（a）MCUによるセンサー処理（ソース） （b）機械学習コアを組み込まれたセンサー（ソース） （c）インテリジェントセンサー処理ユニット（ISPU）を備えたセンサー（ソース）

機械学習コアを組み込まれたセンサー

決定木ロジックによるセンサーデータの処理機能は、決定木を使用して実現されます。決定木は、「if-then-else」条件によって定義される構成可能なノードで構成される数学ツールです。これらの条件は、しきい値に対してセンサーデータから計算された統計パラメータによって表される入力信号を評価します。

たとえば、STMicroelectronicsのLSM6DSOXシステムインパッケージでは、この機能は以下のような教師あり学習を通じて実装されています。

• 認識するクラスを識別します。
• クラスごとに複数のデータログを収集します。
• 収集されたログを分析して、入力（データログ）を出力（クラス）にマッピングする一般的なルールを学習します。

アクティビティ認識アルゴリズムのクラスには、静止、ウォーキング、ジョギング、サイクリング、運転などが含まれる場合があります。異なる人が同じアクティビティを実行している場合など、クラスごとに複数のデータログを取得する必要があります。これらのデータログの分析の目的は以下の通りです：

• さまざまなアクティビティを正確に分類するために必要な機能を定義します。
• 入力データに適用するフィルターを定義し、選択した機能を使用してパフォーマンスを向上させます。
• 入力を出力にマッピングすることで、クラスの1つを認識する専用の決定木を生成します。

決定木が定義されると、提供されているソフトウェアツールによってデバイス構成が生成され、決定木をデバイス上で実行できるようになり、電力消費を最小限に抑えることができます。

LSM6DSOX内のMLコア機能は、次の3つの主要ブロックに分けられます（図2）。

1. センサーデータ
2. 計算ブロック
3. 決定木

図2：機械学習のコアブロック（ソース）

センサーデータ：

この段階では、内蔵加速度計、ジャイロスコープ、またはI²Cマスターインターフェース（センサーハブ）を介して接続された追加の外部センサーからデータが収集されます。

計算ブロック：

この段階では、最初のブロックで定義された入力データにフィルターと機能が適用されます。機能は、ユーザーが選択可能な時間ウィンドウ内で入力データ（またはフィルタリングされたデータ）から計算される統計パラメータです。これらの計算された特徴は、3番目のブロックの入力として機能します。

決定木：

決定木は、計算ブロックで計算された統計パラメータを評価します。バイナリツリーを使用して、これらのパラメータを特定のしきい値と比較し、アクティビティ認識のコンテキストで、静止、ウォーキング、ジョギング、サイクリングなどの結果を生成します。オプションの「メタ分類子」フィルターを使用して、決定木からの結果を絞り込むこともできます。MLコアの結果の最終出力には、決定木の結果とオプションのメタ分類子フィルタリングが含まれます。

入力：

入力データレートは、MLコアデータレート以上である必要があります。たとえば、26 Hzで実行されるアクティビティ認識アルゴリズムでは、MLコアの出力データレート（ODR）を26 Hzに設定する必要があり、センサーのODRは少なくとも26 Hz以上である必要があります。

MLコアでは、以下の単位表記法を使用します。

• 加速度計データ［[g]］
• ジャイロスコープデータ［rad/sec］
• 磁力計の外部センサーデータ［[gauss]］

磁力計などの外部センサーは、センサーハブ機能（モード2）を介してLSM6DSOXに接続できます。この設定では、外部センサーからのデータをML処理に使用することもでき、最初の6つのセンサーハブバイト（軸ごとに2つ）がMLコアの入力と見なされます。

フィルター：

MLコアフィルターリングの基本要素は、図3に示すように二次IIRフィルターです。

図3：フィルター基本要素（ソース）

一般的なIIR 2次フィルターの伝達関数は、

出力は図3の次のように定義できます。

y(z)=H(z).x(z)

y(z)=y(z). gain

MLコアには、メモリ使用量を最適化するために、さまざまなフィルタータイプ（ハイパス、バンドパス、IIR1、IIR2）のデフォルト係数が含まれています。フィルタータイプを選択すると、MLコアツールは必要な係数を要求してフィルターの設定を支援します。

機能：

機能とは、機械学習（ML）コアのセンサー入力から導出される統計パラメータを指します。すべての機能は、サンプル数として表される「ウィンドウの長さ」とも呼ばれる指定された時間ウィンドウ内で計算されます。決定木内のすべての統計パラメータがこのウィンドウ内で評価されるので、ウィンドウサイズはML処理において重要な役割を果たすため、ユーザーがウィンドウサイズを決定することは重要です。

たとえば、アクティビティ認識アルゴリズムでは、機能は2秒または3秒ごとに計算されることがあります。センサーが26 Hzで動作している場合、ウィンドウの長さはそれぞれ約50または75サンプルになります。

MLコア機能の中には、しきい値などの評価に追加のパラメータが必要です。これらの特徴には、平均、分散、エネルギー、ピークツーピーク、値が含まれます。

平均：

「平均」機能は、次の式を使用して、定義された時間ウィンドウ（WL）内で選択された入力（I）の平均を計算します。

分散：

「分散」機能は、次の式を使用して、定義された時間ウィンドウ（WL）内の選択された入力（I）の分散を計算します。

エネルギー：

「エネルギー」機能は、次の式を使用して、定義された時間ウィンドウ（WL）内の選択された入力（I）のエネルギーを計算します。

ピークツーピーク：

「ピークツーピーク」機能は、定義された時間ウィンドウ内で選択された入力の最大ピークトゥピーク値を計算します。

ピーク検出器：

「ピーク検出器」機能は、定義された時間ウィンドウ内で選択された入力のピーク数（正と負）をカウントします。

決定木：

決定木は、LSM6DSOXに保存できるトレーニング学習データから作成された予測モデルです。学習データは、認識が必要なクラスごとに取得されたログで構成されます。たとえば、アクティビティ認識では、クラスにはウォーキング、ジョギング、運転などが含まれる場合があります。

決定木への入力は、前のセクションで説明した計算ブロックの結果です。決定木の各ノードには、所定の機能を評価するためのしきい値を設定する条件があります。条件が満たされた場合、真のパス内の次のノードが評価されます。そうでない場合は、偽のパス内の後続のノードが評価されます（図3参照）。決定木は、解決策が見つかるまでノードからノードへと進みます。