Åndedrætsdetektion bruges ofte til at analysere den menneskelige krops fysiologiske tilstand, søvnkvalitet og andre anvendelser. Traditionel åndedrætsdetektion kræver kontakt med enheder, men de kan forårsage ubehag for testpersonen og kan let løsne sig på grund af kropsbevægelser, hvilket medfører besvær ved brug. Kontaktløs detektion via billedsensorer kan undgå disse problemer. I denne artikel vil vi introducere en åndedrætsdetektionsløsning som reference til relateret produktudvikling.
Kontaktløs detektion forbedrer ydeevnen
Åndedræt er et vigtigt fysiologisk signal for mennesker, og ved at detektere emnets respirationsproces kan emnets helbredstilstand afspejles. Med algoritmeanalyse kan emnets fysiske tilstand og søvnkvalitet analyseres, og det kan også anvendes til at detektere førerens mentale tilstand, diagnosticere respirationsstop eller overvåge søvntilstanden hos ældre og spædbørn, så respirationsstop kan opdages så tidligt som muligt for at undgå ulykker. Traditionelle respirationsdetektionsenheder skal bruges til at detektere førerens mentale tilstand, diagnosticere respirationsstop eller overvåge søvntilstanden hos ældre og spædbørn.
Traditionelle respirationsdetektionsenheder skal fastgøres til emnets krop, hvilket kan forårsage ubehag for emnet og er også tilbøjelige til at falde af på grund af emnets rulning og for meget kropsbevægelse, hvilket resulterer i detektionsfejl. Den nye respirationsdetektionsenhed bruger en billedsensor til at fange emnets billede, som derefter sammenlignes og analyseres af kunstig intelligens (AI) algoritmer for at detektere emnets respirationsstatus og undgå ulemperne ved kontaktbaserede enheder.
Åndedrætsfrekvensdetektion via AI-algoritme
Den åndedrætsdetektionsløsning, der præsenteres i denne artikel, anvender den nyeste AI-videoforstærkningsteknologi, som kan forstærke mikrobevægelser i menneskekroppen, for eksempel vil bryst og mave stige og falde på grund af åndedræt, så åndedrætsfrekvensen kan beregnes. Løsningen samarbejder med et tredjeparts forskningsinstitut i Hong Kong, bruger OpenCV og TensorFlow Lite biblioteker til AI-algoritmer og kombineres med produkter fra forskellige leverandører, herunder NXP's kameraplatform, ON Semiconductors Wi-Fi-modul og Muratas Wi-Fi-modul, for at danne en komplet åndedrætsdetektionsløsning.
Løsningen bruger OpenCV og TensorFlow Lite biblioteker til AI-algoritmer og kombineres med produkter fra forskellige leverandører, herunder NXP's AI-platform, ON Semiconductors kamera og Muratas Wi-Fi-modul, for at danne en komplet åndedrætsdetektionsløsning.
Denne respirationsdetektionsløsning bruger kameraet til at fange emnet og udfører bevægelseszoom billedbehandling, som kan bestemme karakteristika for respirationsrytmen. Den zoomer ind på brystets op- og nedadgående mikrobevægelser og definerer samtidig scenetilstanden. Når der er en ustabil scene, stopper den detektionen, indtil billedet stabiliseres, og der ikke er nogen forstyrrelse fra baggrunden, eller menneskekroppen er stabil. Den kan justere tærsklen for at sikre stabilitet, og tærskelparameteren kan justeres for at tilpasse sig forskellige anvendelsesmiljøer.
Denne artikel introducerer en avanceret åndedrætsdetektionsløsning, der udnytter avanceret AI-videoforstærkningsteknologi til at forstærke de subtile bevægelser forbundet med respiration, såsom brystets og mavens op- og nedadgående bevægelser. Udviklet i samarbejde med et tredjeparts forskningsinstitut i Hong Kong, anvender løsningen OpenCV og TensorFlow Lite biblioteker til sine AI-algoritmer. Den integrerer komponenter fra flere leverandører for at skabe et omfattende system, herunder NXP’s AI-platform, ON Semiconductors kamera og Muratas Wi-Fi-modul.
Systemet fanger billeder ved hjælp af et kamera og behandler dem med bevægelseszoom billedbehandlingsteknikker. Denne metode fokuserer på brystets mikrobevægelser for at analysere respirationsrytmer. Løsningen overvåger også scenens stabilitet; den stopper detektionen i nærvær af "ustabile scener", indtil billedet og baggrunden stabiliseres for at undgå forstyrrelser. Derudover har den justerbare tærskelparametre for at tilpasse sig forskellige anvendelsesmiljøer og sikre pålidelig og nøjagtig detektion.
Denne respirationsdetektionsløsning er bygget på NXP i.MX 8M Mini computerenheden, der har en quad-core ARM Cortex-A53 processor, en Cortex-M4 og en GPU. Den understøtter AI-motorer som TensorFlow Lite og OpenCV. Systemet bruger et RGB-kamera datterkort integreret i i.MX udviklingsværktøjssættet til billedoptagelse. En AI billedalgoritme behandler disse signaler for at måle respirationsfrekvensen. Resultaterne kan enten vises på en HDMI-kompatibel skærm eller trådløst overføres via WiFi til skyen for lagring og senere hentning.
Konklusion
Ulemperne ved traditionelle kontaktbaserede respirationsdetektionsenheder kan forbedres ved kontaktløs billeddetektionsteknologi. Kombineret med AI-algoritmer kan detektionsnøjagtigheden forbedres betydeligt, og det er en af de bedste respirationsdetektionsteknologier i øjeblikket. Denne artikel giver et komplet hardware- og software-referencedesign til åndedrætsdetektionsapplikationer, som kan bruges som reference for relaterede produktudviklere til at fremskynde produktudviklingen og bringe produkter på markedet så hurtigt som muligt.
