傳感器 動(dòng)作識(shí)別：【歡芯？培訓(xùn)】碳化硅半導(dǎo)體技術(shù)精英課程火熱報(bào)名
作者：DIGITIMES陳明陽(yáng)
韓國(guó)科學(xué)技術(shù)院(KAIST)計(jì)算機(jī)科學(xué)系的Sungho Jo教授與首爾國(guó)立大學(xué)的Seunghwan Ko教授領(lǐng)導(dǎo)的研究團(tuán)隊(duì)開(kāi)發(fā)配戴在手腕、基于深度學(xué)習(xí)的單股電子皮膚傳感器貼片，可隔空實(shí)時(shí)監(jiān)測(cè)與譯碼人類5根手指的復(fù)雜動(dòng)作。
研究團(tuán)隊(duì)指出他們的系統(tǒng)可擴(kuò)展適用于人體其他部分，目前已能從骨盆位置監(jiān)測(cè)步態(tài)動(dòng)作，未來(lái)人體只需部署小型傳感器網(wǎng)便能追蹤全身動(dòng)作，將可實(shí)現(xiàn)從遠(yuǎn)端間接衡量人體動(dòng)作，并應(yīng)用于穿戴式擴(kuò)增實(shí)境(AR)與虛擬實(shí)境(VR)系統(tǒng)，更可望成為健康監(jiān)測(cè)、動(dòng)作追蹤、軟性機(jī)器人發(fā)展的轉(zhuǎn)折點(diǎn)。
傳統(tǒng)動(dòng)作監(jiān)測(cè)須部署多個(gè)傳感器網(wǎng)完整涵蓋目標(biāo)區(qū)的曲線表面，新的皮膚傳感器使用經(jīng)快速情境學(xué)習(xí)(RSL)強(qiáng)化的深度神經(jīng)網(wǎng)絡(luò)，確保無(wú)論置于皮膚表層任何位置都能穩(wěn)定運(yùn)作。此外新皮膚傳感器的建構(gòu)以鐳射取代傳統(tǒng)基于晶圓的制作方式，可望成為動(dòng)作追蹤感測(cè)的新典范。
RSL從手腕的任意位置收集手部動(dòng)作數(shù)據(jù)，再據(jù)以自動(dòng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并能實(shí)時(shí)以虛擬的3D手部影像，在熒幕上同步模擬展示識(shí)別到的原始手指動(dòng)作。研究團(tuán)隊(duì)設(shè)計(jì)的新感測(cè)系統(tǒng)，透過(guò)運(yùn)用鐳射在金屬薄膜上引發(fā)納米級(jí)粒子裂縫的方式，來(lái)提升傳感器的靈敏度，并支援感測(cè)與分辨多手指動(dòng)作所產(chǎn)生的訊號(hào)。
研究團(tuán)隊(duì)發(fā)現(xiàn)在部署傳感器監(jiān)測(cè)多支手指動(dòng)作時(shí)，選定單一區(qū)域會(huì)比在每一塊關(guān)節(jié)與肌肉上配置個(gè)別傳感器更有效率，因此成功的關(guān)鍵首先是將皮膚傳感器部署于每支手指的動(dòng)作訊號(hào)共同匯聚的單一區(qū)域，再?gòu)幕祀s的訊號(hào)中區(qū)分出個(gè)別手指的動(dòng)作數(shù)據(jù)。此外并采用單通道傳感器監(jiān)測(cè)復(fù)雜的手部動(dòng)作，以極大化使用者手指的可用性與活動(dòng)性。
研究團(tuán)隊(duì)表示開(kāi)發(fā)新的皮膚傳感器主要聚焦于2項(xiàng)工作，首先是分析傳感器收集到的訊號(hào)模式，以獲得含有時(shí)間性傳感器行為的隱性空間；接著則是將隱性矢量對(duì)應(yīng)到手指動(dòng)作的度量空間，以實(shí)時(shí)、正確識(shí)別個(gè)別手指的動(dòng)作。
舉報(bào)/反饋
傳感器 動(dòng)作識(shí)別：一種識(shí)別揮手動(dòng)作的傳感器的制作方法
本發(fā)明涉及一種傳感器，更具體地說(shuō)是指一種識(shí)別揮手動(dòng)作的傳感器。
背景技術(shù)：
隨著經(jīng)濟(jì)和技術(shù)的發(fā)展，尤其是智能化的普及，智能家居解決方案應(yīng)運(yùn)而生，智能家居是又物聯(lián)網(wǎng)應(yīng)用實(shí)例，目前5g開(kāi)始布局，未來(lái)是物聯(lián)網(wǎng)的世界，物聯(lián)網(wǎng)用得最多的就是傳感器，在智能家居方案里有紅外探頭、可燃?xì)怏w探測(cè)器、煙霧探測(cè)器、門磁、窗磁、智能遙控器、語(yǔ)音遙控等，語(yǔ)音遙控近兩年興起的熱門技術(shù)，搜索語(yǔ)音遙控相關(guān)的專利有300項(xiàng)之多。語(yǔ)音遙控的優(yōu)點(diǎn)是非常智能，缺點(diǎn)都要求非常高的計(jì)算能力，所以付出成本相當(dāng)高。
對(duì)于很多家電來(lái)說(shuō)，控制就是很簡(jiǎn)單的動(dòng)作：開(kāi)和關(guān)，比如空調(diào)開(kāi)和關(guān)，照明燈的開(kāi)和關(guān)等，另外在人活動(dòng)不方便的場(chǎng)合，比如醫(yī)院，本發(fā)明使病人很方便呼叫服務(wù)。因此本發(fā)明就是發(fā)明一種傳感器，用一種算法只檢測(cè)揮揮手的動(dòng)作，對(duì)揮揮手產(chǎn)生信號(hào)，而人動(dòng)無(wú)信號(hào)。成本低又簡(jiǎn)單的一種輸入傳感器，以滿足智能家居、醫(yī)院等的需求。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明提供一種識(shí)別揮手動(dòng)作的傳感器。
