Accelerometer baserad gestigenkänning för att styra en LED (2 / 8 steg)
Steg 2: Maskin lärande algoritm att känna igen gester
Den första sak att avgöra är Machine Learning (ML) algoritm. Mest använda algoritmer för problem med tiden seriedata, till exempel ljud och gest erkännande, är dolda Markov modell (HMM) och dynamiska tid skevhet (DTW). I det här fallet prototyp är processorn används för att bearbeta data som accelerometer och ML modell, att klassificera en gest, en ATmega328P. Denna processor har 32KB av minnesutrymme till lägga koden i det och 2KB utrymme av RAM-minne, så det skulle vara mycket svårt att genomföra en robust ML algoritm, som HMM och DTW, i LightBlue Bean processorn. Alltså, jag använde J48 beslut träd modellen byggdes av Weka (http://www.cs.waikato.ac.nz/ml/weka/) att känna igen gester. Ett beslut träd modell är i princip några ifs och annans som du lätt kan sätta i programkod.