 提供的編譯庫，之后，我們將擁有整個系統已準備好部署。

但是，我們仍然需要一種方法來可視化推理結果，為此，可以采用與數據采集階段相同的方法。

進行推論

通過開發一個新的應用程序來顯示推理，許多選項變得可用，推理結果可以通過音頻和智能手機振動顯示在智能手機屏幕上。還可以保存數據以創建整個練習部分的時間線，并可以執行數據分析以創建圖表，從而允許最終用戶進行交互并了解他的表現何時何地好或壞。

推論結果通量圖。

?

結論

借助該項目中使用的出色且可靠的電路板，我們可以使用我們的微型模型取得顯著成果。

如模型訓練部分所示，最終模型僅占用 1.9K RAM，這使我們有可能通過捕獲更多數據或來自新的不同練習的數據來進一步擴展和改進該項目。

在項目 Github 存儲庫中，您將找到所有使用的代碼，以及模型庫和 3D 外殼 stl 文件。

了解更多！

這個項目也在 Youtube 上：SciTinyML-23 - Day4 - UNIFEI 私人教練

如果您想了解更多關于通過藍牙收集數據的信息，請查看 Marcelo Rovai 制作的精彩教程：Sensor DataLogger 。

要了解并了解此項目中使用的開發板，請查看 Marcelo Rovai 制作的其他教程：TinyML Made Easy：異常檢測和運動分類。

謝謝你！

我們要感謝 CNPq 贊助這個項目，感謝 Seeed Studio 為我們提供這里使用的開發板，以及來自 4FIT 健身房的私人教練 Cleyton Nogueira。

也感謝您閱讀到這里，我們希望這個項目能以某種方式幫助您或給您對未來的新想法！