為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：
一種識(shí)別揮手動(dòng)作的傳感器，包括人和手，超聲波發(fā)射和接收傳感器，處理器芯片，超聲波發(fā)射電路模塊，超聲波接收信號(hào)處理模塊，聯(lián)接主設(shè)備模塊，電源模塊;超聲波發(fā)射電路模塊和超聲波發(fā)射傳感器相連;超聲波接收傳感器和超聲波接收信號(hào)處理模塊相連接；處理器芯片和超聲波發(fā)射電路模塊、超聲波接收信號(hào)處理模塊、聯(lián)接主設(shè)備模塊、電源模塊相連接。
更進(jìn)一步地，遙控信號(hào)是人的揮手動(dòng)作，不需要其它任何實(shí)物。
更進(jìn)一步地，所述的超聲波發(fā)射和接收傳感器，發(fā)射和接收傳感器安裝在同一面并相距一定間隔，盡最大可能接收從發(fā)射傳感器人體反射回來(lái)的信號(hào)。
更進(jìn)一步地，其特征在于，所述的處理器芯片，控制超聲波的信號(hào)發(fā)射，通過(guò)內(nèi)部ad采樣超聲波接收信號(hào)處理模塊的信號(hào)后，分析信號(hào)幅度、頻率、揮手動(dòng)作特征信號(hào)，綜合距離等因素運(yùn)算并識(shí)別出揮揮手的動(dòng)作，區(qū)分人體運(yùn)動(dòng)的動(dòng)作，只對(duì)揮揮手動(dòng)作產(chǎn)生反應(yīng)；微處理器芯片把成功識(shí)別后的揮揮手動(dòng)作傳送到主設(shè)備；處理器芯片對(duì)裝置的電源進(jìn)行管理，減少功耗，獲得足夠長(zhǎng)的使用時(shí)間。
更進(jìn)一步地，所述的超聲波接收信號(hào)處理模塊，包括信號(hào)放大、整流整流后分高頻和低頻兩路帶通濾波器濾波，濾波加放大后給微處理器芯片運(yùn)算并分析出揮手的動(dòng)作,帶通濾波器可以是模擬濾波器或者數(shù)字濾波器。
更進(jìn)一步地，所述的電源模塊，由聯(lián)接主設(shè)備模塊提供的低壓電源升壓，升壓的電壓給超聲波發(fā)射供電，也可由主設(shè)備模塊直接提供高壓電源，保證發(fā)射功率，使遙控距離足夠遠(yuǎn)。
更進(jìn)一步地，聯(lián)接主設(shè)備模塊包括有線和無(wú)線連接，有線可以通過(guò)串口、i2c等方式與主設(shè)備連接，無(wú)線包括紅外，藍(lán)牙、2.4g、wifi、433m與315m及5g等物聯(lián)網(wǎng)的無(wú)線通信方式，實(shí)現(xiàn)揮揮手的感應(yīng)動(dòng)作傳送給主設(shè)備的目的，聯(lián)接主設(shè)備模塊提供工作電源。
一種識(shí)別揮手動(dòng)作的傳感器，還包括人體熱釋電紅外傳感器，感應(yīng)人體紅外信號(hào)，當(dāng)人在時(shí)，傳感器裝置，人不在時(shí)，傳感器休眠，大大節(jié)省功耗。
下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。
附圖說(shuō)明
圖1為本發(fā)明一種識(shí)別揮手動(dòng)作的傳感器的方框圖。
圖2為本發(fā)明的揮手識(shí)別流程圖
圖3、圖4、圖5為本發(fā)明一種識(shí)別揮手動(dòng)作的傳感器實(shí)施例的原理圖。
附圖標(biāo)記
u4處理器芯片
u1運(yùn)放1
u2運(yùn)放2
u6升壓ic
q4三極管
q7n溝道m(xù)os管
q9p溝道m(xù)os管
sl1接收傳感器
sl2發(fā)射傳感器
j2主機(jī)接口。
具體實(shí)施方式
為了更充分理解本發(fā)明的技術(shù)內(nèi)容，下面結(jié)合具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案進(jìn)一步介紹和說(shuō)明，但不局限于此。
如圖3、圖4、圖5所示，本發(fā)明一種識(shí)別揮手動(dòng)作的傳感器，包括超聲波發(fā)射傳感器sl2和超聲波接收傳感器sl1，處理器芯片u4，超聲波發(fā)射電路模塊由q4、q7、q9組成，由升壓icu6提供高壓電壓，超聲波接收信號(hào)處理模塊由u1、u2組成。
超聲波發(fā)射傳感器sl2由u6產(chǎn)生的高壓電壓發(fā)射強(qiáng)超聲信號(hào)，由超聲波接收傳感器sl1接收信號(hào)后由運(yùn)放u2放大并整流，一路經(jīng)帶通濾波連接到處理器芯片u4，一路經(jīng)u1帶通濾波器連接到微處理器u4，微處理器u4通過(guò)內(nèi)部ad采樣超聲波接收信號(hào)處理模塊的信號(hào)后，分析信號(hào)幅度和頻率，綜合距離等按圖二流程運(yùn)算并識(shí)別出揮揮手的動(dòng)作，區(qū)分人體運(yùn)動(dòng)的動(dòng)作，揮揮手動(dòng)作識(shí)別正確后由主機(jī)接口發(fā)送到主設(shè)備接收。
