正如罗伯特·格林（Robert Greene）在精通中所写：要达到真正的精通，您应该抵制自己的耐心。
如果您是第一次阅读我们的项目； 我们正在仿生手，机器学习和社会企业家精神方面冒险！ 看看我们如何到达这里：
- 项目开始
- 1个月后的项目
- 2个月后项目
- 我们现在是第三个月！
现在回到我们的耐心。 到目前为止，我们一直在积极参与寻找合作伙伴，向专家学习以及获得关于我们自己对项目方向的想法的反馈。 尽管到目前为止取得了不错的成绩，但我们认为是时候暂停与利益相关者/客户的互动，并专注于生物识别控制算法技术了。 这样，我们有点不耐烦，因为作为工程师，我们喜欢专注于技术而不是过程（太多等等）。
由于我们还没有一个功能齐全的生物识别设备，因此我们要求建立肌电传感器臂带OYMotion的初创公司提供原始数据样本，以开始进行数据分析，并说服自己和合作伙伴这是一项很好的技术。
上个月，我没有花半熟的脚本就获得最终结果（我的首选策略），而是花了很长时间慢慢地编写了一个Python包，其中包含我们的数据处理，可视化和学习知识，同时教给项目成员Python和机器学习概念。
我的第一个工作流程如下：
- 我从Jupyter笔记本开始，以了解数据和所需的代码。
- 然后，我转到Pycharm并创建更体面的面向对象的代码。 （嗯……应该先写测试，TDD）
- 将其提交到github并向PyPi添加新的发行版。
- 通知团队，并使用笔记本中的打包Python代码再次让他们和我自己。
- 重复
希望其他成员也可以进入类似的周期，现在为代码库做出贡献。 我并不总是很擅长委派……更多在这里学习。
迄今为止的发展
创建了一个Python包 。 如果其他人想使用我们的源代码并为我们的源代码做贡献，那应该很容易。 所以很明显，我们必须创建一个包。 源代码存储在github上。 您可以通过pip安装它，然后将其导入Python。 也许这还不令人印象深刻，但是我为此感到非常自豪，因为这是我有史以来第一个Python软件包：
进口共生
加载原始传感器数据 。 OYMotion以二进制格式存储其原始信号。 我将它们转换为Python Pandas数据框，以方便数据可视化和分析。 对于每个加载的手势，训练数据包含每个传感器大约30秒的EMG信号。 目前，您一次只能加载1个文件。 如果您想这样做，请稍等一下，直到我们收集允许共享的数据为止：
emg_data = symbionic.EmgData（）
emg_data.load（'filename.hex'，手势='g1'）
emg_data.load（'filename2.hex'，手势='g2'）
可视化数据。 在进行任何机器学习之前，了解您的数据很重要。 最好的方法是使用性能出色的人类视觉模式识别系统。 经过数十亿年的发展（使用进化算法）：
emg_data.plot（）
标记数据。 我们将选择监督式机器学习，换句话说，就是从数据中学习的算法，告诉他们要寻找什么。 因此，需要对以上数据进行标记，以便我们知道手势在哪里，以及哪里只有噪音。 在下面，您会看到一种尝试在手势上自动执行此操作的方法，方法是计算总体样式（包络函数），并对跨通道的这些样式的总和取一个阈值。 可能有人可以提出更好的方法，如果我们转向肌肉信号较弱的截肢者，这肯定会有所帮助。
emg_data.label_patterns（）
emg_data.plot（show_envelope = True）
机器学习
我目前正在忙于在Jupyter笔记本中编写机器学习代码，以及对结果进行深入分析的可视化。 最初的结果令人鼓舞，现在我们需要考虑如何将其添加到代码库中。 我不会介绍算法的所有细节，但是我可以分享一些初步结果。
