Smart AI Boxing Band คืออะไร?

Smart AI Boxing Band เป็น Wearable Prototype ที่นำข้อมูล Motion จาก IMU มาใช้กับ Machine Learning เพื่อจำแนก Boxing Movement แบบ On-device

จาก Source Workflow หลักแบ่งออกเป็น 4 ช่วง:

Class ที่ Creator ใช้สำหรับ Training คือ:

• Idle
• Hook
• Jab-Cross
• Uppercut

เมื่อ Model จำแนก Movement ได้ Firmware จะนำ Classification Result ไปสะสม Counter สำหรับแต่ละประเภท พร้อมอ่าน BPM จาก Pulse Sensor และแสดงข้อมูลบนหน้าจอ

ทำไม Creator ถึงสร้าง Smart Boxing Band?

Problem Statement ของผู้สร้างเริ่มจากแนวคิดว่า การฝึกมวยจำนวนมาก ยังอาศัยความรู้สึก และการประเมินด้วยสายตา มากกว่าข้อมูลที่เก็บได้ต่อเนื่อง

Creator จึงอยากให้ Wearable ช่วยสร้างข้อมูลจากการฝึก เช่นการจำแนกและสะสม Boxing Movement เพื่อให้ผู้ใช้มี Feedback มากกว่าการจำด้วยตัวเอง

Hardware หลักใน Project

Hardware List ของ Project ระบุองค์ประกอบหลักแบบไม่ซับซ้อน:

• Arduino Nesso
• Pulse Sensor
• Hook-and-loop Strap
• Jumper Wires

Software ที่ใช้ประกอบ Workflow คือ:

• Arduino IDE
• Edge Impulse Studio

ทำไม Creator เลือก Arduino Nesso N1?

Hackster Project ระบุ Specification ของ Nesso N1 ไว้ดังนี้:

Architecture: Motion และ Pulse ทำงานเป็นสองเส้นทาง แล้วมารวมบน Display

สิ่งสำคัญคือ Machine Learning ไม่ได้ถูกใช้วิเคราะห์ Heart Rate ใน Project นี้

ML ใช้กับ Motion Classification ส่วน BPM มาจาก Pulse Sensor และถูกนำเข้า Conditional Logic เพื่อกำหนดสีหน้าจอ

Step 1 — เก็บ Boxing Movement Dataset จาก Nesso N1

ก่อนจะ Train Model Creator ต้องทำให้ Nesso N1 ส่ง Motion Data ออกมาอย่างต่อเนื่องก่อน

Official Nesso_IMU.ino ใช้:

• Arduino_Nesso_N1.h
• Arduino_BMI270_BMM150.h
• M5GFX.h

ถึงแม้ Nesso จะมี 6-axis IMU แต่ Data Collection Code ใน Project นี้ ส่งเข้า Training Pipeline เป็น Accelerometer 3 แกน:

• X acceleration
• Y acceleration
• Z acceleration

Serial Format ที่ Code ระบุคือ:

X_accel,Y_accel,Z_accel

Sampling ที่ 100 Hz

Code กำหนด Target Sampling Rate:

100 Hz

และคำนวณช่วงระหว่าง Sample:

10 ms

พร้อมเปิด Serial ที่:

115200 baud

View more — ดูภาพ Data Collection เพิ่มเติม View less — ซ่อนภาพ

เชื่อม Nesso N1 เข้ากับ Edge Impulse Data Forwarder

หลัง Flash Data-forwarder Firmware แล้ว Source ให้ผู้ใช้เปิด Edge Impulse Account และนำ API Key ของ Project มาใช้กับคำสั่ง:

edge-impulse-data-forwarder --api-key YOUR_API_KEY

ตำแหน่งตอนเก็บ Dataset สำคัญ

Creator ใช้ Hook-and-loop Strap ยึด Nesso N1 ไว้ที่ข้อมือ เพื่อให้ Orientation ตอนเก็บข้อมูล สอดคล้องกับตำแหน่ง Wearable ที่ต้องการใช้จริง