在其它實(shí)施例中，u1u2也可數(shù)字濾波器來(lái)實(shí)現(xiàn)。
綜上所述，本發(fā)明一種識(shí)別揮手動(dòng)作的傳感器，通過(guò)對(duì)反射回來(lái)的超聲波的信號(hào)處理識(shí)別揮揮手的信號(hào)特征，區(qū)分和人體運(yùn)動(dòng)特征，從而只對(duì)揮揮手產(chǎn)生信號(hào)，對(duì)物聯(lián)網(wǎng)提供非常實(shí)用的傳感器。
上述僅以實(shí)施例來(lái)進(jìn)一步說(shuō)明本發(fā)明的技術(shù)內(nèi)容，以便于讀者更容易理解，但不代表本發(fā)明的實(shí)施方式僅限于此，任何依本發(fā)明所做的技術(shù)延伸或再創(chuàng)造，均受本發(fā)明的保護(hù)。本發(fā)明的保護(hù)范圍以權(quán)利要求書(shū)為準(zhǔn)。
技術(shù)特征：
技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種識(shí)別揮手動(dòng)作的傳感器，包括人和手，超聲波發(fā)射和接收傳感器，處理器芯片，超聲波發(fā)射電路模塊，超聲波接收信號(hào)處理模塊，聯(lián)接主設(shè)備模塊，電源模塊;超聲波發(fā)射電路模塊和超聲波發(fā)射傳感器相連;超聲波接收傳感器和超聲波接收信號(hào)處理模塊相連接；處理器芯片和超聲波發(fā)射電路模塊、超聲波接收信號(hào)處理模塊、聯(lián)接主設(shè)備模塊、電源模塊相連接。本發(fā)明發(fā)明了一種傳感器，這種傳感器只識(shí)別揮手的動(dòng)作，而人動(dòng)無(wú)反應(yīng)，作為智能設(shè)備的輸入，可以實(shí)現(xiàn)遙控照明燈、空調(diào)、開(kāi)關(guān)、插座、窗簾、醫(yī)院的病人呼叫信號(hào)等，可以實(shí)現(xiàn)一種低成本的無(wú)實(shí)體遙控器的遙控裝置，很適合物聯(lián)網(wǎng)的需求。
技術(shù)研發(fā)人員：劉曙生
受保護(hù)的技術(shù)使用者：深圳市空中秀科技有限公司
技術(shù)研發(fā)日：2019.05.10
技術(shù)公布日：2019.08.02
傳感器 動(dòng)作識(shí)別：基于IndRNN的手機(jī)傳感器動(dòng)作識(shí)別
基于IndRNN的手機(jī)傳感器動(dòng)作識(shí)別
近日，來(lái)自山東大學(xué)和電子科技大學(xué)的研究者提出了基于IndRNN模型利用手機(jī)傳感器實(shí)現(xiàn)動(dòng)作識(shí)別的網(wǎng)絡(luò)，該模型解決了現(xiàn)有RNN模型的梯度消失和梯度爆炸問(wèn)題，一定程度上實(shí)現(xiàn)了動(dòng)作識(shí)別的用戶獨(dú)立性，同時(shí)在2020年的SHL(Sussex-Huawei)移動(dòng)挑戰(zhàn)賽中取得了亞軍。相比于冠軍采用的混合模型和其他團(tuán)隊(duì)采用的半監(jiān)督學(xué)習(xí)等方法，IndRNN僅憑借單一模型，在未知數(shù)據(jù)上預(yù)測(cè)的標(biāo)簽的準(zhǔn)確率位列第二名，展示出了模型的優(yōu)良性能。
SHL Challenge論文
IndRNN (Independently Recurrent Neural Network)
IndRNN在2018年被提出之后，在圖像分類、視頻編碼、基于骨骼節(jié)點(diǎn)的動(dòng)作識(shí)別等任務(wù)上都表現(xiàn)優(yōu)異。我們利用IndRNN作為基本模型，研究基于手機(jī)傳感器數(shù)據(jù)的動(dòng)作識(shí)別，取得同領(lǐng)域較高準(zhǔn)確率，再次證明了IndRNN模型的性能的優(yōu)越性。之所以選取IndRNN，是因?yàn)樗哂幸韵聝?yōu)勢(shì)：
與傳統(tǒng)RNN或常用的LSTM或GRU相比，更大程度解決了梯度消失和梯度爆炸問(wèn)題可以與非飽和激活函數(shù)，如ReLU一起工作，并且仍然可以被嚴(yán)格訓(xùn)練可以構(gòu)建比現(xiàn)有RNN更深層次的網(wǎng)絡(luò)減少每步的計(jì)算量比普遍使用的LSTM計(jì)算速度快10倍以上
形式：
簡(jiǎn)單RNN：
h
t
=
σ
(
W
x
t
+
U
h
t
?
1
+
b
)
egin{aligned} oldsymbol{h}_{t}=sigmaleft(oldsymbol{W} oldsymbol{x}_{t}+ extcolor{#ff0000}{Uoldsymbol{h}_{t-1}}+oldsymbol
ight) end{aligned}
ht?=σ(Wxt?+Uht?1?+b)?
IndRNN：
h
t
=
σ
(
W
x
t
+
u
⊙
h
t
?