首先，了解算法在做什么很重要，这样您就可以进一步改进它。 用于分析预测的一件大事是所谓的混淆矩阵 。 一个奇妙的名字，它告诉您算法有多么混乱。 理想情况下，每个手势都可以正确分类（不要混淆），但是算法经常会出错。 在我们的案例中，最糟糕的部分是当它认为确实存在噪音时就会发出信号（因此，仿生手会意外地张开或合上）。 但是，我仍然应该检查它是否确实不正确，因为也许我将数据标记为错误。
您可以在混淆矩阵中看到，当前算法经常将手势归类为噪声。 但这也是因为您需要足够的信号才能做出正确的预测。 我的假设是，随着算法从手势中看到更多信号，分类应该变得更加准确。 为此，我制作了下图，证实了我的假设。 从该领域的专家那里我们听说，理想情况下，您应该在200毫秒（0.2秒）后对手势进行分类，这样用户就不会遇到很大的时间延迟。 从结果来看，这对我来说似乎是可行的。
现在，我们可以开始考虑如何将这样的模型和见解添加到我们的Python包中。
一旦我们收集了真实的传感器数据，便可以将其开源，并且外部数据科学家可能会在需要的时候开始提供帮助（请问？）。
持续的人类学习
我们已经学习并且正在学习很多东西。 我将在这里总结主要内容：
- 了解仿生手使用者真正需要什么
- 了解EMG信号的外观
- 了解如何使用Python处理和可视化它们
- 了解如何创建开源Python包
- 了解如何进行多元，多项式时间序列分类（根据来自多个传感器的EMG信号预测多个手势）
- 了解如何说服我们的经理进一步资助我们的项目
- 了解如何激发他人加入我们的事业
- 了解如何保持团队运作
- 了解如何教授编码和机器学习
- 了解如何在Python中可视化实时数据流
- 了解如何使用Arduino
- 了解如何与其他项目进行全球合作
- 了解在线协作工具（Trello，Slack，Google文档等）
现在的计划
我们的经理可以购买肌电袖标。 我们确实收到了反馈，以写下所需的技术架构和更详细的项目时间表。 就我个人而言，我不相信详细的计划，我们打算采用这种漂亮的敏捷方法，但是明确我们的愿景和体系结构当然不会受到伤害。
获得臂章后，第一步就是与之一起收集数据 ，因此我们可以实时从信号中学习，并允许外部人员为我们的软件和算法做出贡献。 我想开始如下：
- 从我们自己收集数据
- 从一些志愿截肢者那里收集数据
- 在更恶劣的情况下（例如出汗）收集数据
有了所有人可用的此类数据，我们就可以开始创建一个简单的开源人与机器学习环境 。 理想情况下，非专家应该易于使用。
之后，我们应该关注手势的鲁棒性 ，不仅要准确，快速地分类，还要在手势之间进行切换时增加一些滞后/罚分。 这样，当我们确定某个手势时，我们就很难切换到另一个手势，从而不会意外地掉下例如被抓住的物体。 与不需要时不执行手势相比，在不需要时不执行手势会更糟。 在第一种情况下，您可以丢东西，而在第二种情况下，您只需重试即可。 这也可能需要使用不同的指标进行优化。
同时，我们必须转而以某种方式运行算法，以处理来自袖标的流数据 ，因此我们实际上可以实时对手势进行分类。 现在，我真的可以聘用一些高级（Python）软件开发人员。
理想情况下，我们还希望该软件能够与任何设备接口 。 无论是OYMotion还是Myo，甚至是用于读取信号的EEG传感器。 同时能够驱动仿生手臂中的任何电机系统。 这将需要一个复杂的模块化体系结构，而我现在尚无法预见其确切的轮廓。
同时，我仍然想找时间记录和分享我们的知识。 我在傍晚的宝贵时间写这些博客文章，在那里我可以编写代码。 这是保持耐心的重要部分。 紧接着，我们还在公司活动中首次展示了我们的想法和结果。 到目前为止，反馈是非常积极的！
最后，为了保持耐心，我们应该记住上述所有都是工具。 机器学习，软件或管理技能，仅是达到目的的工具。 也许目标是制造仿生手，但那仅仅是一个工具。 对我而言，重要的是不断学习，创造和分享的过程，并使其他人也能做到这一点。 仿生手可以帮助其他人做到这一点。
如果您想了解我们的进展，请随时在Medium，Github或Linkedin上关注我。 如果您想提供帮助，需要自助或有什么好主意可以分享； 请与我联系！
