动手实践：Arduino自定义手势识别模型 🤚🚀

【在 Arduino 上使用机器学习】（一）在 Arduino 开发板上安装库及添加测试样本
【在 Arduino 上使用机器学习】（二）Tensorflow上构建及训练模型
【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义手势识别模型

在Arduino上使用自定义手势识别模型
接下来，我们会将刚刚在上一节中在 Colab 中训练并下载的 model.h 文件，用于我们的 Arduino IDE 项目中：

在 Arduino IDE 中打开 IMU_Classifier.ino
在 IDE 中创建一个新选项卡。并将其命名为 model.h。

【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图1

打开 model.h 选项卡，并从 Colab 下载版本的内容贴上去。（也可以直接将model.h文件拖到IMU_Classifier.ino旁边的选项卡位置）

【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图3

上传例程，点击：Sketch> Upload
打开 Serial Monitor：Tools > Serial Monitor
做一些手势
每个手势的置信度将在 Serial Monitor 中显示（0 = 低置信度，1 = 高置信度）

将例程上传到板子中，打开串口监视器，做一些手势，发现几乎所有的手势被识别为曲肘（见下图），无论是击拳还是曲肘。仔细思考了一下发现了问题。原来训练的时候对“击拳”理解错误，以为是像武林高手一样击出去要收回来。实际上击拳只是将拳挥出去，收回的时候要非常缓慢，以免触发采样。同样曲肘也是，将手臂缓缓伸出，然后迅速收回，收回这个动作才是“曲肘”。
【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图4

【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图4

出现这个错误，需要重新采集样本。下面的动图是新采集的样本，可以看到两个动作之间区别还是很大的：

好在前面走了一遍，后来就非常顺利了。分别采集10个击拳和10个曲肘的动作样本。再回到colab里进行训练，重新下载model.h文件。将原来的文件删除：
【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图5

【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图5

重新上传文件并使用串口监视器观察，开始击拳和曲肘的动作，识别的非常准备：
【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图2

采样率是每秒119HZ，每秒采集119个样本，做10次动作可以采集1190个样本，样本量还是比较高的。为了样本的准确性，动作一定要标准，否则预测结果会不理想。

数字代表置信度，置信度越高，所预测的动作可能性越大。最后预测的结果与实际动作完全一致。
【在 Arduino 上使用机器学习】（三）在Arduino上使用自定义...图6