發布日期：2022-10-09 點擊率：153
作者：DIGITIMES陳明陽
韓國科學技術院(KAIST)計算機科學系的Sungho Jo教授與首爾國立大學的Seunghwan Ko教授領導的研究團隊開發配戴在手腕、基于深度學習的單股電子皮膚傳感器貼片，可隔空實時監測與譯碼人類5根手指的復雜動作。
研究團隊指出他們的系統可擴展適用于人體其他部分，目前已能從骨盆位置監測步態動作，未來人體只需部署小型傳感器網便能追蹤全身動作，將可實現從遠端間接衡量人體動作，并應用于穿戴式擴增實境(AR)與虛擬實境(VR)系統，更可望成為健康監測、動作追蹤、軟性機器人發展的轉折點。
傳統動作監測須部署多個傳感器網完整涵蓋目標區的曲線表面，新的皮膚傳感器使用經快速情境學習(RSL)強化的深度神經網絡，確保無論置于皮膚表層任何位置都能穩定運作。此外新皮膚傳感器的建構以鐳射取代傳統基于晶圓的制作方式，可望成為動作追蹤感測的新典范。
RSL從手腕的任意位置收集手部動作數據，再據以自動訓練神經網絡模型，并能實時以虛擬的3D手部影像，在熒幕上同步模擬展示識別到的原始手指動作。研究團隊設計的新感測系統，透過運用鐳射在金屬薄膜上引發納米級粒子裂縫的方式，來提升傳感器的靈敏度，并支援感測與分辨多手指動作所產生的訊號。
研究團隊發現在部署傳感器監測多支手指動作時，選定單一區域會比在每一塊關節與肌肉上配置個別傳感器更有效率，因此成功的關鍵首先是將皮膚傳感器部署于每支手指的動作訊號共同匯聚的單一區域，再從混雜的訊號中區分出個別手指的動作數據。此外并采用單通道傳感器監測復雜的手部動作，以極大化使用者手指的可用性與活動性。
研究團隊表示開發新的皮膚傳感器主要聚焦于2項工作，首先是分析傳感器收集到的訊號模式，以獲得含有時間性傳感器行為的隱性空間；接著則是將隱性矢量對應到手指動作的度量空間，以實時、正確識別個別手指的動作。
舉報/反饋
本發明涉及一種傳感器，更具體地說是指一種識別揮手動作的傳感器。
背景技術：
隨著經濟和技術的發展，尤其是智能化的普及，智能家居解決方案應運而生，智能家居是又物聯網應用實例，目前5g開始布局，未來是物聯網的世界，物聯網用得最多的就是傳感器，在智能家居方案里有紅外探頭、可燃氣體探測器、煙霧探測器、門磁、窗磁、智能遙控器、語音遙控等，語音遙控近兩年興起的熱門技術，搜索語音遙控相關的專利有300項之多。語音遙控的優點是非常智能，缺點都要求非常高的計算能力，所以付出成本相當高。
對于很多家電來說，控制就是很簡單的動作：開和關，比如空調開和關，照明燈的開和關等，另外在人活動不方便的場合，比如醫院，本發明使病人很方便呼叫服務。因此本發明就是發明一種傳感器，用一種算法只檢測揮揮手的動作，對揮揮手產生信號，而人動無信號。成本低又簡單的一種輸入傳感器，以滿足智能家居、醫院等的需求。
技術實現要素：
本發明提供一種識別揮手動作的傳感器。
為實現上述目的，本發明采用以下技術方案：
一種識別揮手動作的傳感器，包括人和手，超聲波發射和接收傳感器，處理器芯片，超聲波發射電路模塊，超聲波接收信號處理模塊，聯接主設備模塊，電源模塊;超聲波發射電路模塊和超聲波發射傳感器相連;超聲波接收傳感器和超聲波接收信號處理模塊相連接；處理器芯片和超聲波發射電路模塊、超聲波接收信號處理模塊、聯接主設備模塊、電源模塊相連接。
更進一步地，遙控信號是人的揮手動作，不需要其它任何實物。
更進一步地，所述的超聲波發射和接收傳感器，發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射傳感器人體反射回來的信號。
更進一步地，其特征在于，所述的處理器芯片，控制超聲波的信號發射，通過內部ad采樣超聲波接收信號處理模塊的信號后，分析信號幅度、頻率、揮手動作特征信號，綜合距離等因素運算并識別出揮揮手的動作，區分人體運動的動作，只對揮揮手動作產生反應；微處理器芯片把成功識別后的揮揮手動作傳送到主設備；處理器芯片對裝置的電源進行管理，減少功耗，獲得足夠長的使用時間。
更進一步地，所述的超聲波接收信號處理模塊，包括信號放大、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算并分析出揮手的動作,帶通濾波器可以是模擬濾波器或者數字濾波器。
更進一步地，所述的電源模塊，由聯接主設備模塊提供的低壓電源升壓，升壓的電壓給超聲波發射供電，也可由主設備模塊直接提供高壓電源，保證發射功率，使遙控距離足夠遠。
