发布日期：2022-10-09 点击率：88
作者：DIGITIMES陈明阳
韩国科学技术院(KAIST)计算机科学系的Sungho Jo教授与首尔国立大学的Seunghwan Ko教授领导的研究团队开发配戴在手腕、基于深度学习的单股电子皮肤传感器贴片，可隔空实时监测与译码人类5根手指的复杂动作。
研究团队指出他们的系统可扩展适用于人体其他部分，目前已能从骨盆位置监测步态动作，未来人体只需部署小型传感器网便能追踪全身动作，将可实现从远端间接衡量人体动作，并应用于穿戴式扩增实境(AR)与虚拟实境(VR)系统，更可望成为健康监测、动作追踪、软性机器人发展的转折点。
传统动作监测须部署多个传感器网完整涵盖目标区的曲线表面，新的皮肤传感器使用经快速情境学习(RSL)强化的深度神经网络，确保无论置于皮肤表层任何位置都能稳定运作。此外新皮肤传感器的建构以镭射取代传统基于晶圆的制作方式，可望成为动作追踪感测的新典范。
RSL从手腕的任意位置收集手部动作数据，再据以自动训练神经网络模型，并能实时以虚拟的3D手部影像，在荧幕上同步模拟展示识别到的原始手指动作。研究团队设计的新感测系统，透过运用镭射在金属薄膜上引发纳米级粒子裂缝的方式，来提升传感器的灵敏度，并支援感测与分辨多手指动作所产生的讯号。
研究团队发现在部署传感器监测多支手指动作时，选定单一区域会比在每一块关节与肌肉上配置个别传感器更有效率，因此成功的关键首先是将皮肤传感器部署于每支手指的动作讯号共同汇聚的单一区域，再从混杂的讯号中区分出个别手指的动作数据。此外并采用单通道传感器监测复杂的手部动作，以极大化使用者手指的可用性与活动性。
研究团队表示开发新的皮肤传感器主要聚焦于2项工作，首先是分析传感器收集到的讯号模式，以获得含有时间性传感器行为的隐性空间；接着则是将隐性矢量对应到手指动作的度量空间，以实时、正确识别个别手指的动作。
举报/反馈
本发明涉及一种传感器，更具体地说是指一种识别挥手动作的传感器。
背景技术：
随着经济和技术的发展，尤其是智能化的普及，智能家居解决方案应运而生，智能家居是又物联网应用实例，目前5g开始布局，未来是物联网的世界，物联网用得最多的就是传感器，在智能家居方案里有红外探头、可燃气体探测器、烟雾探测器、门磁、窗磁、智能遥控器、语音遥控等，语音遥控近两年兴起的热门技术，搜索语音遥控相关的专利有300项之多。语音遥控的优点是非常智能，缺点都要求非常高的计算能力，所以付出成本相当高。
对于很多家电来说，控制就是很简单的动作：开和关，比如空调开和关，照明灯的开和关等，另外在人活动不方便的场合，比如医院，本发明使病人很方便呼叫服务。因此本发明就是发明一种传感器，用一种算法只检测挥挥手的动作，对挥挥手产生信号，而人动无信号。成本低又简单的一种输入传感器，以满足智能家居、医院等的需求。
技术实现要素：
本发明提供一种识别挥手动作的传感器。
为实现上述目的，本发明采用以下技术方案：
一种识别挥手动作的传感器，包括人和手，超声波发射和接收传感器，处理器芯片，超声波发射电路模块，超声波接收信号处理模块，联接主设备模块，电源模块;超声波发射电路模块和超声波发射传感器相连;超声波接收传感器和超声波接收信号处理模块相连接；处理器芯片和超声波发射电路模块、超声波接收信号处理模块、联接主设备模块、电源模块相连接。
更进一步地，遥控信号是人的挥手动作，不需要其它任何实物。
更进一步地，所述的超声波发射和接收传感器，发射和接收传感器安装在同一面并相距一定间隔，尽最大可能接收从发射传感器人体反射回来的信号。
更进一步地，其特征在于，所述的处理器芯片，控制超声波的信号发射，通过内部ad采样超声波接收信号处理模块的信号后，分析信号幅度、频率、挥手动作特征信号，综合距离等因素运算并识别出挥挥手的动作，区分人体运动的动作，只对挥挥手动作产生反应；微处理器芯片把成功识别后的挥挥手动作传送到主设备；处理器芯片对装置的电源进行管理，减少功耗，获得足够长的使用时间。
更进一步地，所述的超声波接收信号处理模块，包括信号放大、整流整流后分高频和低频两路带通滤波器滤波，滤波加放大后给微处理器芯片运算并分析出挥手的动作,带通滤波器可以是模拟滤波器或者数字滤波器。
更进一步地，所述的电源模块，由联接主设备模块提供的低压电源升压，升压的电压给超声波发射供电，也可由主设备模块直接提供高压电源，保证发射功率，使遥控距离足够远。
