ウクレレ･コード分類
楽器が発する振動の分析による演奏コードの検出。
システムはさまざまな信号を発することで周囲環境へ影響を与えます。 そうした信号は装置の動作を反映する適切な情報源です。 これらの信号を理解できれば大幅な最適化が可能になります。 機械学習は、システムによって生成されたデータを人間にとって意味のあるデータにするのに役立ちます。
例えば、この場合は機械学習ライブラリを使用して振動パターンを分析することで和音のコードを認識できます。 このアプローチは他のアプリケーションに容易に適用可能で、各種イベントの分類とソリューションのスマート化を実現します。
例えば、この場合は機械学習ライブラリを使用して振動パターンを分析することで和音のコードを認識できます。 このアプローチは他のアプリケーションに容易に適用可能で、各種イベントの分類とソリューションのスマート化を実現します。
アプローチ
背景雑音の影響を低減するために音ではなく振動を測定しました。
分析の結果、周波数2000Hzでコードの認識が可能でした。 加速度センサは3300Hz（最低センサ周波数）に設定しました。
20種類のコードのサンプル（1コード当たり100信号）を記録しました。
そして、NanoEdge AI Studioで「Nクラス分類」モデルを作成し、NUCLEO-L432KC（およびSTEVAL-MKI178V1とLSM6DSL）で実際にテストしました。
分析の結果、周波数2000Hzでコードの認識が可能でした。 加速度センサは3300Hz（最低センサ周波数）に設定しました。
20種類のコードのサンプル（1コード当たり100信号）を記録しました。
そして、NanoEdge AI Studioで「Nクラス分類」モデルを作成し、NUCLEO-L432KC（およびSTEVAL-MKI178V1とLSM6DSL）で実際にテストしました。
センサ
加速度センサ（3軸）：LSM6DSL
データ
20クラスのデータ20 Ukulele chords
信号長3072（1024* 3軸）
データレート3300 Hz
信号長3072（1024* 3軸）
データレート3300 Hz
結果
20クラス分類:
99.58%の精度、13.9 kB RAM、82.9 kB フラッシュ
緑の点は正しく分類された信号を表し、赤い点は誤って分類された信号を表します。 横座標はクラス、縦座標は正常状態に対する類似度です。
99.58%の精度、13.9 kB RAM、82.9 kB フラッシュ
リソース
モデル作成ツール NanoEdge AI Studio
要件に合った最適なAIモデルを簡単に見つけられるようユーザをステップ･バイ･ステップでガイドし、組込みプロジェクトにAIを追加できる無償のAuto MLソフトウェアです。
対応製品 STM32
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