更進一步地，聯接主設備模塊包括有線和無線連接，有線可以通過串口、i2c等方式與主設備連接，無線包括紅外，藍牙、2.4g、wifi、433m與315m及5g等物聯網的無線通信方式，實現揮揮手的感應動作傳送給主設備的目的，聯接主設備模塊提供工作電源。
一種識別揮手動作的傳感器，還包括人體熱釋電紅外傳感器，感應人體紅外信號，當人在時，傳感器裝置，人不在時，傳感器休眠，大大節省功耗。
下面結合附圖和具體實施例對本發明作進一步描述。
附圖說明
圖1為本發明一種識別揮手動作的傳感器的方框圖。
圖2為本發明的揮手識別流程圖
圖3、圖4、圖5為本發明一種識別揮手動作的傳感器實施例的原理圖。
附圖標記
u4處理器芯片
u1運放1
u2運放2
u6升壓ic
q4三極管
q7n溝道mos管
q9p溝道mos管
sl1接收傳感器
sl2發射傳感器
j2主機接口。
具體實施方式
為了更充分理解本發明的技術內容，下面結合具體實施例對本發明的技術方案進一步介紹和說明，但不局限于此。
如圖3、圖4、圖5所示，本發明一種識別揮手動作的傳感器，包括超聲波發射傳感器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，超聲波接收信號處理模塊由u1、u2組成。
超聲波發射傳感器sl2由u6產生的高壓電壓發射強超聲信號，由超聲波接收傳感器sl1接收信號后由運放u2放大并整流，一路經帶通濾波連接到處理器芯片u4，一路經u1帶通濾波器連接到微處理器u4，微處理器u4通過內部ad采樣超聲波接收信號處理模塊的信號后，分析信號幅度和頻率，綜合距離等按圖二流程運算并識別出揮揮手的動作，區分人體運動的動作，揮揮手動作識別正確后由主機接口發送到主設備接收。
在其它實施例中，u1u2也可數字濾波器來實現。
綜上所述，本發明一種識別揮手動作的傳感器，通過對反射回來的超聲波的信號處理識別揮揮手的信號特征，區分和人體運動特征，從而只對揮揮手產生信號，對物聯網提供非常實用的傳感器。
上述僅以實施例來進一步說明本發明的技術內容，以便于讀者更容易理解，但不代表本發明的實施方式僅限于此，任何依本發明所做的技術延伸或再創造，均受本發明的保護。本發明的保護范圍以權利要求書為準。
技術特征：
技術總結
本發明公開了一種識別揮手動作的傳感器，包括人和手，超聲波發射和接收傳感器，處理器芯片，超聲波發射電路模塊，超聲波接收信號處理模塊，聯接主設備模塊，電源模塊;超聲波發射電路模塊和超聲波發射傳感器相連;超聲波接收傳感器和超聲波接收信號處理模塊相連接；處理器芯片和超聲波發射電路模塊、超聲波接收信號處理模塊、聯接主設備模塊、電源模塊相連接。本發明發明了一種傳感器，這種傳感器只識別揮手的動作，而人動無反應，作為智能設備的輸入，可以實現遙控照明燈、空調、開關、插座、窗簾、醫院的病人呼叫信號等，可以實現一種低成本的無實體遙控器的遙控裝置，很適合物聯網的需求。
技術研發人員：劉曙生
受保護的技術使用者：深圳市空中秀科技有限公司
技術研發日：2019.05.10
技術公布日：2019.08.02
基于IndRNN的手機傳感器動作識別
近日，來自山東大學和電子科技大學的研究者提出了基于IndRNN模型利用手機傳感器實現動作識別的網絡，該模型解決了現有RNN模型的梯度消失和梯度爆炸問題，一定程度上實現了動作識別的用戶獨立性，同時在2020年的SHL(Sussex-Huawei)移動挑戰賽中取得了亞軍。相比于冠軍采用的混合模型和其他團隊采用的半監督學習等方法，IndRNN僅憑借單一模型，在未知數據上預測的標簽的準確率位列第二名，展示出了模型的優良性能。
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、基于骨骼節點的動作識別等任務上都表現優異。我們利用IndRNN作為基本模型，研究基于手機傳感器數據的動作識別，取得同領域較高準確率，再次證明了IndRNN模型的性能的優越性。之所以選取IndRNN，是因為它具有以下優勢：
與傳統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題可以與非飽和激活函數，如ReLU一起工作，并且仍然可以被嚴格訓練可以構建比現有RNN更深層次的網絡減少每步的計算量比普遍使用的LSTM計算速度快10倍以上
形式：
簡單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{b} 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{b} ight) end{aligned}
ht?=σ(Wxt?+u⊙ht?1?+b)?