1
+
b
)
egin{aligned} oldsymbol{h}_{t}=sigmaleft(oldsymbol{W} oldsymbol{x}_{t}+ extcolor{#ff0000}{uodot oldsymbol{h}_{t-1}}+oldsymbol
ight) end{aligned}
ht?=σ(Wxt?+u⊙ht?1?+b)?
可以看到，簡(jiǎn)單RNN和LSTM 隱藏層計(jì)算公式紅色的部分是對(duì)遞歸輸入進(jìn)行權(quán)值乘法處理。這使得神經(jīng)元相互依賴或相互糾纏，因此很難解釋每個(gè)神經(jīng)元的活動(dòng)。而IndRNN使用element-wise（按位相乘）處理循環(huán)的輸入或以前的隱藏狀態(tài)，使神經(jīng)元是相互獨(dú)立。對(duì)于第n個(gè)神經(jīng)元，對(duì)遞歸輸入的處理是一個(gè)標(biāo)量乘法。
下圖展示了RNN和IndRNN之間的區(qū)別。在RNN中，由于遞歸權(quán)矩陣的存在，神經(jīng)元相互糾纏，而在IndRNN中，神經(jīng)元仍然是獨(dú)立的，然后在下一層進(jìn)行融合。
RNN與IndRNN神經(jīng)元連接方式的對(duì)比，左圖為RNN，右圖為IndRNN，圖片來(lái)自于S. Li, W. Li and C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
由于我們的模型可以通過(guò)ReLU進(jìn)行魯棒的訓(xùn)練，可以將它們堆疊在一起構(gòu)建深層結(jié)構(gòu)的網(wǎng)絡(luò)或者構(gòu)建殘差神經(jīng)網(wǎng)絡(luò)（Residual Neural Network）和密集神經(jīng)網(wǎng)絡(luò)(Dense Nerual Network)?？梢韵裨贑NN中同樣地使用批量歸一化（Batch Normalization）。它還可以擴(kuò)展為卷積形式，其中使用卷積操作處理輸入。傳統(tǒng)上，RNN被理解為隨時(shí)間推移的多層神經(jīng)網(wǎng)絡(luò)（MLP），其中參數(shù)隨時(shí)間推移而共享。在這里，IndRNN展示了一個(gè)新的視角，即使用輸入權(quán)值和循環(huán)權(quán)值隨著時(shí)間的推移獨(dú)立地聚合空間模式。
Longer and Deeper RNN - IndRNN，圖片來(lái)自于S. Li, W. Li, C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
任務(wù)描述
近年來(lái)隨著可穿戴設(shè)備的發(fā)展，利用其中的傳感器數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別的領(lǐng)域越來(lái)越熱門。在最近幾年發(fā)表的論文中，在現(xiàn)有比較常用的手機(jī)傳感器數(shù)據(jù)集上已經(jīng)實(shí)現(xiàn)了較高的準(zhǔn)確率。然而在廣為人知的數(shù)據(jù)集中，幾乎都將多名用戶的數(shù)據(jù)混合，且忽略了手機(jī)在用戶身上放置位置對(duì)于準(zhǔn)確率的影響。
SHL數(shù)據(jù)集填充了數(shù)據(jù)集在上述方面的空白，為利用機(jī)器學(xué)習(xí)從手機(jī)傳感器中識(shí)別用戶的移動(dòng)和運(yùn)輸方式的方向提出了新的研究問(wèn)題與挑戰(zhàn)。
SHL數(shù)據(jù)集視頻介紹
首先，我們對(duì)SHL數(shù)據(jù)集進(jìn)行簡(jiǎn)單介紹，利用3名用戶（用戶1、用戶2和用戶3）放在身體四個(gè)部位（手、胸前、臀部、背包）的數(shù)據(jù)安卓手機(jī)中的7個(gè)傳感器提供的20軸的數(shù)據(jù)實(shí)現(xiàn)8種動(dòng)作分類問(wèn)題（靜止、走、跑、騎自行車、乘坐公交車、乘坐汽車、乘坐火車及乘坐地鐵，分別標(biāo)記為1-8），其中不僅有人自發(fā)的運(yùn)動(dòng)，還包含了機(jī)械驅(qū)動(dòng)的運(yùn)動(dòng)，為識(shí)別增添了挑戰(zhàn)。
傳感器類別及介紹如下：
加速度計(jì)（Accelerometer）: x, y, z in m/s2陀螺儀（Gyroscope）: x, y, z in rad/s磁力計(jì)（Magnetometer）: x, y, z in μT四分儀（Orientation）: quaternions in the form of w, x, y, z vector重力計(jì)（Gravity）: x, y, z in m/s2線性加速度計(jì)（Linear acceleration）: x, y, z in m/s2壓力計(jì)（Pressure）：Ambient pressure in hPa
該研究主要側(cè)重于實(shí)現(xiàn)利用手機(jī)傳感器實(shí)現(xiàn)動(dòng)作識(shí)別過(guò)程中的用戶獨(dú)立性。數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集及測(cè)試集，分別包含59天、6天和40天的數(shù)據(jù)（由數(shù)據(jù)集大小可以看出提供的每天的數(shù)據(jù)的時(shí)間長(zhǎng)度不同）。所有數(shù)據(jù)被分割為5s的窗口，采樣率為100Hz。為了探索實(shí)現(xiàn)用戶獨(dú)立性的方法，在集合的用戶分配上，訓(xùn)練集和驗(yàn)證集僅包含了用戶1的四個(gè)位置數(shù)據(jù)，驗(yàn)證集包含用戶2和3的四個(gè)位置的數(shù)據(jù)，而測(cè)試集僅包含用戶2和3四個(gè)位置之一的數(shù)據(jù)（位置未知）。此外，為了實(shí)現(xiàn)分類的實(shí)時(shí)性，窗口被打亂，且保證了相鄰兩幀在時(shí)間上不連續(xù)。
