时序模式识别案例：基于加速度传感器的走与跑识别 简单

本项目基于时序模式识别技术，通过加速度传感器数据区分"走"和"跑"两种动作。系统采用分布式架构：掌控板负责采集加速度数据，电脑进行模型推理，行空板K10显示识别结果。整个系统通过MQTT协议实现设备间通信，形成一个完整的动作识别应用。 

系统包含三个主要部分：数据采集端（掌控板）、模型推理端（电脑及Mind+软件）和结果显示端（行空板K10）。

工作流程为：掌控板以0.1秒间隔采集走/跑的加速度数据（x,y,z值）并通过MQTT发送到siot/msg主题；行空板K10接收这些数据并通过串口传给电脑；电脑用训练好的模型分析数据，将识别结果通过MQTT发送到siot/ai主题；行空板K10订阅该主题并显示对应图片。

模型训练使用Mind+内测版的时序模式识别功能。首先创建"走"和"跑"两个类别，然后通过掌控板采集训练数据，设置采样间隔为0.1秒，每个动作采集20条以上样本，每条样本时长3-5秒。训练参数包括（使用默认）：数据时间间隔100ms、训练轮次100、批次大小16、学习率0.005。训练完成后进行验证，确保模型准确率满足要求。

注：必须使用整数！

部署过程包括三个环节：

掌控板程序配置连接WiFi和MQTT，以固定间隔发送加速度数据；

电脑端配置实时结果推送，设置MQTT服务器地址并加载训练好的模型；

行空板K10程序配置连接WiFi和MQTT，订阅识别结果主题并准备显示图片。

关键配置包括统一的0.1秒数据间隔、正确的MQTT服务器IP地址、以及siot/msg和siot/ai主题的对应关系。

系统测试需确保所有设备连接同一WiFi网络，MQTT服务器正常运行。测试时手持掌控板执行走或跑动作（手持姿势和训练时要一致），观察行空板K10是否能正确显示对应图标。如遇识别不准情况，可通过增加训练样本、调整动作一致性或优化模型参数来改进。系统延迟主要来自网络传输和模型推理时间。

本项目完整展示了时序模式识别的全流程，从数据采集、模型训练到部署应用。通过分布式架构实现了传感器数据采集与模型推理的分离，利用MQTT协议实现了设备间的灵活通信。系统具有较强的可扩展性，可方便地添加新的动作类别或调整识别参数。

作者公众号：