# STM32-SensorHub-AIoT

**Repository Path**: Hmount/stm32-sensor-hub-aiot

## Basic Information

- **Project Name**: STM32-SensorHub-AIoT
- **Description**: 本项目是一个基于 STM32L475 的边缘智能系统 (AIoT)，融合 多传感器数据采集、AI人类活动识别、实时调度与可靠性机制。系统通过 UART 与 Python 可视化前端联动，可动态展示各类传感器数据与推理结果，并支持 中断响应机制（如倾斜检测、高温预警）实现强鲁棒性。
- **Primary Language**: C
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-03-20
- **Last Updated**: 2025-09-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: AIoT, stm32l475, scheduler

## README

# 🚀 STM32 Sensor Hub AIoT

> A real-time embedded AI system for sensor fusion, human activity recognition, and emergency response — powered by STM32L4 and Python.

本项目是一个基于 **STM32L475** 的边缘智能系统，融合 **多传感器数据采集、AI人类活动识别、实时调度与可靠性机制**。系统通过 UART 与 Python 可视化前端联动，可动态展示各类传感器数据与推理结果，并支持 **中断响应机制**（如倾斜检测、高温预警）实现强鲁棒性。



## ✨ 功能特性

- 🔹 **六大传感器融合采集**
  - 支持 **加速度、陀螺仪、磁力计、温度、湿度、气压** 等传感器
  - 每个传感器采样周期独立，带有 jitter 抖动模拟真实误差

- 🧠 **边缘AI推理**
  - 内置轻量级 HAR-Net 网络，实时识别人类活动（静止 / 步行 / 奔跑）
  - 模型使用 CMSIS-NN 部署，26组加速度样本触发一次推理

- 🔁 **智能调度策略**
  - 通过 FIFO 队列管理每种传感器的数据，支持：
    - 随机策略（Random）
    - 满缓冲优先（FullBuffer）
    - 基于预测频率（Predictive）
  - 支持运行时动态切换策略，并通过 LED 实时指示当前调度模式

- 🧯 **系统可靠性机制**
  - **Tilt 倾斜中断**：由 LSM6DSL 硬件中断引发
  - **高温软中断**：温度超阈后触发警报
  - **心跳 LED**：每轮调度闪烁，表明系统活跃运行中
  - **Backpressure 跳过策略**：避免 FIFO 过载导致资源拥塞

- 📊 **实时数据可视化**
  - Python 前端动态展示传感器数据曲线、活动识别与中断事件
  - 自动注解中断时刻与 AI 推理输出，提升调试与可读性



## 📦 依赖环境

### 🔧 STM32 端（固件）

- **硬件平台**：B-L475E-IOT01A 开发板
- **开发工具链**：STM32CubeIDE / Keil / ARM GCC
- **传感器驱动**：STM32 HAL + BSP
- **通信方式**：UART 串口通信

### 🧠 模型结构与部署

本项目使用一个自定义训练的 **HAR-Net（Human Activity Recognition Network）** 模型，用于识别三种基础活动类型：

- `stationary`（静止）  
- `walking`（步行）  
- `running`（奔跑）

该模型在 Keras 上训练完成，输入为 26 组加速度采样（每组 3 个轴向值，共 78 个浮点数）。模型结构经过轻量化设计，并通过 [X-Cube-AI](https://www.st.com/en/embedded-software/x-cube-ai.html) 工具转换后部署在 STM32L4 芯片上。

**部署流程：**

1. 离线训练模型 → `.h5` 文件
2. 使用 **STM32Cube.AI** 将 `.h5` 转换为 C 源码（`network.c`, `network.h` 等）
3. 集成进工程，通过 `aiRun()` 接口执行推理
4. 推理结果通过 UART 输出（softmax 概率 + 类别标签）

**模型运行性能：**

- 单次推理耗时约 12ms（测量自 HAL tick 时间戳）
- 模型推理输入频率约为 4.6 秒一次
- 资源占用低，适用于 STM32L4 边缘设备


### 🖥️ Python 前端（可视化）

- **Python 3.13+**
- `matplotlib` – 数据曲线绘图  
- `pyserial` – 串口通信  


## 🛠️ 使用方法

### 1️⃣ 烧录 STM32 固件

使用 STM32CubeIDE / Keil / ARM GCC 工具链编译并下载 `stm32-sensor-hub-aiot` 到开发板。

### 2️⃣ 启动 Python 可视化前端

```bash
python visualize.py
```

确保 串口设备正确连接，默认波特率 115200

macOS系统用户可以使用如下命令检查板子的设备号
```bash
ls /dev/tty.*
```

并通过如下命令简单监听UART串口信息

```bash
sudo cu -s 115200 -l /dev/tty.[Your_Device_Name]
```


## 🔹 Acknowledgement

This project is part of the CEG5202 Embedded Software Systems & Security coursework at National University of Singapore (NUS).

This CA manual for CEG5202 is prepared with the help of Dr. Rajesh C P and the EE2028 Teaching Team.
The CEG5202 team acknowledges the original effort made in the EE2028 module on the SoC and software components prescribed.