当前，人工智能（ArTIficial intelligence，AI）概念火热，已经成为头条常客。据麦姆斯咨询预测，人工智能市场规模预计将从2018年的214.6亿美元增长到2025年的1906.1亿美元，在此期间内的复合年增长率高达36.62%。人工智能可以提供各种广泛的功能，包括位置和运动感知——确定用户的状态，例如是否处于站立、行走、跑步或睡眠状态等。而在这些应用的背后，是人工智能在不断采集的大量数据。智能手机、可穿戴产品和运动追踪器制造商，以及相关应用开发商，都在争夺这些数据，因为这些数据能够帮助它们深入分析真实用户的行为。制造商通过从中挖掘这种智慧获得了竞争优势——利用它来提高用户的参与度，增加了设备的感知价值，潜在地减少了客户流失。

消费类产品制造商如何挖掘MEMS惯性传感器（目前已经在终端用户设备中获得广泛应用）的内建功能，以充分利用人工智能？

博世6轴惯性测量单元逆向分析

机器学习

消费类产品制造商可以利用常用的智能传感器和开源软件，轻松地构建一款用户活动分类引擎。例如，通过MEMS惯性传感器收集原始数据的活动追踪器，已经广泛装配在智能手机、可穿戴产品及其他消费类产品中。

凭借这些构建模块，消费类产品制造商可以应用机器学习技术来对数据进行分类和分析。目前已有从逻辑回归到深度学习神经网络等多种可行的方案。

一种在人工智能应用中用于对序列进行分类且已获得充分证明的方法，便是支持向量机（Support Vector Machines，SVM）。用户无论是步行还是体育运动等身体活动，由MEMS传感器收集的数据都包含某种特定序列重复的运动。MEMS传感器可以很好的利用这些数据，方便地处理成可利用SVM进行分类的结构良好的模型。

由于SVM模型简单易用且易于扩展和预测，获得了消费类产品制造商的青睐。利用SVM建立多个同步进行的实验，对多种复杂真实数据集进行分类优化，远比其它方案简单。SVM还能为底层分类带来广阔的尺寸和性能优化。

数据处理、存储和传输的成本影响

在实践中，用户活动的识别取决于对人工智能数据的精准实时分类。因此，优化产品成本的关键在于，在不妥协分类精度的前提下，平衡数据传输、存储和处理成本。

不过，这并没有说起来这么简单。例如，在云端存储和处理人工智能数据，可能会给用户带来一定的数据账单；而Wi-Fi、蓝牙或4G模块，则会推高设备成本，而且需要不间断的互联网接入，而这往往很难做到。

将所有的人工智能处理丢给主处理器，会大量消耗CPU资源，降低CPU处理能力。同样，如果将所有人工智能数据存储在设备上，则会增加设备的存储成本。

解决问题

为了解决这些技术矛盾，我们需要完成4个步骤来实现人工智能和MEMS传感器的最佳匹配。

首先，将特征处理从分类执行引擎剥离，分配至更强大的外部处理器。这样可以实现特征处理器的最小化，同时还无需连续的实时数据传输。

第二，通过仅采用精准活动识别所必须的特征来减少存储和处理需求。由UC Irvine Machine Learning Repository（美国加州大学欧文分校机器学习库）创建的一个案例显示，当采用561个特征的活动数据集来训练人工智能模型时，其用户活动识别精度为91.84%。而仅采用19个最具决定性的特征进行训练时，该模型的识别精度仍能达到惊人的85.38%。需要注意的是，仅靠数据预处理无法识别这些关键特征。只有传感器融合才能获得精准分类所需要的数据可靠性。

第三，选用能够合并多个传感器（传感器融合）数据，并能进行预处理实现永久在线执行的低功耗MEMS传感器。一款低功耗或特定应用MEMS传感器中枢可以大幅减少分类引擎所需要的CPU运行。而板载软件则能直接生成各种传感器数据速率下的融合传感器输出，支持高效的特征处理。

最后，利用能够精准识别用户活动的系统支持数据，对人工智能模型进行重训练。

活动分类功能过程图

此外，降低数据捕捉速率，也能将运算量和传输资源要求降至最低。通常，50Hz的采样速率已经足够应对用户的日常活动。当然，对于快速运动的体育项目，采样速率则有可能需要提高至200 Hz。通过这种方法降低动态数据速率选择和处理，可以降低制造成本，同时也能为用户带来更轻和/或更强大的产品。

高效地处理人工智能数据，是实现其潜在价值、推动降低成本并为客户带来核心价值的关键。MEMS传感器，结合传感器融合和软件分配，是提高人工智能数据处理效率的关键。能够以极低功耗运行的MEMS传感器，简化了应用开发，同时还能精准地分析运动传感器数据。

将人工智能和MEMS传感器在一个共生系统中完美结合，将为产品设计商和终端用户打开一片前所未有的新天地。