Étape 2: Algorithme de Machine Learning reconnaître des gestes
La première chose à décider est l’algorithme de Machine Learning (ML). Les algorithmes plus utilisés pour des problèmes avec les données de séries chronologiques, telles que la reconnaissance audio et le geste, sont du modèle de Markov cachés (HMM) et déformation de temps dynamique (DTW). Dans ce cas de prototype, le processeur utilisé pour traiter les données de l’accéléromètre et le modèle ML, pour classer un geste, est un ATmega328P. Ce processeur a 32 Ko d’espace mémoire pour mettre le code dedans et 2 Ko d’espace de mémoire RAM, et il serait donc très difficile à mettre en œuvre un algorithme robuste de ML, comme HMM et DTW, dans le processeur LightBlue Bean. Ainsi, j’ai utilisé le modèle d’arbre de décision J48 construit par Weka (http://www.cs.waikato.ac.nz/ml/weka/) de reconnaître des gestes. Un modèle d’arbre de décision est fondamentalement certains ifs et elses que vous pouvez mettre facilement dans n’importe quel code d’application.