Stap 2: Machine Learning algoritme om gebaren herkennen
Het eerste ding om te beslissen is het algoritme van de Machine Learning (ML). De meest gebruikte algoritmen voor problemen met tijdreeksen, zoals audio- en gebaar erkenning, zijn verborgen Markov Model (HMM) en dynamische tijd kromtrekken (DTW). In dit geval prototype is de processor gebruikt voor het verwerken van de gegevens van de versnellingsmeter en de ML-model, te classificeren een gebaar, een ATmega328P. Deze processor heeft 32KB geheugen ruimte om code erin zetten en 2KB aan ruimte voor RAM-geheugen, dus het zou zeer moeilijk uit te voeren van een robuuste ML-algoritme, zoals HMM en DTW, in de LightBlue Bean-processor. Dus, ik gebruikte het J48 besluit boom model gebouwd door Weka (http://www.cs.waikato.ac.nz/ml/weka/) om gebaren herkennen. Een besluit boom model is eigenlijk sommige ifs en elses die kun je gemakkelijk in de code van een toepassing.
