在第二波中,大多数人口稠密的国家受到了很大的影响。这些是错误率高的主要原因。
•医生/专家全心全意照顾入院患者。
•在人口稠密的国家,分析从物联网医疗设备接收到的数据需要更多的人力。
•由于缺乏互联网设施,在大流行期间评估农村地区的家庭隔离患者是一个繁琐的过程。
•对患者的严重程度进行分类需要更多的时间,并且需要更多的床位占用来分析患者状态。
•由Edge Impulse 驱动的Covid 患者健康评估设备将分析患者的SpO2、心率、体温和呼吸频率。
• TinyML 模型由医学指南建议的数据集进行训练。
•与物联网设备相比,延迟最低
• 15Kb Rom – 健康评估 TinyML 模型可以在任何支持 TinyML 的微控制器上运行。
•设备将分析健康状况并分类为稳定、严重、健康:恶化
Covid专利健康评估设备包括:
在下图中,0 分表示稳定,1 分表示轻度,2 分表示中等,3 分表示严重。
0分表示氧气水平>96的稳定人,其中3分表示氧气水平<90并需要ICU支持。
我开发了一种算法来计算基于 SpO2、呼吸频率、心率和体温的愈合指数。
SpO2 具有较高的权重 (40)、RR (30)、心率 (20) 和温度 (10)。将较高权重分配给 SpO2 的原因是 SpO2 健康参数对于识别患者的健康状况更为关键。SpO2 的风险因子为 2。
健康指数将按以下公式计算:
Health Index = ((40-((100-spo2)*2))+(30-((RR-CAL_RR)*1.5))+(20-(CAL_PULSE-pulse))+(10-((Temperature-CAL_TEMP))));
我为以下条件创建了 SpO2、RR、心率和温度的数据集:
请使用下面的 GitHub 链接创建数据集。
https://github.com/Manivannan-maker/CovidPatientHealhAssessingDevice/blob/main/Healthdata.ipynb
从您的 google 帐户登录运行 google colab 中的代码。
数据集将以 .csv 格式保存在 Drive 文件夹中。
该项目的单个数据集需要 3 小时的数据。所以对于 40 个数据集,要让它变得简单需要 120 多个小时,我已经接近了替代方法。
数据采集工作基于以下流程:
我已将 google colab 中的数据缓冲区复制到 Arduino 中,数据选择基于电位器位置。
基于电位器的调整,健康指数算法将从不同的数据集(稳定、轻度、中度和危急)中获取输入。我已将带有 goggle colab 数据集的数据采集代码附加为数组缓冲区。
输入:170 分钟健康指数数据
算法会将 170 分钟转换为 59 秒的数据时间范围。
输出:500ms 干扰延迟内的健康指数数据。
Edge Impulse 中的数据转发:
我已经使用数据转发命令将数据集上传到边缘脉冲。请参考以下文档。
$ edge-impulse-data-forwarder
Name
标签为“健康指数”。
数据集:健康恶化:
健康 - 稳定:
健康 - 关键:
创造冲动:
NN分类器:
在NN 分类器中,以专家模式 (keras) 编辑。
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, InputLayer, Dropout, Conv1D, Conv2D, Flatten, Reshape, MaxPooling1D, MaxPooling2D, BatchNormalization
from tensorflow.keras.optimizers import Adam
sys.path.append('./resources/libraries')
import ei_tensorflow.training
# model architecture
model = Sequential()
model.add(Flatten())
model.add(Dense(32,
activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(16,
activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(8,
activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(4,
activity_regularizer=tf.keras.regularizers.l1(0.00001)))
model.add(Dense(classes, activation='softmax', name='y_pred'))
# this controls the learning rate
opt = Adam(lr=0.0005, beta_1=0.9, beta_2=0.999)
# this controls the batch size, or you can manipulate the tf.data.Dataset objects yourself
BATCH_SIZE = 32
train_dataset = train_dataset.batch(BATCH_SIZE, drop_remainder=False)
validation_dataset = validation_dataset.batch(BATCH_SIZE, drop_remainder=False)
callbacks.append(BatchLoggerCallback(BATCH_SIZE, train_sample_count))
# train the neural network
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(train_dataset, epochs=500, validation_data=validation_dataset, verbose=2, callbacks=callbacks)
我已经删除了所有神经网络中的“activation= Relu”,因为数据总是正值。
神经层形成如下:
模型训练:
模型部署:
选择部署中的 Arduino 并构建它。正在下载您项目的 zip 文件。
请确保将库包含在 Arduino 中。
将 zip 文件添加到库后,从 GitHub 下载以下应用程序代码。应用程序代码将包含 SSD1306、Max30102 接口功能。
该项目是基于指南和研究论文的概念验证。请不要在未经政府/医学认证批准的情况下直接在患者身上进行测试。
我开发这个原型是为了让我们为应对第三波做好准备。我相信人类很快就会战胜这场流行病。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !