该项目是在Thunderboard Sense 2的基础上设计的手势识别。

Thunderboard Sense 2是Silicon Labs的开发套件，它适合需要大量环境或位置数据以及充足的蓝牙连接性的项目，它使开发人员和业余爱好者都可以尝试各种传感器和应用程序。该开发套件还具有以下传感器：

• Si7021（温度+湿度）
• Si1133（紫外线和环境光）
• BMP280（压力）
• CCS811（室内空气质量和气体）
• ICM-20648（6轴IMU）
• ICS-43434（数字麦克风）
• Si7210（霍尔效应）

项目的核心芯片是EFR32MG12P，它有多协议无线电的低功耗、直接储存器的灵活以及微处理器的外围接口。

开发板具有： 

• Arm Cortex-M4处理器
• 256KB RAM
• 1MB闪存

 开发板还具有集成的J-Link调试器，这使得加载程序和查看输出非常简单。

开发板原理图：

设置边缘脉冲：

在Edge Impulse上创建了一个名为Gesture Recognizer的新项目（确保已安装Edge Impulse CLI工具）。

运行edge-impulse-daemon以允许Edge Impulse服务将设备连接到正确的项目。如果成功完成，可在选项卡中看到Devices。

收集加速度计数据：

每编译一个二进制文件都允许它使用其板载加速度计和麦克风捕获，并将数据发送。返回Data Collection标签中的信息中心，选择设备、并贴上标签。我设置了5个手势标签：circle，zigzag，updown，leftright，和none。

我为前4个手势标签分别收集了8个10秒的样本，然后为none标签收集了4个10秒的样本。

对其中几个手势标签的样本进行了测试：

训练模型：

从时间序列数据将样本分成2秒的窗口开始，然后将它们传递到Spectral Analysis块。在此处，数据通过截止频率为3且阶数为6的低通滤波器以及频谱功率处理器。

然后将这些特征传递到Keras神经网络，该神经网络的输入层具有33个特征，其中20个神经密度高的层，10个神经密度高的层和5个特征的输出层（带有标签）。经过40个训练周期的训练，学习率为0.0005，该模型能够变得100％准确。

该Model testing选项卡可反映数据，因为它在分类训练数据的正确率达98.81%。

部署方式：
对模型进行测试后，将对其进行部署。选择了iSiLabs Thunderboard Sense 2作为目标设备，并启用EON编译器来节省空间。

构建完成后，下载二进制文件并将其拖放到TB004驱动器中。

测试：

为了运行分类器，返回了命令行并运行了edge-impulse-run-impulse。该程序可实现：将传感器传入的样本进行分类，并将结果发送到终端。