221e：从AI 驱动之STM32传感器模块Muse所获得的2个启发

现今的问题已经不再是边缘AI是否将会持续存在，而是如何才能在竞争激烈的领域中成功。因此，ST特别采访了边缘机器学习技术之传感器模块的知名意大利公司－221e，同时它亦是ST合作伙伴计划的成员，帮助大家了解其如何使用STM32微控制器和ST传感器所打造出的三个平台：用于严峻环境的NeuraTrack，以及用于研究的Mitch和Muse。

三个平台都提供了「传感器融合 AI」或「NeuraSense」技术，该技术将来自嵌入式加速度计、陀螺仪和磁力计的数据传送到能够识别活动或动作类型的神经网络。NeuraSense运行于221e的动作处理引擎（Motion Processing Engine，MPE）上，可融合多个传感器IMU数据。作为ST授权合作伙伴，221e最初设计其MPE目的是为了救生相关应用，其不容许任何错误发生。因此，它能够提供高度准确的结果，为各种应用提供信息。

为了协助大家了解，我们将重点介绍Muse。Muse平台采用了STM32WB5MMG模块和LSM6DSO32惯性传感器，用于追踪主流和医疗环境中的活动。其PCB很小，仅22mmx22mm，但功能强大，能以1,600Hz 的频率采集惯性数据，并透过Bluetooth Low Energy 5.0发送信息。事实上，已有4家意大利医院使用了Muse系统。在了解健康装置必须满足的严格需求后，让我们一探221e如何利用ST的元件将 AI导入该平台，以及其团队在此过程中习得的经验。

221e之旅：从 ST 开发套件到优化应用

始于一个想法：更易于认证的模块

Muse是221e首款配备蓝牙模块的装置，因为Mitch和NeuraTrack使用的是BlueNRG处理器。该公司所解释，「使用像STM32WB5MMG这样的模块意味着我们不需要担心认证问题，因为它内建了天线和晶振，而本身亦已获得认证，因此无论客户身处世界何处，都能帮助他们更直接地获得所需的射频认证。」

轰动的成果：利用 ST 硬件，专注于创新程序码的开发

221e这个ST的授权合作夥伴也分享了如何经常使用，并仰赖ST的开发套件与工具，如 STEVAL-STWINKT1B（STWIN）、STEVAL-STLKT01V1（SensorTile）或STM32WB5MM-DK（STM32WB5MMG 模块的首款开发套件）等。工程师从ST免费提供的原理图中获得灵感，并利用与专家交流经验加速设计。这解释了Muse如何在小尺寸封装中整合如此强大的功能的原因。此外，这种方式还能让 221e能够专注于韧体开发。

221e分享道：「我们喜欢从零开始进行软件研发。透过 ST的硬件专业技术，我们可以专注于优化程序码，以尽可能高效的方式发挥最大的效能。我们在谈论的是电池供电系统上的微控制器和传感器。将 AI 导入资源受限的环境需要进行更深度的优化，而我们最有效的方式就是利用ST的硬件专业技术，这样一来我们就可以专注于发挥自己擅长的领域。」

从实际应用来看，这样的方式让221e 创造出一个非常灵活的平台。

经验学习：专注于重要的事务

第一个启发：确保数据品质，并追求数据量

221e选择LSM6DSO32传感器，其中一个重要原因是它能够在提供高采样率的同时，仍然维持精确的测量。这款加速度计能够提供±4 / ±8 / ±16 / ±32g的测量，而陀螺仪还能支持每秒±125 / ±250 / ±500 / ±1000 / ±2000度的角速率范围，并在高性能模式下仅消耗0.55mA的电流。

简单来说，这款传感器能够在不牺牲Muse小型系统固有的功耗限制的情况下，为系统提供优质的数据。因此，221e解释了如何能够专注于获取数据，而不必过度考量数据品质的问题。

221e将Muse系统放在不同位置，以获取大量的动作数据，并依此建立超过30种不同类型的分类。在6个月的时间里，该221e共取得来自40多名受试者的数百万笔数据，每种动作类型至少有65,000笔记录。此外，他们可以使用同一套系统透过持续采集数据来改善其神经网络模型。由于Muse可以取得数据并运行神经网络演算法，因此收集新数据和提供更新仍是一种具有成本效益的做法。

经验学习2：着眼未来；第一个进入市场并不等同于持续领先

221e近期正在开发一款新平台，该平台将使用ST的新款ISM330IS ISPU传感器。这款传感器内建处理单元，无需唤醒微控制器的前提下就能提供更强大的运算能力。ST合作夥伴计划成员表示这种全新的ISPU功能不仅能带来更高的节能效果，还为更加复杂的神经网络的运算法提供了可能性。简而言之，尽管221e目前在边缘机器学习领域维持领先，但他们也意识到必须快速采用新技术来不断创新才能维持领先地位。一个重要启发是，在机器学习领域抢先一步并不意味着就能永远保持领先。

Muse背后的工程师团队也在探索使用STM32WL及其LoRa功能的可能性。他们正在研究在蓝牙低功耗之外的新通讯模式。事实上，使sub-GHz频段的网络可以让他们与闸道器进行通讯，并更快速地将数据发送到云端，或者建立大型的网状网络（Mesh Network）。因此，另一个重要启发是，不仅要使用最新的传感器并更新神经网络模型，还要建立更强大的通讯网络，使机器学习应用发挥更大的意义和价值。

若有兴趣了解更多关于意法半导体的相关信息，请浏览官网。