盡管在利用手機(jī)傳感器數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別的領(lǐng)域已經(jīng)取得了不錯(cuò)的成果，該任務(wù)提出了在實(shí)際生活場(chǎng)景中進(jìn)一步細(xì)化的問(wèn)題-如何實(shí)現(xiàn)用戶的獨(dú)立性，即在利用與預(yù)測(cè)數(shù)據(jù)來(lái)源不匹配的數(shù)據(jù)訓(xùn)練模型，如何在預(yù)測(cè)數(shù)據(jù)上獲得更高的準(zhǔn)確率？該任務(wù)的難點(diǎn)可以解釋為以下問(wèn)題：
不同用戶的影響：不同用戶由于運(yùn)動(dòng)量與生活習(xí)慣存在差異，放置在其身上的手機(jī)收集到的傳感器數(shù)據(jù)也會(huì)有所不同。訓(xùn)練集來(lái)源于用戶1，而測(cè)試集和驗(yàn)證集的數(shù)據(jù)來(lái)源于用戶2和3的混合數(shù)據(jù)，如何盡量消除差異，使預(yù)測(cè)時(shí)的準(zhǔn)確率與訓(xùn)練時(shí)的準(zhǔn)確率盡量接近？
三名用戶的數(shù)據(jù)標(biāo)簽組成，可以看出有明顯差異，圖片來(lái)自H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
位置的影響：由提供的數(shù)據(jù)集可知，測(cè)試集來(lái)源于用戶3的一個(gè)未知的位置，而訓(xùn)練集和驗(yàn)證集都包含了所有的位置。因此，應(yīng)如何對(duì)于訓(xùn)練集和驗(yàn)證集數(shù)據(jù)進(jìn)行選??？
手機(jī)放置的位置及數(shù)據(jù)收集的界面，圖片來(lái)自H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
技術(shù)方案
預(yù)處理
數(shù)據(jù)分割（Segmentation）
首先，為了使我們的模型充分學(xué)習(xí)到長(zhǎng)時(shí)和短時(shí)特征，我們對(duì)所給窗口進(jìn)行了進(jìn)一步的分割。將5s的窗口分割為21個(gè)1s的窗口，重疊率為80%。
分割圖示，圖片來(lái)源于L. Zheng, S. Li, Y. Gao, “Application of IndRNN for Human Activity Recognition-The Sussex-Huawei Locomotion-Transportation Challenge”
去旋轉(zhuǎn)化（De-rotation）
鑒于數(shù)據(jù)采集于手機(jī)傳感器，采用的坐標(biāo)為手機(jī)自身的三軸坐標(biāo)系，不僅包含了用戶運(yùn)動(dòng)造成的數(shù)據(jù)變化，還包括了手機(jī)自身翻轉(zhuǎn)等運(yùn)動(dòng)造成的數(shù)據(jù)變化。因此，把手機(jī)坐標(biāo)系中的數(shù)據(jù)轉(zhuǎn)移到地球坐標(biāo)系是很有必要的。經(jīng)過(guò)調(diào)研，加速度計(jì)和陀螺儀受影響較大，參考了安卓手機(jī)轉(zhuǎn)換坐標(biāo)系常用方法，我們這兩個(gè)坐標(biāo)系中的數(shù)據(jù)轉(zhuǎn)換到北天東（NED）坐標(biāo)系。具體操作為利用四分儀構(gòu)建轉(zhuǎn)換矩陣，將待轉(zhuǎn)換的三軸坐標(biāo)系數(shù)據(jù)與旋轉(zhuǎn)矩陣
R
N
B
R_{N B}
RNB?相乘，得到轉(zhuǎn)換后的坐標(biāo)。
R
N
B
=
[
1
?
2
(
q
y
2
+
q
z
2
)
2
(
q
x
q
y
?
q
w
q
z
)
2
(
q
x
q
z
+
q
w
q
y
)
2
(
q
x
q
y
+
q
w
q
z
)
1
?
2
(
q
x
2
+
q
z
2
)
2
(
q
y
q
z
?
q
w
q
x
)
2
(
q
x
q
z
?
q
w
q
y
)
2
(
q
y
q
z
+
q
w
q
x
)
1
?
2
(
q
x
2
+
q
y
2
)
]
egin{aligned} R_{N B}=left[egin{array}{ccc}1-2left(q_{y}^{2}+q_{z}^{2}
ight) & 2left(q_{x} q_{y}-q_{w} q_{z}
ight) & 2left(q_{x} q_{z}+q_{w} q_{y}
ight) 2left(q_{x} q_{y}+q_{w} q_{z}
ight) & 1-2left(q_{x}^{2}+q_{z}^{2}
ight) & 2left(q_{y} q_{z}-q_{w} q_{x}
ight) 2left(q_{x} q_{z}-q_{w} q_{y}
ight) & 2left(q_{y} q_{z}+q_{w} q_{x}
ight) & 1-2left(q_{x}^{2}+q_{y}^{2}
ight)end{array}
ight] end{aligned}
RNB?=?1?2(qy2?+qz2?)2(qx?qy?+qw?qz?)2(qx?qzqw?qy?)?2(qx?qyqw?qz?)1?2(qx2?+qz2?)2(qy?qz?+qw?qx?)?2(qx?qz?+qw?qy?)2(qy?qzqw?qx?)1?2(qx2?+qy2?)?
