Σύστημα ανίχνευσης βήχα με χρήση του Arduino 33 sense BLE
Cough detection system with the use of Arduino 33 sense BLE
Keywords
Συχνότητες Mel ; Βήχας ; MFCC ; Keras ; TensorFlow ; Arduino 33 BLE ; Διαδίκτυο πραγμάτων ; Μηχανική μάθηση ; Βαθιά μάθηση ; Νευρωνικά δίκτυα ; Edge computingAbstract
Το θέμα της εργασίας είναι η υλοποίηση ενός συστήματος ανίχνευσης βήχα με χρήση του
μικροελεγκτή «Arduino Nano 33 BLE Sense». Αξιοποιείται η πλατφόρμα «Edge Impulse
Studio» και το κινητό τηλέφωνο (smartphone) για την δημιουργία βιβλιοθήκης δεδομένων
και γίνεται χρήση ενός πολύ-επίπεδου νευρωνικού δικτύου. Πρόκειται για ένα σύστημα
βαθιάς μηχανικής μάθησης το οποίο επεξεργάζεται το σήμα που λαμβάνει μέσω του
μικροελεγκτή και επιτελεί την εξαγωγή χαρακτηριστικών συχνοτήτων «Mel». Το σύστημα
ανήκει στις συσκευές του διαδικτύου των πραγμάτων (Internet of Things), ως μια φορητή
συσκευή, χρησιμοποιώντας δίκτυα «Wi-Fi» και τεχνολογία ετικετών «QR». Η πλατφόρμα
«Edge Impulse Studio» χρησιμοποιεί την τεχνολογία για εκπαίδευση και δημιουργία του
νευρωνικού δικτύου μέσω των εφαρμογών «Keras» και «TensorFlow» τα οποία επιτελούν
στην δημιουργία της βιβλιοθήκης για τον μικροελεγκτή. Γίνεται η λήψη 24 ηχογραφήσεων
από ένα άτομο για την εκπαίδευση του συστήματος από τις οποίες οι 12 αντίστοιχα ανήκουν
σε σήματα βήχα και θορύβου και ύστερα με την χρήση του μικροελεγκτή γίνεται η ανίχνευση
νέου σήματος και κατάταξη σε σήματος βήχα ή θορύβου με την αντίστοιχη ένδειξη στο
περιβάλλον του «Arduino» και σε μια φωτοδίοδο Led. Λόγω του μικρού αριθμού δεδομένων
εκπαίδευσης και της λήψης από ένα άτομο/άνδρα ανιχνεύεται ο βήχας αποτελεσματικότερα
σε ανδρικό πληθυσμό.
Abstract
The subject of the work is the implementation of a cough detection system using the
microcontroller "Arduino Nano 33 BLE Sense". The "Edge Impulse Studio" platform and the
mobile phone (smartphone) are used to create a data library and a multi-layer neural network
is used. It is a deep machine learning system that processes the signal received through the
microcontroller and performs the extraction of "Mel" frequencies features. The device is
portable and is an Internet of Things application, using "Wi-Fi" networks and "QR" tagging
technology. The "Edge Impulse Studio" platform trains and creates the neural network
through the applications "Keras" and "TensorFlow" which perform the creation of the library
for the microcontroller. 24 recordings are taken by one person for the training of the system,
of which 12 of them belong to cough and 12 to noise signals. Then with the use of the
microcontroller a new signal is detected and classified into a cough or noise signal with the
corresponding indication in the environment of "Arduino" and in a LED photodiode. Due to
the small amount of training data and the intake of a person / man, coughing is detected more
effectively in the male population.