แนวคิดนี้สำคัญกับ Motion Classification เพราะ Sensor Orientation มีผลโดยตรงกับรูปแบบ Accelerometer ที่ Model เห็นใน Dataset

Step 2 — Train Machine Learning Model ใน Edge Impulse

Creator แบ่ง Dataset ออกเป็น 4 Target Classes:

• Idle
• Hook
• Jab-Cross
• Uppercut

ใน Hackster Story บาง Label เขียนเป็น UppeCut ขณะที่ Final Code ใช้ชื่อ: Uppercut

และ Final Code ใช้ชื่อ: Jab_Cross สำหรับ Label ที่บทความเขียนเป็น Jab-Cross

Create Impulse Settings

View more — ดูภาพ Create Impulse เพิ่มเติม View less — ซ่อนภาพ

Generate Features แล้วดูว่าแต่ละ Movement แยกกันได้แค่ไหน

หลังตั้ง Impulse แล้ว Creator ให้ Generate Features เพื่อดูภาพรวมว่า Signal ของแต่ละ Label มีรูปแบบแตกต่างกันอย่างไร

จากนั้นจึงเข้าสู่ Neural Network Training ด้วยค่าที่ระบุ:

• Training Cycles = 100
• Learning Rate = 0.05

View more — ดูภาพ Training เพิ่มเติม View less — ซ่อนภาพ

Accuracy 100% ที่ Source รายงาน ต้องตีความอย่างไร?

Hackster Story ระบุว่า Model ได้:

• Training Accuracy = 100%
• Model Testing = 100%

โดย Creator อธิบายว่า Model Testing ใช้ข้อมูลใหม่ ที่ไม่ได้รวมอยู่ใน Training Process

ดังนั้นบทความนี้จะใช้ถ้อยคำว่า:

“Creator รายงานผล 100% ใน Training และ Model Testing ของ Dataset ชุดนี้”

แทนการเขียนว่า:

“Smart Boxing Band แม่นยำ 100%”

View more — ดูภาพ Model เพิ่มเติม View less — ซ่อนภาพ

Step 3 — Deploy Edge Impulse Model กลับลง Arduino Nesso N1

หลัง Creator พอใจกับ Model Testing Workflow ถัดไปคือ:

Source ระบุว่า Model ไม่ได้ถูก Deploy กลับไปทันทีแบบจบขั้นตอน เพราะ Creator ต้องเพิ่ม Logic สำหรับ Pulse Sensor และ Display Feedback เข้าไปก่อน

Punch Counter ใน Firmware ทำงานอย่างไร?

Final GitHub Code หา Classification ที่มี Confidence สูงสุด แล้วเก็บชื่อ Label ไว้เป็น bestLabel

จากนั้น Counter จะเพิ่มตาม Label เช่น:

• Idle → idleCount++
• Hook → hookCount++
• Jab_Cross → jabCrossCount++
• Uppercut → uppercutCount++

Step 4 — เพิ่ม Pulse Sensor เข้าไปใน Wearable

Source ระบุให้ใช้ PulseSensor Playground ใน Arduino IDE สำหรับส่วนอ่าน Pulse

Creator เลือก:

GPIO5

สำหรับ Analog Sampling ของ Pulse Sensor

Final GitHub Code ยืนยันอีกชั้นด้วย:

const int PulseWire = 5;

Pulse Signal Threshold

Code กำหนด:

Threshold = 350

ซึ่งเป็น Threshold ที่ PulseSensor Playground ใช้กับ Signal เพื่อช่วยตัดสินการตรวจ Beat ตาม Logic ใน Project

การแก้ PulseSensor.cpp ตาม Source

Hackster Story ระบุว่า Creator แก้ค่า ADC Input ในไฟล์ PulseSensor.cpp จาก:

InputPin = 7;

เป็น:

InputPin = 5;

เพื่อให้ Library อ่านจาก GPIO5 ที่ Creator ใช้ใน Hardware Setup นี้

View more — ดูภาพ Pulse Sensor เพิ่มเติม View less — ซ่อนภาพ

Creator วาง Pulse Sensor ตรงไหน?