[
x
y
z
]
N
=
R
N
B
[
x
y
z
]
B
egin{aligned} left[egin{array}{l}x y zend{array}
ight]_{N}=R_{N B}left[egin{array}{l}x y zend{array}
ight]_{B} end{aligned}
?xyzN?=RNBxyzB
特征提?。‵eature Extraction）
在將數(shù)據(jù)輸入網(wǎng)絡(luò)學(xué)習(xí)特征前，我們手動(dòng)提取了一些重要的時(shí)域特征，如下表所示。由于智能手機(jī)傳感器采集的信號(hào)具有很強(qiáng)的周期性，F(xiàn)FT幅度譜是提取這些信號(hào)一般短時(shí)特征的合適選擇。由于幅度譜的對(duì)稱性，F(xiàn)FT變化之后的信號(hào)只需保留一半。
提取FFT幅度譜，圖片來(lái)源于L. Zheng, S. Li, Y. Gao, “Application of IndRNN for Human Activity Recognition-The Sussex-Huawei Locomotion-Transportation Challenge”
Time Domain FeaturesNumbers of parametersDescriptionMean9The average value of the data for each axis in the windowNumbers above Mean9The numbers of values above the mean of the windowNumbers below Mean9The numbers of values below the mean of the windowStandard Deviation9Standard deviation of each axis in the windowVariance9The square of the standard deviation of each axis in the windowMinimum Value9The minimum value of the data for each axis in the windowMaximum Value9The maximum value of the data for each axis in the windowSkewness9The degree of distortion of each axis from the symmetrical bell curve in the windowKurtosis9The weight of the distribution tails for each axis in the windowPer Sample Normalized Pressure1The normalized pressure of each sampleEnergy9The area under the squared magnitude of each axis in the window
然而，通過(guò)觀察不同標(biāo)簽的FFT幅度譜，我們發(fā)現(xiàn)還是有些差異，于是又提取了FFT幅度譜的一些統(tǒng)計(jì)特征。
Frequency Domain (FFT) FeaturesNumbers of ParametersDescriptionMean9The average value of the FFT componentsStandard Deviation9Standard deviation of FFT componentsEnergy9The sum of the square of FFT components
特征提取的整體流程圖如下
最終，我們選取了其中在預(yù)訓(xùn)練中表現(xiàn)較好的特征（表中加粗標(biāo)記），將其拼接確定為正式訓(xùn)練所用的特征。
位置識(shí)別（Location Recognition）
為了消除測(cè)試集位置未知對(duì)結(jié)果的影響，我們提出了在訓(xùn)練前事先訓(xùn)練位置的想法，即根據(jù)位置賦予數(shù)據(jù)全新的標(biāo)-Bag標(biāo)記為1，Hips標(biāo)記為2，Torso標(biāo)記為3，Hand標(biāo)記為4，將提取到的特征輸入我們的網(wǎng)絡(luò)（下文講解）先構(gòu)建一個(gè)位置預(yù)測(cè)模型。混淆矩陣如下。
雖然不能完全將四種位置分辨清楚，但有趣的是，若將Bag和Hand結(jié)合，Hips和Torso結(jié)合，可以得到準(zhǔn)確率大于99%的混淆矩陣。
我們用得到的模型去預(yù)測(cè)測(cè)試集的數(shù)據(jù)，得到的結(jié)果顯示測(cè)試集屬于Hips+Torso的組合。后續(xù)位置預(yù)測(cè)實(shí)驗(yàn)中，我們觀察到特定位置的數(shù)據(jù)作為訓(xùn)練集時(shí)沒(méi)有所有位置作為訓(xùn)練集表現(xiàn)好，且不論用Torso還是Hips驗(yàn)證，對(duì)于最終得到的模型沒(méi)有區(qū)別，所以即使沒(méi)有確定具體位置，并不影響訓(xùn)練結(jié)果。
Dense IndRNN模型
針對(duì)上述具體任務(wù)，我們使用的是Dense IndRNN結(jié)構(gòu)。訓(xùn)練流程圖如下
訓(xùn)練中具體的參數(shù)可參考我們的比賽論文。
后處理
因?yàn)橛?xùn)練集由用戶1的數(shù)據(jù)構(gòu)成，而測(cè)試集由用戶2和3的數(shù)據(jù)構(gòu)成，為了盡可能實(shí)現(xiàn)用戶獨(dú)立性，我們引入了遷移學(xué)習(xí)（Transfer Learning），即將一部分驗(yàn)證集的數(shù)據(jù)輸入先前的網(wǎng)絡(luò)繼續(xù)訓(xùn)練對(duì)模型進(jìn)行微調(diào)，另一部分用來(lái)驗(yàn)證。常用的遷移學(xué)習(xí)將數(shù)據(jù)一分為二，一半用作訓(xùn)練，另一半驗(yàn)證。
在實(shí)驗(yàn)中，我們發(fā)現(xiàn)驗(yàn)證集的標(biāo)簽有分布不均的問(wèn)題。參考了數(shù)據(jù)集構(gòu)建者的描述，受限制于驗(yàn)證集的大小，數(shù)據(jù)收集的過(guò)程會(huì)造成此問(wèn)題。
因此，我們首先將按照標(biāo)簽將數(shù)據(jù)進(jìn)行分組，在相同比例的位置進(jìn)行切割，再將數(shù)據(jù)進(jìn)行拼接。然而，受限制于驗(yàn)證集的大小，當(dāng)我們分別用前一半或后一半數(shù)據(jù)訓(xùn)練，另一半數(shù)據(jù)驗(yàn)證的時(shí)候，準(zhǔn)確率相差較大。為了平衡準(zhǔn)確率，也為了充分利用驗(yàn)證集數(shù)據(jù)，于是我們提出了構(gòu)建兩個(gè)遷移學(xué)習(xí)的模型，在最終預(yù)測(cè)測(cè)試集數(shù)據(jù)時(shí)將兩個(gè)模型進(jìn)行融合，得到最終預(yù)測(cè)結(jié)果。