更进一步地，联接主设备模块包括有线和无线连接，有线可以通过串口、i2c等方式与主设备连接，无线包括红外，蓝牙、2.4g、wifi、433m与315m及5g等物联网的无线通信方式，实现挥挥手的感应动作传送给主设备的目的，联接主设备模块提供工作电源。
一种识别挥手动作的传感器，还包括人体热释电红外传感器，感应人体红外信号，当人在时，传感器装置，人不在时，传感器休眠，大大节省功耗。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明一种识别挥手动作的传感器的方框图。
图2为本发明的挥手识别流程图
图3、图4、图5为本发明一种识别挥手动作的传感器实施例的原理图。
附图标记
u4处理器芯片
u1运放1
u2运放2
u6升压ic
q4三极管
q7n沟道mos管
q9p沟道mos管
sl1接收传感器
sl2发射传感器
j2主机接口。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
如图3、图4、图5所示，本发明一种识别挥手动作的传感器，包括超声波发射传感器sl2和超声波接收传感器sl1，处理器芯片u4，超声波发射电路模块由q4、q7、q9组成，由升压icu6提供高压电压，超声波接收信号处理模块由u1、u2组成。
超声波发射传感器sl2由u6产生的高压电压发射强超声信号，由超声波接收传感器sl1接收信号后由运放u2放大并整流，一路经带通滤波连接到处理器芯片u4，一路经u1带通滤波器连接到微处理器u4，微处理器u4通过内部ad采样超声波接收信号处理模块的信号后，分析信号幅度和频率，综合距离等按图二流程运算并识别出挥挥手的动作，区分人体运动的动作，挥挥手动作识别正确后由主机接口发送到主设备接收。
在其它实施例中，u1u2也可数字滤波器来实现。
综上所述，本发明一种识别挥手动作的传感器，通过对反射回来的超声波的信号处理识别挥挥手的信号特征，区分和人体运动特征，从而只对挥挥手产生信号，对物联网提供非常实用的传感器。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。
技术特征：
技术总结
本发明公开了一种识别挥手动作的传感器，包括人和手，超声波发射和接收传感器，处理器芯片，超声波发射电路模块，超声波接收信号处理模块，联接主设备模块，电源模块;超声波发射电路模块和超声波发射传感器相连;超声波接收传感器和超声波接收信号处理模块相连接；处理器芯片和超声波发射电路模块、超声波接收信号处理模块、联接主设备模块、电源模块相连接。本发明发明了一种传感器，这种传感器只识别挥手的动作，而人动无反应，作为智能设备的输入，可以实现遥控照明灯、空调、开关、插座、窗帘、医院的病人呼叫信号等，可以实现一种低成本的无实体遥控器的遥控装置，很适合物联网的需求。
技术研发人员：刘曙生
受保护的技术使用者：深圳市空中秀科技有限公司
技术研发日：2019.05.10
技术公布日：2019.08.02
基于IndRNN的手机传感器动作识别
近日，来自山东大学和电子科技大学的研究者提出了基于IndRNN模型利用手机传感器实现动作识别的网络，该模型解决了现有RNN模型的梯度消失和梯度爆炸问题，一定程度上实现了动作识别的用户独立性，同时在2020年的SHL(Sussex-Huawei)移动挑战赛中取得了亚军。相比于冠军采用的混合模型和其他团队采用的半监督学习等方法，IndRNN仅凭借单一模型，在未知数据上预测的标签的准确率位列第二名，展示出了模型的优良性能。
SHL Challenge论文
IndRNN (Independently Recurrent Neural Network)
IndRNN在2018年被提出之后，在图像分类、视频编码、基于骨骼节点的动作识别等任务上都表现优异。我们利用IndRNN作为基本模型，研究基于手机传感器数据的动作识别，取得同领域较高准确率，再次证明了IndRNN模型的性能的优越性。之所以选取IndRNN，是因为它具有以下优势：
与传统RNN或常用的LSTM或GRU相比，更大程度解决了梯度消失和梯度爆炸问题可以与非饱和激活函数，如ReLU一起工作，并且仍然可以被严格训练可以构建比现有RNN更深层次的网络减少每步的计算量比普遍使用的LSTM计算速度快10倍以上
形式：
简单RNN：
h
t
=
σ
(
W
x
t
+
U
h
t
?
1
+
b
)
egin{aligned} oldsymbol{h}_{t}=sigmaleft(oldsymbol{W} oldsymbol{x}_{t}+ extcolor{#ff0000}{Uoldsymbol{h}_{t-1}}+oldsymbol{b} ight) end{aligned}
ht?=σ(Wxt?+Uht?1?+b)?
IndRNN：
h
t
=
σ
(
W
x
t
+
u
⊙
h
t
?
1
+
b
)
egin{aligned} oldsymbol{h}_{t}=sigmaleft(oldsymbol{W} oldsymbol{x}_{t}+ extcolor{#ff0000}{uodot oldsymbol{h}_{t-1}}+oldsymbol{b} ight) end{aligned}
ht?=σ(Wxt?+u⊙ht?1?+b)?
可以看到，简单RNN和LSTM 隐藏层计算公式红色的部分是对递归输入进行权值乘法处理。这使得神经元相互依赖或相互纠缠，因此很难解释每个神经元的活动。而IndRNN使用element-wise（按位相乘）处理循环的输入或以前的隐藏状态，使神经元是相互独立。对于第n个神经元，对递归输入的处理是一个标量乘法。
下图展示了RNN和IndRNN之间的区别。在RNN中，由于递归权矩阵的存在，神经元相互纠缠，而在IndRNN中，神经元仍然是独立的，然后在下一层进行融合。
RNN与IndRNN神经元连接方式的对比，左图为RNN，右图为IndRNN，图片来自于S. Li, W. Li and C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
由于我们的模型可以通过ReLU进行鲁棒的训练，可以将它们堆叠在一起构建深层结构的网络或者构建残差神经网络（Residual Neural Network）和密集神经网络(Dense Nerual Network)。可以像在CNN中同样地使用批量归一化（Batch Normalization）。它还可以扩展为卷积形式，其中使用卷积操作处理输入。传统上，RNN被理解为随时间推移的多层神经网络（MLP），其中参数随时间推移而共享。在这里，IndRNN展示了一个新的视角，即使用输入权值和循环权值随着时间的推移独立地聚合空间模式。
Longer and Deeper RNN - IndRNN，图片来自于S. Li, W. Li, C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
任务描述
近年来随着可穿戴设备的发展，利用其中的传感器数据进行动作识别的领域越来越热门。在最近几年发表的论文中，在现有比较常用的手机传感器数据集上已经实现了较高的准确率。然而在广为人知的数据集中，几乎都将多名用户的数据混合，且忽略了手机在用户身上放置位置对于准确率的影响。
SHL数据集填充了数据集在上述方面的空白，为利用机器学习从手机传感器中识别用户的移动和运输方式的方向提出了新的研究问题与挑战。
SHL数据集视频介绍
首先，我们对SHL数据集进行简单介绍，利用3名用户（用户1、用户2和用户3）放在身体四个部位（手、胸前、臀部、背包）的数据安卓手机中的7个传感器提供的20轴的数据实现8种动作分类问题（静止、走、跑、骑自行车、乘坐公交车、乘坐汽车、乘坐火车及乘坐地铁，分别标记为1-8），其中不仅有人自发的运动，还包含了机械驱动的运动，为识别增添了挑战。
传感器类别及介绍如下：
加速度计（Accelerometer）: x, y, z in m/s2陀螺仪（Gyroscope）: x, y, z in rad/s磁力计（Magnetometer）: x, y, z in μT四分仪（Orientation）: quaternions in the form of w, x, y, z vector重力计（Gravity）: x, y, z in m/s2线性加速度计（Linear acceleration）: x, y, z in m/s2压力计（Pressure）：Ambient pressure in hPa
该研究主要侧重于实现利用手机传感器实现动作识别过程中的用户独立性。数据集分为训练集、验证集及测试集，分别包含59天、6天和40天的数据（由数据集大小可以看出提供的每天的数据的时间长度不同）。所有数据被分割为5s的窗口，采样率为100Hz。为了探索实现用户独立性的方法，在集合的用户分配上，训练集和验证集仅包含了用户1的四个位置数据，验证集包含用户2和3的四个位置的数据，而测试集仅包含用户2和3四个位置之一的数据（位置未知）。此外，为了实现分类的实时性，窗口被打乱，且保证了相邻两帧在时间上不连续。
尽管在利用手机传感器数据进行动作识别的领域已经取得了不错的成果，该任务提出了在实际生活场景中进一步细化的问题-如何实现用户的独立性，即在利用与预测数据来源不匹配的数据训练模型，如何在预测数据上获得更高的准确率？该任务的难点可以解释为以下问题：
不同用户的影响：不同用户由于运动量与生活习惯存在差异，放置在其身上的手机收集到的传感器数据也会有所不同。训练集来源于用户1，而测试集和验证集的数据来源于用户2和3的混合数据，如何尽量消除差异，使预测时的准确率与训练时的准确率尽量接近？
三名用户的数据标签组成，可以看出有明显差异，图片来自H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
位置的影响：由提供的数据集可知，测试集来源于用户3的一个未知的位置，而训练集和验证集都包含了所有的位置。因此，应如何对于训练集和验证集数据进行选取？
手机放置的位置及数据收集的界面，图片来自H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
技术方案
预处理
数据分割（Segmentation）
首先，为了使我们的模型充分学习到长时和短时特征，我们对所给窗口进行了进一步的分割。将5s的窗口分割为21个1s的窗口，重叠率为80%。
分割图示，图片来源于L. Zheng, S. Li, Y. Gao, “Application of IndRNN for Human Activity Recognition-The Sussex-Huawei Locomotion-Transportation Challenge”
去旋转化（De-rotation）
鉴于数据采集于手机传感器，采用的坐标为手机自身的三轴坐标系，不仅包含了用户运动造成的数据变化，还包括了手机自身翻转等运动造成的数据变化。因此，把手机坐标系中的数据转移到地球坐标系是很有必要的。经过调研，加速度计和陀螺仪受影响较大，参考了安卓手机转换坐标系常用方法，我们这两个坐标系中的数据转换到北天东（NED）坐标系。具体操作为利用四分仪构建转换矩阵，将待转换的三轴坐标系数据与旋转矩阵
R
N
B
R_{N B}
RNB?相乘，得到转换后的坐标。
R
N
B
=
[
1
?
2
(
q
y
2
+
q
z
2
)
2
(
q
x
q
y
?
q
w
q
z
)
2
(
q
x
q
z
+
q
w
q
y
)
2
(
q
x
q
y
+
q
w
q
z
)
1
?
2
(
q
x
2
+
q
z
2
)
2
(
q
y
q
z
?
q
w
q
x
)
2
(
q
x
q
z
?
q
w
q
y
)
2
(
q
y
q
z
+
q
w
q
x
)
1
?
2
(
q
x
2
+
q
y
2
)
]
egin{aligned} R_{N B}=left[egin{array}{ccc}1-2left(q_{y}^{2}+q_{z}^{2} ight) & 2left(q_{x} q_{y}-q_{w} q_{z} ight) & 2left(q_{x} q_{z}+q_{w} q_{y} ight) 2left(q_{x} q_{y}+q_{w} q_{z} ight) & 1-2left(q_{x}^{2}+q_{z}^{2} ight) & 2left(q_{y} q_{z}-q_{w} q_{x} ight) 2left(q_{x} q_{z}-q_{w} q_{y} ight) & 2left(q_{y} q_{z}+q_{w} q_{x} ight) & 1-2left(q_{x}^{2}+q_{y}^{2} ight)end{array} ight] end{aligned}
RNB?=?1?2(qy2?+qz2?)2(qx?qy?+qw?qz?)2(qx?qzqw?qy?)?2(qx?qyqw?qz?)1?2(qx2?+qz2?)2(qy?qz?+qw?qx?)?2(qx?qz?+qw?qy?)2(qy?qzqw?qx?)1?2(qx2?+qy2?)?