Source ระบุว่า Creator ยึด Pulse Sensor ไว้ที่:

ปลายนิ้วชี้

และใช้ Hook-and-loop Strap ช่วยยึด Sensor ให้อยู่ในตำแหน่ง ระหว่างการทดลอง

BPM Color Logic: Hackster Story กับ GitHub Code ไม่ตรงกันทั้งหมด

Story ของ Hackster อธิบาย Zone ดังนี้:

• Green — Pulse < 100
• Blue — Pulse 100–140
• Yellow — Pulse 140–160
• Red — Pulse > 160
• Black — ไม่มี Pulse Reading

แต่ Final Code ใน Official GitHub ใช้ Condition ต่างออกไป

บทความนี้จึงไม่แก้ Threshold ให้ Creator แต่เปิด Conflict ให้เห็นตาม Source จริง

“Backlight Color” ใน Story กับ Code จริง

Hackster Story ใช้คำว่า Backlight Color แต่ Final Code ที่ Verify ได้ เรียก:

• display.fillScreen(TFT_GREEN)
• display.fillScreen(TFT_BLUE)
• display.fillScreen(TFT_YELLOW)
• display.fillScreen(TFT_RED)
• display.fillScreen(TFT_BLACK)

ดังนั้นบทความนี้จะเรียกว่า:

“เปลี่ยนสีพื้นหน้าจอตาม BPM”

มากกว่าการยืนยันว่า Firmware เปลี่ยน Physical Backlight Hardware โดยตรง

View more — ดูภาพ Architecture และ Display เพิ่มเติม View less — ซ่อนภาพ

Code ที่ Verify จาก Official GitHub

Repository ของผู้สร้าง มีทั้ง Data Collection Code และ Final Inferencing Code จึงสามารถยกเฉพาะส่วนที่เกี่ยวข้อง มาอธิบายได้โดยไม่ต้องสร้าง Function เอง

1. IMU Sampling Configuration

const int sampleRate = 100;
const unsigned long sampleTime = 1000 / sampleRate;

void setup() {
  Serial.begin(115200);
}

Code นี้ยืนยันว่า Data Collection Sketch ตั้ง Target Sampling ไว้ที่ 100 Hz หรือประมาณ 10 ms ต่อ Sample และใช้ Serial 115200 baud

2. Pulse Sensor Configuration

const int PulseWire = 5;
int Threshold = 350;

pulseSensor.analogInput(PulseWire);
pulseSensor.setThreshold(Threshold);

3. BPM Color Logic ใน Final Code

if (myBPM < 100) {
  display.fillScreen(TFT_GREEN);
}
else if (myBPM > 100 && myBPM < 130) {
  display.fillScreen(TFT_BLUE);
}
else if (myBPM > 130 && myBPM < 160) {
  display.fillScreen(TFT_YELLOW);
}
else if (myBPM > 160 && myBPM < 200) {
  display.fillScreen(TFT_RED);
}
else {
  display.fillScreen(TFT_BLACK);
}

Inference Timing Caveat

Final Code ประกาศ:

INFERENCE_INTERVAL = 500

แต่ Condition ที่ใช้เรียก runInference() ตรวจ:

INFERENCE_INTERVAL + 250

ดังนั้นไม่ควรอ่านชื่อ Constant แล้วสรุปทันทีว่า Final Firmware เรียก Inference ทุก 500 ms แบบตรงตัว

ดู Smart AI Boxing Band ทำงานจริง

Video ของ Creator ช่วยให้เห็นภาพรวม ตั้งแต่ Form Factor ของ Wearable ไปจนถึงการนำ Boxing Movement และ Display Feedback มาใช้งานร่วมกัน

Project นี้พิสูจน์อะไรแล้ว และอะไรยังไม่ควร Claim?

Accelerometer Clip ใน Final Firmware

Final Code กำหนด:

MAX_ACCEPTED_RANGE 2.0f

แล้ว Clip Acceleration Value ที่เกิน ±2g ก่อนนำเข้าสู่ Buffer

Maker เรียนรู้อะไรจาก Smart AI Boxing Band?