結(jié)果：
在遷移學(xué)習(xí)之前，我們的模型在驗(yàn)證集上達(dá)到了81.58%的準(zhǔn)確率。由表可看出，與CNN類似，Dense結(jié)構(gòu)比直接每層相連表現(xiàn)更好。
遷移學(xué)習(xí)和模型融合之后，模型的準(zhǔn)確率上升了超過(guò)5%的準(zhǔn)確率，證明用戶的遷移學(xué)習(xí)對(duì)于消除利用手機(jī)傳感器數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別任務(wù)中的用戶依賴性有作用。
UbiComp SHL Challenge 2020 的結(jié)果在6月25日截止提交，根據(jù)評(píng)價(jià)指標(biāo)F1-score排名。比賽的前三名于9月舉行的UbiComp 2020的HASCA workshop揭曉。IndRNN在測(cè)試集上F1-score達(dá)到79.0%，摘得挑戰(zhàn)賽亞軍，展示出了所構(gòu)建模型的優(yōu)良性能。
挑戰(zhàn)賽官網(wǎng)：
思考
一個(gè)容易被忽視的問(wèn)題：學(xué)習(xí)率過(guò)小導(dǎo)致的過(guò)擬合
最終結(jié)果顯示我們的模型表現(xiàn)出了過(guò)擬合，我們猜想是選取的學(xué)習(xí)率過(guò)小，導(dǎo)致在訓(xùn)練集和驗(yàn)證集上顯示的準(zhǔn)確率高于測(cè)試集。一般人們認(rèn)為學(xué)習(xí)率只是在梯度下降過(guò)程中訓(xùn)練模型的參數(shù)，與過(guò)擬合沒(méi)有必然的聯(lián)系。而一般來(lái)說(shuō)學(xué)習(xí)率足夠小的話，所得到的結(jié)果都是類似的。網(wǎng)絡(luò)上一些博客提出的防止過(guò)擬合的建議也主要集中在：
數(shù)據(jù)增強(qiáng)提前停止（Early stopping）增加噪聲簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)Dropout貝葉斯方法
然而，很少有人提及控制學(xué)習(xí)率的問(wèn)題。猜想這是由于大部分現(xiàn)有文章的數(shù)據(jù)集是研究者進(jìn)行劃分，在訓(xùn)練后，可以通過(guò)觀察最終在測(cè)試集上面預(yù)測(cè)結(jié)果選取最優(yōu)學(xué)習(xí)率。然而，真正遇到現(xiàn)實(shí)中的問(wèn)題，即測(cè)試集沒(méi)有標(biāo)簽時(shí)，模型還是有可能出現(xiàn)過(guò)擬合的問(wèn)題，需要研究者多積累經(jīng)驗(yàn)，選取更加適合的學(xué)習(xí)率。
學(xué)習(xí)率的選取對(duì)模型Loss的影響
總結(jié)
來(lái)自電子科技大學(xué)和山東大學(xué)的團(tuán)隊(duì)利用比現(xiàn)有RNN更加長(zhǎng)且更深層次的網(wǎng)絡(luò)-IndRNN進(jìn)行基于手機(jī)傳感器數(shù)據(jù)的動(dòng)作識(shí)別的任務(wù)。該模型在訓(xùn)練過(guò)程中表現(xiàn)優(yōu)良，結(jié)合遷移學(xué)習(xí)和模型融合的后處理，一定程度上實(shí)現(xiàn)了利用手機(jī)傳感器數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別的用戶獨(dú)立性。同時(shí)，IndRNN團(tuán)隊(duì)摘得UbiComp SHL Challenge 2020的亞軍，再度體現(xiàn)IndRNN性能的優(yōu)越性，希望該方案對(duì)大家有參考價(jià)值。
參考文獻(xiàn)
[1] B. Zhao, S. Li, and Y. Gao. 2020. IndRNN based long-term temporal recognition in the spatial and frequency domain. In Adjunct Proceedings of the 2020 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2020 ACM International Symposium on Wearable Computers (UbiComp-ISWC '20). Association for Computing Machinery, New York, NY, USA, 368–372.
[2] S. Li, W. Li, C. Cook, C. Zhu, and Y. Gao. 2018. Independently Recurrent Neural Network (IndRNN): Building a Longer and Deeper Rnn. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 5457–5466.
[3] S. Li, W. Li and C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
[4] L. Zheng, S. Li, C. Zhu, and Y. Gao. 2019. Application of IndRNN for human activity recognition: the Sussex-Huawei locomotion-transportation challenge. In Adjunct Proceedings of the 2019 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2019 ACM International Symposium on Wearable Computers (UbiComp/ISWC '19 Adjunct). Association for Computing Machinery, New York, NY, USA, 869–872.
[5] L. Wang, H. Gjoreski, M. Ciliberto, P. Lago, K. Murao, T. Okita,and D. Roggen. “Summary of the Sussex-Huawei locomotion-transportation recognition challenge 2020”, Proceedings of the 2020 ACM International Joint Conference and 2020 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers, 2020.