[
x
y
z
]
N
=
R
N
B
[
x
y
z
]
B
egin{aligned} left[egin{array}{l}x y zend{array} ight]_{N}=R_{N B}left[egin{array}{l}x y zend{array} ight]_{B} end{aligned}
?xyzN?=RNBxyzB
特征提取（Feature Extraction）
在将数据输入网络学习特征前，我们手动提取了一些重要的时域特征，如下表所示。由于智能手机传感器采集的信号具有很强的周期性，FFT幅度谱是提取这些信号一般短时特征的合适选择。由于幅度谱的对称性，FFT变化之后的信号只需保留一半。
提取FFT幅度谱，图片来源于L. Zheng, S. Li, Y. Gao, “Application of IndRNN for Human Activity Recognition-The Sussex-Huawei Locomotion-Transportation Challenge”
Time Domain FeaturesNumbers of parametersDescriptionMean9The average value of the data for each axis in the windowNumbers above Mean9The numbers of values above the mean of the windowNumbers below Mean9The numbers of values below the mean of the windowStandard Deviation9Standard deviation of each axis in the windowVariance9The square of the standard deviation of each axis in the windowMinimum Value9The minimum value of the data for each axis in the windowMaximum Value9The maximum value of the data for each axis in the windowSkewness9The degree of distortion of each axis from the symmetrical bell curve in the windowKurtosis9The weight of the distribution tails for each axis in the windowPer Sample Normalized Pressure1The normalized pressure of each sampleEnergy9The area under the squared magnitude of each axis in the window
然而，通过观察不同标签的FFT幅度谱，我们发现还是有些差异，于是又提取了FFT幅度谱的一些统计特征。
Frequency Domain (FFT) FeaturesNumbers of ParametersDescriptionMean9The average value of the FFT componentsStandard Deviation9Standard deviation of FFT componentsEnergy9The sum of the square of FFT components
特征提取的整体流程图如下
最终，我们选取了其中在预训练中表现较好的特征（表中加粗标记），将其拼接确定为正式训练所用的特征。
位置识别（Location Recognition）
为了消除测试集位置未知对结果的影响，我们提出了在训练前事先训练位置的想法，即根据位置赋予数据全新的标-Bag标记为1，Hips标记为2，Torso标记为3，Hand标记为4，将提取到的特征输入我们的网络（下文讲解）先构建一个位置预测模型。混淆矩阵如下。
虽然不能完全将四种位置分辨清楚，但有趣的是，若将Bag和Hand结合，Hips和Torso结合，可以得到准确率大于99%的混淆矩阵。
我们用得到的模型去预测测试集的数据，得到的结果显示测试集属于Hips+Torso的组合。后续位置预测实验中，我们观察到特定位置的数据作为训练集时没有所有位置作为训练集表现好，且不论用Torso还是Hips验证，对于最终得到的模型没有区别，所以即使没有确定具体位置，并不影响训练结果。
Dense IndRNN模型
针对上述具体任务，我们使用的是Dense IndRNN结构。训练流程图如下
训练中具体的参数可参考我们的比赛论文。
后处理
因为训练集由用户1的数据构成，而测试集由用户2和3的数据构成，为了尽可能实现用户独立性，我们引入了迁移学习（Transfer Learning），即将一部分验证集的数据输入先前的网络继续训练对模型进行微调，另一部分用来验证。常用的迁移学习将数据一分为二，一半用作训练，另一半验证。
在实验中，我们发现验证集的标签有分布不均的问题。参考了数据集构建者的描述，受限制于验证集的大小，数据收集的过程会造成此问题。
因此，我们首先将按照标签将数据进行分组，在相同比例的位置进行切割，再将数据进行拼接。然而，受限制于验证集的大小，当我们分别用前一半或后一半数据训练，另一半数据验证的时候，准确率相差较大。为了平衡准确率，也为了充分利用验证集数据，于是我们提出了构建两个迁移学习的模型，在最终预测测试集数据时将两个模型进行融合，得到最终预测结果。
结果：
在迁移学习之前，我们的模型在验证集上达到了81.58%的准确率。由表可看出，与CNN类似，Dense结构比直接每层相连表现更好。
迁移学习和模型融合之后，模型的准确率上升了超过5%的准确率，证明用户的迁移学习对于消除利用手机传感器数据进行动作识别任务中的用户依赖性有作用。
UbiComp SHL Challenge 2020 的结果在6月25日截止提交，根据评价指标F1-score排名。比赛的前三名于9月举行的UbiComp 2020的HASCA workshop揭晓。IndRNN在测试集上F1-score达到79.0%，摘得挑战赛亚军，展示出了所构建模型的优良性能。
