带有tinyML的肩部恢复设备

描述

肩袖损伤在表现运动员和反复做头顶动作的工人中很常见（还有偶尔弹吉他的作家/发明家）

无论如何，tinyML 设备可以帮助我恢复吗？

咨询：这只是一个实验项目。您应该始终向您的医生咨询专业治疗。

肩袖撕裂 - 版权所有 Mayo Clinic

肩袖是一组围绕肩关节的肌肉和肌腱，将上臂骨头牢牢地固定在肩部的浅窝内。肩袖损伤会导致肩部隐隐作痛，当手臂远离身体时，这种疼痛通常会恶化。为避免疼痛，通常减少肩部运动。肩袖的物理治疗需要4个多月，因此价格昂贵，有些人永远无法恢复完整的肩部运动。

那么用于识别和跟踪所需肩部运动的小型 AI 设备呢？

如何跟踪运动

可以使用多种方法，但有一种专门为这项工作设计的设备：加速度计。加速度计测量加速度。“由振动或运动变化引起的力会导致质量挤压压电材料，从而产生与施加在其上的力成正比的电荷”

每个项目都从抽签开始...

 

但是，如果我们不以完全相同的方式进行运动怎么办？他们仍然需要被追踪。我们如何识别这些运动？通过机器学习，我们可以教设备进行稍微不同的重复，然后根据百分比进行推断。

这样的发展有多难？使用正确的工具，不会那么复杂。事实证明，有一个 Arduino BLE 33 Sense 内置加速度计，并与最好的机器学习框架兼容。

部分

• Arduino BLE 33 感知
• OLED屏幕
• 转变
• 跨接电缆
• 3.7v电池
• TP4056充电器
• 定制 3d 打印案例
• 带子

电路

肩袖损伤回路

 

Oled 屏幕 VCC 到 Arduino 3.3v，GND 到 Arduino GND，SDA 到 A4，SCL 到 A5。将电池连接到 TP4056 电池引脚，将 TP4056 输出连接到 Arduino VIN 和 GND。您还可以在 TP4056 + 和 Arduino VIN 之间进行切换。

软件和服务

Arduino IDE

Edge Impulse 免费帐户

3D打印案例

使用 Fusion 360，该项目的外壳易于设计。外壳只有 2 个部分。它是用PLA印刷的。只需要身体的支撑。您还需要 4 x 3 毫米螺丝和更小的螺丝来固定 Oled 屏幕。

Fusion 360 对外壳进行建模

 

注意：如果您想学习如何制作自己的 3D 打印外壳，请查看这本书。

训练模型

除非您想用新动作训练设备或只是想了解如何训练机器学习模型，否则您可以跳过这一部分，但有趣的是知道现在使用 AI 有多么容易。

转到Edge Impulse，创建一个免费帐户，登录仪表板，使用 microUSB 电缆连接 Arduino BLE 33 Sense，然后转到数据采集，记录新数据，使用 WebUSB 连接。将出现一个弹出窗口以选择正确的 USB 端口，然后……您已准备就绪。

将 BLE 绑在你的手臂上，将时间范围设置为 180 秒，63.5hz，分配标签 Right 并开始一遍又一遍地对相同的肩部运动进行采样，并进行微小的变化，一点点到一侧，另一侧，不同的速度等。然后，对左边和天花板做同样的事情。这个模型训练有 4 个动作（右、左、上和空闲），但当然你可以使用更多。

创造冲动

 

现在去冲动设计，创造冲动。在时间序列数据中，您可以设置窗口大小——用于分类的数据大小（以毫秒为单位）——以及大于窗口的样本的大小增加。让我们使用 2000 和 80。那么对于数据的频率 63.5hz

光谱特征

 

在光谱分析中，我们将选择 3 个轴：x、y、z。对于分类，我们将使用 Keras。我们将点击保存冲动。

我们将单击左侧栏中的光谱特征。在那里我们可以缩放轴、应用过滤器并查看设备性能。

然后我们去神经网络分类器。将训练周期设置为 35 左右，学习率设置为 0.0005，20% 的样本用于验证。

99.2%：准确率

 

最后一步是将模型部署到 Arduino 库。将提供一个 zip 文件。该 zip 文件应作为 Arduino IDE 的 Zip 库添加。

如果我们转到示例，即 Edge Impulse 中的项目名称，我们将获得一个可以使用的推理代码。选择 Nano BLE 33 加速度计连续。该代码将读取 Arduino 加速度计数据并使用串行监视器打印推断。

Arduino 添加 zip 库

 

所以在这一点上，我们离制造设备还不是很远。我们将添加到基本推理代码 Oled 屏幕库中，以便我们可以在屏幕上打印而不是使用串行监视器，我们将为每个动作、每日限制和防反弹机制添加计数器（以避免计数器增加两次相同的动作）

胆量

 

注意：如果您要下载代码，请考虑使用左肩训练模型。如果您需要使用右肩，则应在对侧进行数据采集。

完整的代码可以在附件部分找到。

设置

您可能希望在上传之前更改 .ino 文件中的这些硬编码设置：每个循环要达到的重复次数。

int rightLimit=10;
int leftLimit=10;
int upLimit=5;

您还可以更改分类器参数，例如最小置信度，预定义为 65%

ei_classifier_smooth_init(&smooth, 10 /* no. of readings */, 7 /* min. readings the same */, 0.65 /* min. confidence */, 0.3 /* max anomaly */);

演示

带有西班牙语旁白的小演示。您可以启用英文字幕。

最后的笔记

即使我完成了整个项目——电路、编码、数据采集、培训和外壳——制作你自己的设备来从伤病中恢复仍然听起来像是科幻小说，对吧？

如果您想制作 Rotary Cuff Recovery 的第 2 版，为每天的动作添加 eeprom 永久存储会很有用。并且可以使用该信息生成图表。还有一个小型旋转编码器，用于配置每个动作的预测置信度或限制等设置。

如果您想查看 TinyML 和 Arduino 的另一个示例，请查看这个带有音频数据的阅读时间项目。

其他作品

看看这些其他项目：文学分配器，黑客菲比，Hunter S. Thompson ASCII 艺术装置，仓鼠股票市场交易