可以看到，簡單RNN和LSTM 隱藏層計算公式紅色的部分是對遞歸輸入進行權值乘法處理。這使得神經元相互依賴或相互糾纏，因此很難解釋每個神經元的活動。而IndRNN使用element-wise（按位相乘）處理循環的輸入或以前的隱藏狀態，使神經元是相互獨立。對于第n個神經元，對遞歸輸入的處理是一個標量乘法。
下圖展示了RNN和IndRNN之間的區別。在RNN中，由于遞歸權矩陣的存在，神經元相互糾纏，而在IndRNN中，神經元仍然是獨立的，然后在下一層進行融合。
RNN與IndRNN神經元連接方式的對比，左圖為RNN，右圖為IndRNN，圖片來自于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ReLU進行魯棒的訓練，可以將它們堆疊在一起構建深層結構的網絡或者構建殘差神經網絡（Residual Neural Network）和密集神經網絡(Dense Nerual Network)。可以像在CNN中同樣地使用批量歸一化（Batch Normalization）。它還可以擴展為卷積形式，其中使用卷積操作處理輸入。傳統上，RNN被理解為隨時間推移的多層神經網絡（MLP），其中參數隨時間推移而共享。在這里，IndRNN展示了一個新的視角，即使用輸入權值和循環權值隨著時間的推移獨立地聚合空間模式。
Longer and Deeper RNN - IndRNN，圖片來自于S. Li, W. Li, C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
任務描述
近年來隨著可穿戴設備的發展，利用其中的傳感器數據進行動作識別的領域越來越熱門。在最近幾年發表的論文中，在現有比較常用的手機傳感器數據集上已經實現了較高的準確率。然而在廣為人知的數據集中，幾乎都將多名用戶的數據混合，且忽略了手機在用戶身上放置位置對于準確率的影響。
SHL數據集填充了數據集在上述方面的空白，為利用機器學習從手機傳感器中識別用戶的移動和運輸方式的方向提出了新的研究問題與挑戰。
SHL數據集視頻介紹
首先，我們對SHL數據集進行簡單介紹，利用3名用戶（用戶1、用戶2和用戶3）放在身體四個部位（手、胸前、臀部、背包）的數據安卓手機中的7個傳感器提供的20軸的數據實現8種動作分類問題（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，分別標記為1-8），其中不僅有人自發的運動，還包含了機械驅動的運動，為識別增添了挑戰。
傳感器類別及介紹如下：
加速度計（Accelerometer）: x, y, z in m/s2陀螺儀（Gyroscope）: x, y, z in rad/s磁力計（Magnetometer）: x, y, z in μT四分儀（Orientation）: quaternions in the form of w, x, y, z vector重力計（Gravity）: x, y, z in m/s2線性加速度計（Linear acceleration）: x, y, z in m/s2壓力計（Pressure）：Ambient pressure in hPa
該研究主要側重于實現利用手機傳感器實現動作識別過程中的用戶獨立性。數據集分為訓練集、驗證集及測試集，分別包含59天、6天和40天的數據（由數據集大小可以看出提供的每天的數據的時間長度不同）。所有數據被分割為5s的窗口，采樣率為100Hz。為了探索實現用戶獨立性的方法，在集合的用戶分配上，訓練集和驗證集僅包含了用戶1的四個位置數據，驗證集包含用戶2和3的四個位置的數據，而測試集僅包含用戶2和3四個位置之一的數據（位置未知）。此外，為了實現分類的實時性，窗口被打亂，且保證了相鄰兩幀在時間上不連續。
盡管在利用手機傳感器數據進行動作識別的領域已經取得了不錯的成果，該任務提出了在實際生活場景中進一步細化的問題-如何實現用戶的獨立性，即在利用與預測數據來源不匹配的數據訓練模型，如何在預測數據上獲得更高的準確率？該任務的難點可以解釋為以下問題：
不同用戶的影響：不同用戶由于運動量與生活習慣存在差異，放置在其身上的手機收集到的傳感器數據也會有所不同。訓練集來源于用戶1，而測試集和驗證集的數據來源于用戶2和3的混合數據，如何盡量消除差異，使預測時的準確率與訓練時的準確率盡量接近？
三名用戶的數據標簽組成，可以看出有明顯差異，圖片來自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：由提供的數據集可知，測試集來源于用戶3的一個未知的位置，而訓練集和驗證集都包含了所有的位置。因此，應如何對于訓練集和驗證集數據進行選取？
手機放置的位置及數據收集的界面，圖片來自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): -.