[6] H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
傳感器 動(dòng)作識(shí)別：有什么傳感器可以實(shí)現(xiàn)體感手勢(shì)動(dòng)作的識(shí)別？
硬創(chuàng)商城
采購(gòu)服務(wù)熱線：400-830-1766
型號(hào)
描述
供應(yīng)商/品質(zhì)保證
價(jià)格（含增值稅）
SI1144-AAGX-GMR
Silicon Labs
需提供NDA保密協(xié)議后才可發(fā)貨
NDA?
Sensor
SI1144;SI1144-AAGX;SI1144-AAGX-GM系列
HRM focused module w Green LED, and algorithm
最小包裝量：2,500
2,500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
41.6238
現(xiàn)貨10
可售量
10
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
MLXRTF-BAA-000-SP
Melexis
新款產(chǎn)品中盡量不要使用該元件
停產(chǎn)?
3D OPTICAL SENSORS;三維光學(xué)傳感器（TOF）;Time-of-Flight Sensor Array
MLX;MLXRTF-BAA-000;MLXRTF-BAA;MLXRTF系列
Automotive ToF Sensor, without cover tape
Glass BGA Package, 44pins
最小包裝量：50
50
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
278.2919
現(xiàn)貨1
可售量
1
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
期貨訂購(gòu)
MLXRLA-ABA-000-SP
Melexis
Time-of-Flight Companion Chip
MLXRLA-ABA-000;MLXRLA-ABA;MLXRLA;MLX系列
Automotive ToF Companion Chip
QFN
最小包裝量：10
10
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
150.7894
現(xiàn)貨7
可售量
7
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
EFM8LB11F32ES0-C-QFN32R
Silicon Labs
8位MCU
EFM8 Laser Bee;EFM8LB1;EFM8;EFM8LB1x-QFN32系列
8051,72 MHz, Up to 64 kB flash,Up to 4352 bytes RAM(including 256 bytes standard 8051 RAM and 4096 bytes on-chip XRAM),8-bit Laser Bee MCU
QFN32
最小包裝量：2,500
2,500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
9.2361
現(xiàn)貨231,370
可售量
231,370
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
RS9116W-SB00-QMS-B2A
Silicon Labs
Connectivity SoC
RS9116系列
RS9116 n-link? and WiSeConnect? Single Chip Wi-Fi? and Dual-mode
Bluetooth? 5 Wireless Connectivity Solutions
84-QFN-7x7
最小包裝量：260
260
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
68.3296
現(xiàn)貨225,717
可售量
225,717
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
CF921C0920GGMR
Silicon Labs
8位MCU
CF921;CF921C0920;CF921C0920GGM系列
2kB/4kB RAM, 10bADC, DC-DC, 0.9V, QFN24。與標(biāo)準(zhǔn)型號(hào)C8051F921-GMR可pin to pin 替換。
最小包裝量：1,500
1,500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
限量?jī)?yōu)惠售完即止
原廠認(rèn)證
世強(qiáng)代理
世強(qiáng)自營(yíng)
一支起訂
限量折扣
價(jià)格￥
7.2386
現(xiàn)貨185,910
可售量
185,910
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
EFM8BB21F16G-C-QSOP24R
Silicon Labs
8 BIT MCU
EFM8BB2;EFM8BB21F16G;EFM8BB21F16G-C;EFM8BB21F16G-C-QSOP24系列
8051,50MHz,16kB flash,2.25kB RAM,8-bit,Busy Bee MCU,替代型號(hào)為:EFM8BB52F16G-C-TSSOP28R
QSOP24
最小包裝量：2,500
2,500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
選型推薦
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
5.2167
現(xiàn)貨177,941
可售量
177,941
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
SI4432-B1-FMR
Silicon Labs
Transceiver
SI4432;SI4432-B1系列
+20dBm Si4432 EZRadioPRO Transceiver (rev B1)
最小包裝量：2,500
2,500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
選型推薦
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
44.0422
現(xiàn)貨167,605
可售量
167,605
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
C8051F410-GQR
Silicon Labs
8位MCU
C8051;C8051F410;C8051F410-GQ系列
50 MIPS,32KB,12ADC, smaRTClock,32Pin MCU (lead free)
QFP32
最小包裝量：500
500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
選型推薦
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
70.5531
現(xiàn)貨130,795
可售量
130,795
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
C8051F310-GQR
Silicon Labs
8位MCU
C8051;C8051F310;C8051F310-GQ系列
16KB,10ADC,32Pin MCU (lead free)
QFP32
最小包裝量：500
500
世強(qiáng)先進(jìn)（深圳）科技股份有限公司
原廠認(rèn)證
世強(qiáng)代理
選型推薦
供貨保障
世強(qiáng)自營(yíng)
一支起訂
價(jià)格￥
51.9955
現(xiàn)貨115,834
可售量
115,834
發(fā)貨地廣東
預(yù)計(jì)交期
1. 預(yù)計(jì)交期為預(yù)估時(shí)間，不含國(guó)家法定節(jié)假日，不作為訂單或合同約定內(nèi)容。
2. 受限于發(fā)貨時(shí)間和商品物流運(yùn)輸時(shí)間。
3. 商品運(yùn)輸過(guò)程中如遇不可抗拒力因素，如地震、水災(zāi)、旱災(zāi)、疫情等，交期可能有所延長(zhǎng)。
預(yù)計(jì)交期?
約3個(gè)工作日
最少1
小量快購(gòu)
批量詢價(jià)
交期查詢
免費(fèi)樣品
期貨訂購(gòu)