挑战赛官网：
思考
一个容易被忽视的问题：学习率过小导致的过拟合
最终结果显示我们的模型表现出了过拟合，我们猜想是选取的学习率过小，导致在训练集和验证集上显示的准确率高于测试集。一般人们认为学习率只是在梯度下降过程中训练模型的参数，与过拟合没有必然的联系。而一般来说学习率足够小的话，所得到的结果都是类似的。网络上一些博客提出的防止过拟合的建议也主要集中在：
数据增强提前停止（Early stopping）增加噪声简化网络结构Dropout贝叶斯方法
然而，很少有人提及控制学习率的问题。猜想这是由于大部分现有文章的数据集是研究者进行划分，在训练后，可以通过观察最终在测试集上面预测结果选取最优学习率。然而，真正遇到现实中的问题，即测试集没有标签时，模型还是有可能出现过拟合的问题，需要研究者多积累经验，选取更加适合的学习率。
学习率的选取对模型Loss的影响
总结
来自电子科技大学和山东大学的团队利用比现有RNN更加长且更深层次的网络-IndRNN进行基于手机传感器数据的动作识别的任务。该模型在训练过程中表现优良，结合迁移学习和模型融合的后处理，一定程度上实现了利用手机传感器数据进行动作识别的用户独立性。同时，IndRNN团队摘得UbiComp SHL Challenge 2020的亚军，再度体现IndRNN性能的优越性，希望该方案对大家有参考价值。
参考文献
[1] B. Zhao, S. Li, and Y. Gao. 2020. IndRNN based long-term temporal recognition in the spatial and frequency domain. In Adjunct Proceedings of the 2020 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2020 ACM International Symposium on Wearable Computers (UbiComp-ISWC '20). Association for Computing Machinery, New York, NY, USA, 368–372.
[2] S. Li, W. Li, C. Cook, C. Zhu, and Y. Gao. 2018. Independently Recurrent Neural Network (IndRNN): Building a Longer and Deeper Rnn. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 5457–5466.
[3] S. Li, W. Li and C. Cook and Y. Gao. 2019. Deep Independently Recurrent Neural Network (IndRNN). arXiv.cs.CV1910..
[4] L. Zheng, S. Li, C. Zhu, and Y. Gao. 2019. Application of IndRNN for human activity recognition: the Sussex-Huawei locomotion-transportation challenge. In Adjunct Proceedings of the 2019 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2019 ACM International Symposium on Wearable Computers (UbiComp/ISWC '19 Adjunct). Association for Computing Machinery, New York, NY, USA, 869–872.
[5] L. Wang, H. Gjoreski, M. Ciliberto, P. Lago, K. Murao, T. Okita,and D. Roggen. “Summary of the Sussex-Huawei locomotion-transportation recognition challenge 2020”, Proceedings of the 2020 ACM International Joint Conference and 2020 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers, 2020.
[6] H. Gjoreski, M. Ciliberto, L. Wang, F. J. O. Morales, S. Mekki, S. Valentin, D. Roggen. “The University of Sussex-Huawei Locomotion and Transportation Dataset for Multimodal Analytics with Mobile Devices.” IEEE Access 6 (2018): -.
硬创商城
采购服务热线：400-830-1766
型号
描述
供应商/品质保证
价格（含增值税）
SI1144-AAGX-GMR
Silicon Labs
需提供NDA保密协议后才可发货
NDA?
Sensor
SI1144;SI1144-AAGX;SI1144-AAGX-GM系列
HRM focused module w Green LED, and algorithm
最小包装量：2,500
2,500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
供货保障
世强自营
一支起订
价格￥
41.6238
现货10
可售量
10
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
MLXRTF-BAA-000-SP
Melexis
新款产品中尽量不要使用该元件
停产?
