方案介紹

介紹
我們都遇到了到達公共圖書館或共享學習空間的問題，準備學習和工作，卻發現沒有可用空間。在我們的項目中，我們旨在通過引入一個跟蹤座位占用情況的應用程序來解決這個問題，并提前通知您可用空間。

描述
我們的項目由兩個主要部分組成，椅子和一個 Android 應用程序。

椅子上牢固地連接著一個 Arduino Nano 33 BLE，它通過人工智能增強程序跟蹤椅子的占用情況，該程序已經學習并在我們的坐姿習慣上進行了測試。

藍牙和 Arduino

對于該項目，我們使用了 Arduino 33 BLE，因為它包含一個藍牙模塊和一個加速度計，這兩者都使編寫程序更容易，因為外部變量和潛在問題更少。

我們使用預定義的 ArduinoBLE 庫初始化 Arduino 的藍牙連接，然后我們使用示例藍牙程序的某些部分來幫助我們開始。

我們必須注冊一個新的 BLE 服務，通過該服務，數據將以“1”或“0”的字符串形式發送和接收，指示椅子是否被占用。

設置本地名稱后，我們只發送電池狀態并查看 Arduino 是否連接到手機來測試 BLE 連接。幸運的是它做到了，所以我們進入了項目的下一部分，即機器學習算法。

機器學習細節
為了提供占用檢測，我們對用戶坐下或站立時產生的特定振動模式實施了邊緣機器學習分析。這是使用 Edge Impulse 庫完成的。為了提供訓練神經網絡的良好數據集，我們記錄了大約五分鐘的標記記錄以及測試/驗證數據。

在進行神經分析之前，數據被分成兩秒的塊并使用頻譜分析進行參數化。這會產生一個包含 207 個特征的向量，然后將其傳遞到具有 207 個神經元的輸入層。使用具有 96、56 和 30 個神經元的三個隱藏層，最后使用一個具有 3 個神經元的輸出層，代表三個分類標簽：坐下、站立和空閑。在我們標記的測試數據上，準確率達到了 93%。

然后將分類模型導出為 Arduino 庫并與我們的設備固件集成，該固件分析神經網絡生成的標簽

首先，我們從 Edge Impulse 網站下載了 .zip 庫，并打開了一個名為 nano_33ble_sense_accelerometer_continuous 的示例程序。程序持續跟蹤椅子的占用情況，并每秒通過串行連接傳輸狀態。我們在實際應用中測試了該程序的準確性，并對結果感到滿意，因為它始終檢測到正確的條件。

為了接收和顯示數據，我們使用了一個 MIT 應用程序發明者開發的安卓應用程序。它是快速原型和開發相當復雜的應用程序的有用工具。

該應用程序有 3 個主要屏幕和功能：

在主屏幕上，您連接到 arduino 的 BT 模塊，并可以顯示椅子的占用數據。在頂部，您可以選擇要檢查占用率的庫（現在您只選擇庫并沒有真正發生，因為我們還沒有實現全局數據庫或服務器，您可以將數據保存到其中）訪問其他兩個屏幕在主頁上有兩個按鈕。

每個頁面都有自己的scratch代碼，但只是為了了解一下，這里是主屏幕的部分代碼，但最后你也可以找到mit app發明者的文件，在那里你可以進一步探索細節的代碼。并確定占用狀態：空閑或占用。為了提供直接的視覺反饋，控制 RGB LED 以反映占用情況 - 綠色表示空閑，紅色表示占用。