HAR-ON-STM32F401C

演示视频https://www.bilibili.com/video/BV1uK411D79q/?vd_source=284b37bc7af427186c30192c35506c9d

概述

• 在STM32F401C-DISCO开发板上部署轻量级的卷积神经网络(CNN)，进行人体活动识别(HAR)，识别的姿态包括步行、慢跑、上楼、下楼、站姿、坐姿。开发板正面朝下放置在右前裤兜中进行测试，系统读取板载LSM303加速度计输出的加速度（20Hz速率连续读取90组三轴加速度值），通过网络模型推理出用户此时的活动状态（给出6种状态的可能性百分数）并且输出可能性最大的状态的标签作为系统最终预测结果。

• 数据集使用无线传感器数据挖掘（WISDM）实验室发布的Actitracker数据集[链接]，该数据库中提供的数据是以20Hz的采样率的，从36个用户的口袋中使用智能手机收集的。数据包含x、y和z轴的加速度值，而用户在受控环境中执行六种不同的活动：步行、慢跑、上楼、下楼、站姿、坐姿。

• 网络模型参考了Shahnawax/HAR-CNN-Keras的设计，将数据集按照窗口长度90，步长45进行分割，形成24141个样本和标签值，这些样本和标签被分为80%训练集和20%测试集。训练集进一步分成具有相同分布的训练和验证数据。这里为了适配板载资源减少了全连接层的神经元个数，使测试集上的准确率从92.1%降低为85%，准确率有待提高，后续会选择资源更丰富的MCU以及从板载加速度传感器搜集数据创建自己的运动数据集，模型的示意图和测试脚本生成的混淆矩阵如下：

• 最终部署在STM32F401C-DISCO开发板上C-Model模型是原模型文件model.h5导入X-CUBE-AI插件后，经过8倍压缩后生成的。

文件

1.Modelfile

• model 文件夹包含actitracter_raw.csv数据集，人类活动识别（HAR）模型的Keras实现脚本HAR.py,数据集清洗处理之后生成的segments.npy,labels.npy（方便脚本直接导入)，脚本生成的测试集testData.npy,测试集的标签groundTruth.npy，structure.png模型结构示意图以及训练好的模型文件model.h5

• evaluate文件夹包含测试脚本evaluate_model.py，评估网络模型在testData上的性能，以及脚本生成的混淆矩阵Confusion Matrix.png

• cubeai_validation文件夹包含脚本validation.py,将测试集testData.npy,测试集的标签groundTruth.npy转换为用于验证STM32Cube.AI生成的C模型的csv文件testx_cubeai.csv,testy_cubeai.csv

2.Firmware

• 包括STM32F401C-DISCO开发板工程文件夹F401_HAR以及原理图F401_DISCO.pdf

3.SensorData

• WISDM官网数据和相关文章 [链接]

工具

• STM32CubeIDE V1.10.1
• STM32 X-CUBE-AI V7.1.0
• STM32CubeF4 V1.27.0
• python3.8.13
• keras2.4.3
• scipy
• numpy
• matplotlib
• sklearn