魔法の杖のように手を振って電卓を召喚することを試みたことがありますか？私たちはあなたがおそらくちょっと愚かなことをしていることを検討しないと思います。それはあなたが[Andrei’s]の素晴らしいジェスチャー制御計算機を持っていない限りです。 [Andrei]彼の手袋を脱ぐことなく彼の研究室で電卓を使用することは貴重なことだと思い、結果はかなりクールです。
彼のハードウェアは、PocketBeagle、OLED、および加速度計とジャイロスコープを使用して彼の手の動きを捉えるためのMPU6050慣性測定ユニットで構成されています。ハードウェアはかなり簡単ですので、このプロジェクトの魅力はそのメーカー学習実装にあります。
[Andrei]最初の例のデータセットの例をいくつかキャプチャして、各数、0~9、および結果として生じる加速度計とジャイロスコープの出力を記録することで、彼のアルゴリズムを訓練するために彼のアルゴリズムを訓練しました。彼はウェーブレット変換で最初にデータを処理しました。変換の意図は2倍でした。まず、変換により、加速度計とジャイロスコープ信号の形状を保存しながら、彼のデータセットのサンプル数を最小限に抑え、メーカー学習分類の重要な機能です。第二に、彼は、ウェーブレット変換が近似係数と深さの両方の係数の両方を結果として、アルゴリズムに供給され得ると考えると、分類の特徴の数を増やすことができました。
彼は小さなデータセットを持っていたので、彼は通常、テスト列車分割方法の代わりに層別シャッフル分割手法を使用しました。層別シャッフルスプリットは、各ジェスチャのために同じ数の列車およびテストサンプルを中心にした。 PocketBeagleのような携帯処理装置で実行するためのモデルを最適化することを最適化することも非常に意識していました。彼は彼のアルゴリズムのパラメータを最適化し、最終的に彼のモデルをTensorflow内で組み込みの “TFliteConverter”関数を使用してモデルをTensorFlowliteモデルに変換しました。
最後に、真のオープンソースのファッションで、彼のコードはすべてgithubで入手可能であるので、それを自分で行くために無料の感じさせる。 Calculaturium Leviosa！
