用 micro:bit CreateAI 制作 AI 运动数据记录器

完整中文导读

micro:bit 官方发布分步项目指南，教用户用 micro:bit CreateAI 训练机器学习模型，识别跑步、走路和静止三种动作，并结合 MakeCode 程序用 micro:bit 的数据记录功能每秒记录一次当前动作。

中文整理

作者 / 来源：micro:bit · 原文时间未提供

原作者信息要点

项目标题为用 micro:bit CreateAI 制作 AI 运动数据记录器，目标是记录自己和他人在跑步、走路和静止三种状态上花费的时间。

工作方式：训练一个机器学习模型识别跑步、走路和静止，再结合 MakeCode 程序使用 micro:bit 的数据记录功能，每秒记录一次当前动作。作者称该项目可用于足球或无板篮球等需要分析球员活跃度的运动，也可用于监测课间或锻炼期间的跑步、走路时间。

机器学习被描述为一种人工智能，计算机可从数据中学习并据此做决定；模型由人类训练，例如识别 micro:bit 以不同方式移动时的不同动作。

所需材料：micro:bit V2、USB 线、装 2 节 AAA 电池的电池盒、可访问 micro:bit CreateAI 网站的电脑（Chrome 或 Edge 浏览器）；若电脑未启用蓝牙，需额外一块 micro:bit V2；另有面向 Apple iPad 和 Android 平板的 CreateAI 应用；还需表带和支架，或用柔性手工棒、橡皮筋等把 micro:bit 固定在手腕上。

数据采集：在 micro:bit CreateAI 打开项目后，已有跑步、走路、静止的样本。可用 micro:bit 的运动传感器或加速度计添加自己的样本。点击 Connect 连接采集用 micro:bit，按说明把其像手表一样戴在左手腕、logo 朝上。点击 walking 后点 Record 录制；按 micro:bit 的 B 键也可开始录制；点录制按钮旁三个点可选连续录制 10 秒得到 10 个样本。随后依次录制 running 和 still，其中 still 需在不同位置采集，例如朝上和朝下。

训练与测试：点击 Train model 训练模型后测试。尝试走路看是否估计为 walking，跑步看是否估计为 running，保持静止看是否估计为 still。把 micro:bit 交给他人佩戴（同一手腕、同一方向）测试效果。

改进模型：作者称多数模型可通过更多数据改进。若需改进，点击 Edit data samples，删除不合适样本，或添加自己和他人更多样本，再次训练并测试。

部署：在 micro:bit CreateAI 点击 Edit in MakeCode 查看 MakeCode 编辑器中的项目代码，可修改或直接试用。用 USB 线连接 micro:bit，在 MakeCode 屏幕点击 Download，按说明把 AI 模型和代码块传输到 micro:bit。接上电池盒并佩戴，准备测试。

采集数据：同时按 A 和 B 键删除 micro:bit 上的旧数据日志；按 micro:bit 背面 reset 键重置计时器；按 A 键开始记录，按 B 键停止记录。断开电池或按 reset 键后数据仍保留在 micro:bit 上。

分析数据：断开电池盒，把 micro:bit 插回电脑。它会像名为 MICROBIT 的 USB 驱动器一样出现。在 MICROBIT 驱动器中打开 MY_DATA 文件，可在网页浏览器中看到数据表格。日志中的时间戳表示 micro:bit 开机或重置后经过的时间。点击 Visual preview 可看数据图表；点击 Copy 可粘贴数据到电子表格。

代码块原理：程序使用名为 logging 的变量，它是运行期间可访问和更新的数据容器，控制 micro:bit 是否在记录，可取 true 或 false，这类变量称为布尔变量。程序启动时 logging 设为 false，并用 show icon 块在 LED 显示 no 图标表示未记录。set columns 和 set timestamp 块为数据记录表创建标签。on button A pressed 块把 logging 设为 true 并显示 yes 图标；on button B pressed 块把 logging 设为 false 并显示 no 图标；on buttons A + B pressed 块把 logging 设为 false、显示骷髅图标并删除日志。every 块每 1000 毫秒即每秒检查一次是否在记录；若是，则用 if then else 块配合 is ML detected 和 log data 块，在数据表中记录：静止为 0，走路为 1，跑步为 2；若无法检测则记录 -1。作者称更活跃的动作对应更大数字，因此数据图表能清晰显示活跃程度。

评估问题：该 AI 运动记录器追踪动作的准确度如何、如何提高准确度、谁会觉得该设备特别有用、它与 Step counter 或 Movement data logger 项目相比如何。

扩展：可增加第四种动作，例如无板篮球或网球中的 throwing。可用电子表格公式统计特定活动单元格，例如 =COUNTIF(B2:B70,1)，其中 B2:B70 是活动单元格范围，1 是代表走路的活动编号；可把数据保存为 CSV 文件后在电子表格中打开使用。

本站整理与观察

本站整理：该材料是一份分步项目指南，核心流程为采集动作样本、训练并测试模型、在 MakeCode 中部署模型和代码、用 micro:bit 记录数据、再导出分析。

本站观察：材料把动作编号设计为静止 0、走路 1、跑步 2、无法检测 -1，这一顺序使数值大小与活跃程度对应，便于后续用图表或表格公式统计。

本站观察：作者强调同一手腕和同一方向，说明其意识到佩戴方式可能影响加速度计数据与模型判断，但材料未给出不同佩戴方式下的准确率数据。

本站观察：材料未提供模型准确率、样本数量下限、不同人群测试结果或与 Step counter、Movement data logger 项目的实际对比结论，这些属于原文提出但未回答的评估问题。

材料为项目指南，未给出模型准确率、样本量要求、不同用户测试结果或与同类项目的实测对比；文中涉及的效果描述均为原作者说法，本站未进行独立验证。本站观察仅基于材料内容推论，不构成实验结论。