准备工作

UNICO-GUI软件用于意法半导体产品组合（加速度计、陀螺仪、磁力计和环境传感器）中所有MEMS传感器的评估板。它可用于Linux（基于Debian） / Mac OS X / Windows平台。

Unico-GUI - MEMS evaluation kit software package for Linux, Mac OSX and Windows - 意法半导体STMicroelectronics

 用这个软件的前提是需要有一个专用的传感器评估板，比如STEVAL-MKI109V3(STEVAL-MKI109V3 - 专业MEMS工具：基于STM32F401VE并与所有ST MEMS适配器兼容的ST MEMS适配器主板 - 意法半导体STMicroelectronics)，如下图：

 还需要一个适配板，比如 STEVAL-MKI227KA(STEVAL-MKI227KA - 3-axis accelerometer and 3-axis gyroscope kit with QVAR functionality based on LSM6DSV16X - 意法半导体STMicroelectronics)，如下图：

 适配板其实就是一个传感器的扩展板，插到评估板上即可。

然后通过USB和PC相连，打开安装好的UNICO-GUI软件:

 选择STEVAL-MKI227KA(LSM6DSV16X)，点击Select Device。

如果板子已经连接好了，顺利的话，可以进入下面的界面：

 如果不能顺利进入上面的界面，那么要么板子没连接好，要么Firmware Version版本不对，Firmware Version版本不对的话，需要对评估板进行固件的更新，在你下面的软件包里面，存在一个en.en.stsw-mki109w\Unico-GUI_v9.14.6_WINDOWS\FIRMWARE\ProfiMEMSTool board目录，里面有最新的固件；

 

通过说明文档，可以或者如何烧录固件的信息，里面还有相关驱动安装的说明，但个人推荐用STM32CubeProgrammer烧录，比较方便：

um2116-stevalmki109v3-professional-mems-tool-motherboard-for-mems-adapter-boards-stmicroelectronics.pdf

 Unico-GUI这个软件基本把一款传感器的家底全部翻了出来，你可以通过很多图形化的工具对传感器进行评估。重在实践，这里不一一展开了，只对机器学习这一部分做一个操作的说明。

机器学习(MLC)的操作

ST传感器的机器学习的原理不想多说，可以参考如下文档，文档也对本文要说这个这个传感器做了详细的MLC说明：

an5804-lsm6dsv16x-machine-learning-core-stmicroelectronics.pdf

 

下面说说基于lsm6dsv16x这个传感器MLC的操作步骤：

1.捕获数据

 Unico-GUI的Options需要做如下配置：

加速度满量程和输出数据速率，陀螺仪满量程和输出数据速率(如果用到陀螺仪才需要设置)，确保Start按钮已经按下。这些条件缺一不可。

 然后点击Load/Save选项卡，在保存数据这里选择保存的路径，点击需要采集的数据，然后点击Start开始采集，点击Stop结束采集。

 这里简单采集一个move.txt，表示运动，stop.txt表示停止运动的数据。

 2.标记数据

点击MLC按钮，弹出新的界面，在Load Data Pattern中点击Browse,选择刚才采集到的一个数据，在Set Class数据标记，这里先填一个move,然后点击LOAD。

 依次顺序再添加stop数据，如下：

 3.构建决策树

点击Configuration选项卡，开始构建决策树。

点击下一步，选择Machine Learning Core ODR,机器学习输出的速率，这个根据需要做修改。然后点击下一步。

 下面的页面选择输入的数据类型，是只有加速度，还是加速度+陀螺仪，还是加速度+外部传感器等各种数据类型，并设置Full scale, ODR。然后点击下一步。

 如下图，选择决策树的数量，有1-4可以选择。

下面是感兴趣窗口数和滤波器的设置：

 

 下面是特征值的选取，有

均值
方差
能量
峰峰值
过零信号
正过零信号
负过零信号
峰值探测器
正峰值探测器
负峰值探测器
最小值
最大值
递归均值
递归 RMS
递归方差
递归最大值
递归最小值
递归峰峰值

各种特征值需要根据处理的数据特点去做取舍，这估计也是训练出来是否准确可用的一个重要选项。需要下功夫研究。

 我们这里选择一个方差 模即可。

 

如下保存ARFF文件，选择一个路径即可；

 

如下，选择上报的结果，0表示运动，4表示禁止，一共有0-15个值可以选择。

 

如下点击Generate，生成决策树。

 

 如下，选择误报的容差值，0表示触发即产生中断，如果是1，则表示检测到2次动作之后才上报。共有0-14个选择。

最后选择ucf文件的保存路径，也就是最终的结果。

4.内置决策树

如上点击Next之后，把无关窗口关闭之后，回到主界面的Load/Save，点击Load，把ucf文件加载到传感器中，其实本质就是写入寄存器。

 5. 处理新数据

点击Start，Plot, Data.开始观察。

Plot显示数据的曲线图

Data则显示决策树输出结果，我们这里用到1个决策树，所以看1这里数据在0，4之间进行变化。

 

 以上已经完成了一次简单机器学习过程。

机器学习的使用

 完成了上面的步骤之后，我们如何在代码里面去运用这些东西呢？

中断

机器学习会产生中断，通过中断脚输出；如下图，可以看见运动时，输出一个中断，禁止时也输出一个中断。

结果的读取

 结果可以通过寄存器来读取，MLCx_SRC这4个寄存器可以读出结果。

 代码需要写入什么？

代码其实只要给传感器写入寄存器的值就可以了。

寄存器有哪些值需要写入？就是ucf文件里面展示的寄存器值。

ucf不太直观，如何转化为C语言代码？

通过Unico-GUI的C code generation按钮进行转换。

最终生成：

 

 然后你就可以嵌入你的代码中，完成机器学习的功能。