技術方案
預處理
數據分割（Segmentation）
首先，為了使我們的模型充分學習到長時和短時特征，我們對所給窗口進行了進一步的分割。將5s的窗口分割為21個1s的窗口，重疊率為80%。
分割圖示，圖片來源于L. Zheng, S. Li, Y. Gao, “Application of IndRNN for Human Activity Recognition-The Sussex-Huawei Locomotion-Transportation Challenge”
去旋轉化（De-rotation）
鑒于數據采集于手機傳感器，采用的坐標為手機自身的三軸坐標系，不僅包含了用戶運動造成的數據變化，還包括了手機自身翻轉等運動造成的數據變化。因此，把手機坐標系中的數據轉移到地球坐標系是很有必要的。經過調研，加速度計和陀螺儀受影響較大，參考了安卓手機轉換坐標系常用方法，我們這兩個坐標系中的數據轉換到北天東（NED）坐標系。具體操作為利用四分儀構建轉換矩陣，將待轉換的三軸坐標系數據與旋轉矩陣
R
N
B
R_{N B}
RNB?相乘，得到轉換后的坐標。
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
特征提取（Feature Extraction）
在將數據輸入網絡學習特征前，我們手動提取了一些重要的時域特征，如下表所示。由于智能手機傳感器采集的信號具有很強的周期性，FFT幅度譜是提取這些信號一般短時特征的合適選擇。由于幅度譜的對稱性，FFT變化之后的信號只需保留一半。
提取FFT幅度譜，圖片來源于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，通過觀察不同標簽的FFT幅度譜，我們發現還是有些差異，于是又提取了FFT幅度譜的一些統計特征。
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訓練中表現較好的特征（表中加粗標記），將其拼接確定為正式訓練所用的特征。
位置識別（Location Recognition）
為了消除測試集位置未知對結果的影響，我們提出了在訓練前事先訓練位置的想法，即根據位置賦予數據全新的標-Bag標記為1，Hips標記為2，Torso標記為3，Hand標記為4，將提取到的特征輸入我們的網絡（下文講解）先構建一個位置預測模型。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結合，Hips和Torso結合，可以得到準確率大于99%的混淆矩陣。
我們用得到的模型去預測測試集的數據，得到的結果顯示測試集屬于Hips+Torso的組合。后續位置預測實驗中，我們觀察到特定位置的數據作為訓練集時沒有所有位置作為訓練集表現好，且不論用Torso還是Hips驗證，對于最終得到的模型沒有區別，所以即使沒有確定具體位置，并不影響訓練結果。
Dense IndRNN模型
針對上述具體任務，我們使用的是Dense IndRNN結構。訓練流程圖如下
訓練中具體的參數可參考我們的比賽論文。
后處理
因為訓練集由用戶1的數據構成，而測試集由用戶2和3的數據構成，為了盡可能實現用戶獨立性，我們引入了遷移學習（Transfer Learning），即將一部分驗證集的數據輸入先前的網絡繼續訓練對模型進行微調，另一部分用來驗證。常用的遷移學習將數據一分為二，一半用作訓練，另一半驗證。
在實驗中，我們發現驗證集的標簽有分布不均的問題。參考了數據集構建者的描述，受限制于驗證集的大小，數據收集的過程會造成此問題。
因此，我們首先將按照標簽將數據進行分組，在相同比例的位置進行切割，再將數據進行拼接。然而，受限制于驗證集的大小，當我們分別用前一半或后一半數據訓練，另一半數據驗證的時候，準確率相差較大。為了平衡準確率，也為了充分利用驗證集數據，于是我們提出了構建兩個遷移學習的模型，在最終預測測試集數據時將兩個模型進行融合，得到最終預測結果。
結果：
在遷移學習之前，我們的模型在驗證集上達到了81.58%的準確率。由表可看出，與CNN類似，Dense結構比直接每層相連表現更好。
遷移學習和模型融合之后，模型的準確率上升了超過5%的準確率，證明用戶的遷移學習對于消除利用手機傳感器數據進行動作識別任務中的用戶依賴性有作用。
UbiComp SHL Challenge 2020 的結果在6月25日截止提交，根據評價指標F1-score排名。比賽的前三名于9月舉行的UbiComp 2020的HASCA workshop揭曉。IndRNN在測試集上F1-score達到79.0%，摘得挑戰賽亞軍，展示出了所構建模型的優良性能。
挑戰賽官網：
思考
一個容易被忽視的問題：學習率過小導致的過擬合
最終結果顯示我們的模型表現出了過擬合，我們猜想是選取的學習率過小，導致在訓練集和驗證集上顯示的準確率高于測試集。一般人們認為學習率只是在梯度下降過程中訓練模型的參數，與過擬合沒有必然的聯系。而一般來說學習率足夠小的話，所得到的結果都是類似的。網絡上一些博客提出的防止過擬合的建議也主要集中在：
數據增強提前停止（Early stopping）增加噪聲簡化網絡結構Dropout貝葉斯方法