3D OPTICAL SENSORS;三维光学传感器（TOF）;Time-of-Flight Sensor Array
MLX;MLXRTF-BAA-000;MLXRTF-BAA;MLXRTF系列
Automotive ToF Sensor, without cover tape
Glass BGA Package, 44pins
最小包装量：50
50
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
世强自营
一支起订
价格￥
278.2919
现货1
可售量
1
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
期货订购
MLXRLA-ABA-000-SP
Melexis
Time-of-Flight Companion Chip
MLXRLA-ABA-000;MLXRLA-ABA;MLXRLA;MLX系列
Automotive ToF Companion Chip
QFN
最小包装量：10
10
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
世强自营
一支起订
价格￥
150.7894
现货7
可售量
7
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
EFM8LB11F32ES0-C-QFN32R
Silicon Labs
8位MCU
EFM8 Laser Bee;EFM8LB1;EFM8;EFM8LB1x-QFN32系列
8051,72 MHz, Up to 64 kB flash,Up to 4352 bytes RAM(including 256 bytes standard 8051 RAM and 4096 bytes on-chip XRAM),8-bit Laser Bee MCU
QFN32
最小包装量：2,500
2,500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
供货保障
世强自营
一支起订
价格￥
9.2361
现货231,370
可售量
231,370
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
RS9116W-SB00-QMS-B2A
Silicon Labs
Connectivity SoC
RS9116系列
RS9116 n-link? and WiSeConnect? Single Chip Wi-Fi? and Dual-mode
Bluetooth? 5 Wireless Connectivity Solutions
84-QFN-7x7
最小包装量：260
260
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
供货保障
世强自营
一支起订
价格￥
68.3296
现货225,717
可售量
225,717
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
CF921C0920GGMR
Silicon Labs
8位MCU
CF921;CF921C0920;CF921C0920GGM系列
2kB/4kB RAM, 10bADC, DC-DC, 0.9V, QFN24。与标准型号C8051F921-GMR可pin to pin 替换。
最小包装量：1,500
1,500
世强先进（深圳）科技股份有限公司
限量优惠售完即止
原厂认证
世强代理
世强自营
一支起订
限量折扣
价格￥
7.2386
现货185,910
可售量
185,910
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
EFM8BB21F16G-C-QSOP24R
Silicon Labs
8 BIT MCU
EFM8BB2;EFM8BB21F16G;EFM8BB21F16G-C;EFM8BB21F16G-C-QSOP24系列
8051,50MHz,16kB flash,2.25kB RAM,8-bit,Busy Bee MCU,替代型号为:EFM8BB52F16G-C-TSSOP28R
QSOP24
最小包装量：2,500
2,500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
选型推荐
供货保障
世强自营
一支起订
价格￥
5.2167
现货177,941
可售量
177,941
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
SI4432-B1-FMR
Silicon Labs
Transceiver
SI4432;SI4432-B1系列
+20dBm Si4432 EZRadioPRO Transceiver (rev B1)
最小包装量：2,500
2,500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
选型推荐
供货保障
世强自营
一支起订
价格￥
44.0422
现货167,605
可售量
167,605
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
C8051F410-GQR
Silicon Labs
8位MCU
C8051;C8051F410;C8051F410-GQ系列
50 MIPS,32KB,12ADC, smaRTClock,32Pin MCU (lead free)
QFP32
最小包装量：500
500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
选型推荐
供货保障
世强自营
一支起订
价格￥
70.5531
现货130,795
可售量
130,795
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
C8051F310-GQR
Silicon Labs
8位MCU
C8051;C8051F310;C8051F310-GQ系列
16KB,10ADC,32Pin MCU (lead free)
QFP32
最小包装量：500
500
世强先进（深圳）科技股份有限公司
原厂认证
世强代理
选型推荐
供货保障
世强自营
一支起订
价格￥
51.9955
现货115,834
可售量
115,834
发货地广东
预计交期
1. 预计交期为预估时间，不含国家法定节假日，不作为订单或合同约定内容。
2. 受限于发货时间和商品物流运输时间。
3. 商品运输过程中如遇不可抗拒力因素，如地震、水灾、旱灾、疫情等，交期可能有所延长。
预计交期?
约3个工作日
最少1
小量快购
批量询价
交期查询
免费样品
期货订购
下一篇： PLC、DCS、FCS三大控
上一篇： 电气控制线路图控制原