1. Machine Learning Project เริ่มที่ Dataset ไม่ใช่ Model

Creator ต้องทำ Data-forwarder Firmware, ยึด Sensor ในตำแหน่งใช้งาน, เก็บ Movement และ Label ข้อมูลก่อน จึงจะเข้าสู่ Training ได้

2. Sensor Orientation สำคัญกับ Motion Classification

ถ้าตำแหน่ง Sensor ตอน Training ต่างจากตำแหน่งใช้งานจริงมาก Pattern ที่ Model เห็น ก็สามารถเปลี่ยนไปได้

3. Edge ML ไม่ได้แปลว่าทุกอย่างต้องส่งขึ้น Cloud

Edge Impulse ถูกใช้สำหรับ Model Development แต่ Final Classification รันบน Arduino Nesso N1 ตาม Workflow ของ Project

4. Accuracy ต้องอ่านพร้อม Dataset Context

ตัวเลข 100% จะมีความหมายมากน้อยแค่ไหน ต้องดู Dataset, Test Set, จำนวนผู้ใช้ และ Condition ที่ใช้ในการประเมิน

5. Narrative กับ Code อาจไม่ตรงกัน

BPM Zone ใน Hackster Story กับ Final GitHub Code เป็นตัวอย่างที่ชัดว่า Documentation และ Implementation ควรถูกตรวจคู่กัน ก่อนนำ Project ไปทำต่อ

Project นี้มีทั้ง Dataset, Edge Impulse และ Firmware แนะนำอ่านต้นฉบับควบคู่กัน

หากต้องการทำตาม Project ควรตรวจ Source หลักโดยตรง โดยเฉพาะ:

• ตำแหน่ง Wearable ตอนเก็บ Dataset
• Label ที่ใช้ใน Edge Impulse
• Create Impulse Settings
• Neural Network Settings
• Model Testing
• Nesso_IMU.ino
• Final Inferencing Code
• PulseSensor Library Configuration
• GPIO5 และ Pulse Sensor Wiring ของ Project
• BPM Display Logic

FAQ: Smart AI Boxing Band

สรุป: Project นี้น่าสนใจตรงการเปลี่ยน Motion ให้กลายเป็นข้อมูลที่ Model เข้าใจได้

Smart AI Boxing Band ไม่ได้เริ่มจากการมี AI แล้วค่อยหาว่าจะเอาไปทำอะไร

Workflow ของ Creator เริ่มจาก:

Project จึงเหมาะมาก สำหรับคนที่อยากเข้าใจ Edge Machine Learning ตั้งแต่ต้นน้ำถึงปลายน้ำ: Sensor Data, Dataset, Feature Processing, Training, Deployment และ Runtime อยู่ใน Workflow เดียว

ขณะเดียวกัน Source ก็มีบทเรียนสำคัญ เรื่องการอ่าน Claim อย่างระวัง: Accuracy 100% ต้องอ่านพร้อม Dataset Context, Punch Count ไม่ควรถูกตีความว่า Exact Count โดยไม่มี Validation และ BPM Color Zone ก็ไม่ควรถูกยกเป็น Medical Guidance

ถ้ามอง Smart AI Boxing Band ในฐานะ Maker Project จุดที่น่าสนใจที่สุด จึงไม่ใช่ว่า “AI ชกมวยได้” แต่คือการนำ Embedded ML + Wearable Sensor + Real-time Feedback มารวมเป็น Prototype ที่จับต้องได้บนข้อมือ

References / แหล่งข้อมูลต้นฉบับ

• Hackster.io — Smart AI Boxing Band
• GitHub — SmartBoxingGlove Official Repository
• GitHub — Nesso_IMU.ino
• GitHub — Smart_Boxing_trainer_Inferencing_V1.ino
• GitHub — Smart Boxing Trainer Edge Impulse Library ZIP
• YouTube — AI Boxing Glove