然而，很少有人提及控制學習率的問題。猜想這是由于大部分現有文章的數據集是研究者進行劃分，在訓練后，可以通過觀察最終在測試集上面預測結果選取最優學習率。然而，真正遇到現實中的問題，即測試集沒有標簽時，模型還是有可能出現過擬合的問題，需要研究者多積累經驗，選取更加適合的學習率。
學習率的選取對模型Loss的影響
總結
來自電子科技大學和山東大學的團隊利用比現有RNN更加長且更深層次的網絡-IndRNN進行基于手機傳感器數據的動作識別的任務。該模型在訓練過程中表現優良，結合遷移學習和模型融合的后處理，一定程度上實現了利用手機傳感器數據進行動作識別的用戶獨立性。同時，IndRNN團隊摘得UbiComp SHL Challenge 2020的亞軍，再度體現IndRNN性能的優越性，希望該方案對大家有參考價值。
參考文獻
[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): -.
硬創商城
采購服務熱線：400-830-1766
型號
描述
供應商/品質保證
價格（含增值稅）
SI1144-AAGX-GMR
Silicon Labs
需提供NDA保密協議后才可發貨
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
供貨保障
世強自營
一支起訂
價格￥
41.6238
現貨10
可售量
10
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
MLXRTF-BAA-000-SP
Melexis
新款產品中盡量不要使用該元件
停產?
3D OPTICAL SENSORS;三維光學傳感器（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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
世強自營
一支起訂
價格￥
278.2919
現貨1
可售量
1
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
世強自營
一支起訂
價格￥
150.7894
現貨7
可售量
7
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
供貨保障
世強自營
一支起訂
價格￥
9.2361
現貨231,370
可售量
231,370
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
供貨保障
世強自營
一支起訂
價格￥
68.3296
現貨225,717
可售量
225,717
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
CF921C0920GGMR
Silicon Labs
8位MCU
CF921;CF921C0920;CF921C0920GGM系列
2kB/4kB RAM, 10bADC, DC-DC, 0.9V, QFN24。與標準型號C8051F921-GMR可pin to pin 替換。
最小包裝量：1,500
1,500
世強先進（深圳）科技股份有限公司
限量優惠售完即止
原廠認證
世強代理
世強自營
一支起訂
限量折扣
價格￥
7.2386
現貨185,910
可售量
185,910
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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,替代型號為:EFM8BB52F16G-C-TSSOP28R
QSOP24
最小包裝量：2,500
2,500
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
選型推薦
供貨保障
世強自營
一支起訂
價格￥
5.2167
現貨177,941
可售量
177,941
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
選型推薦
供貨保障
世強自營
一支起訂
價格￥
44.0422
現貨167,605
可售量
167,605
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
選型推薦
供貨保障
世強自營
一支起訂
價格￥
70.5531
現貨130,795
可售量
130,795
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
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
世強先進（深圳）科技股份有限公司
原廠認證
世強代理
選型推薦
供貨保障
世強自營
一支起訂
價格￥
51.9955
現貨115,834
可售量
115,834
發貨地廣東
預計交期
1. 預計交期為預估時間，不含國家法定節假日，不作為訂單或合同約定內容。
2. 受限于發貨時間和商品物流運輸時間。
3. 商品運輸過程中如遇不可抗拒力因素，如地震、水災、旱災、疫情等，交期可能有所延長。
預計交期?
約3個工作日
最少1
小量快購
批量詢價
交期查詢
免費樣品
期貨訂購
下一篇： PLC、DCS、FCS三大控
上一篇： 電氣控制線路圖控制原
