Hengityksen tunnistusta käytetään usein ihmisen fysiologisen tilan, unen laadun ja muiden sovellusten analysointiin. Perinteinen hengityksen tunnistus vaatii kosketuslaitteita, mutta ne aiheuttavat helposti epämukavuutta testaajalle ja voivat irrota kehon liikkeiden vuoksi, mikä aiheuttaa käytön hankaluuksia. Kosketukseton tunnistus kuvantunnistimien avulla voi välttää nämä ongelmat. Tässä artikkelissa esittelemme hengityksen tunnistusratkaisun, joka toimii viitteenä vastaavien tuotteiden kehitykselle.
Kosketukseton tunnistus parantaa suorituskykyä
Hengitys on tärkeä ihmisen fysiologinen signaali, ja kohteen hengitysprosessin tunnistamisen avulla voidaan heijastaa kohteen terveydentilaa. Algoritmin analyysin avulla voidaan arvioida kohteen fyysistä kuntoa ja unen laatua, ja sitä voidaan soveltaa myös kuljettajan mielentilan tunnistamiseen, hengityskatkon diagnosointiin tai vanhusten ja vauvojen unen tilan havaitsemiseen, jotta hengityskatkokset voidaan havaita mahdollisimman varhain onnettomuuksien välttämiseksi. Perinteistä hengityksen tunnistuslaitetta on käytettävä kuljettajan mielentilan tunnistamiseen, hengityskatkon diagnosointiin tai vanhusten ja vauvojen unen tilan havaitsemiseen.
Perinteiset hengityksen tunnistuslaitteet on kiinnitettävä kohteen kehoon, mikä aiheuttaa epämukavuutta ja ne voivat irrota kohteen kääntyessä tai liikkueen ollessa runsasta, mikä johtaa tunnistuksen epäonnistumiseen. Uusi hengityksen tunnistuslaite käyttää kuvantunnistinta kohteen kuvan tallentamiseen, joka analysoidaan tekoälyalgoritmeilla (AI) hengityksen tilan havaitsemiseksi, välttäen kosketuslaitteiden haitat.
Hengitystaajuuden tunnistus tekoälyalgoritmilla
Tässä artikkelissa esitelty hengityksen tunnistusratkaisu hyödyntää uusinta tekoälyvideon vahvistusteknologiaa, joka voi vahvistaa ihmisen kehon mikroskooppisia liikkeitä, esimerkiksi rinta ja vatsa nousevat ja laskevat hengityksen vuoksi, jolloin hengitystaajuus voidaan laskea. Ratkaisu tehdään yhteistyössä kolmannen osapuolen tutkimuslaitoksen kanssa Hongkongissa, käyttää OpenCV- ja TensorFlow Lite -kirjastoja tekoälyalgoritmeihin ja yhdistetään eri toimittajien tuotteisiin, mukaan lukien NXP:n kameraplatformi, ON Semiconductorin Wi-Fi-moduuli ja Muratan Wi-Fi-moduuli, muodostaen täydellisen hengityksen tunnistusratkaisun.
Ratkaisu käyttää OpenCV- ja TensorFlow Lite -kirjastoja tekoälyalgoritmeihin ja yhdistetään eri toimittajien tuotteisiin, mukaan lukien NXP:n AI-alusta, ON Semiconductorin kamera ja Muratan Wi-Fi-moduuli, muodostaen täydellisen hengityksen tunnistusratkaisun.
Tämä hengityksen tunnistusratkaisu käyttää kameraa kohteen kuvaamiseen ja suorittaa liike-zoom-kuvankäsittelyä, joka voi määrittää hengitysrytmin ominaisuudet, se zoomaa rinnan ylös- ja alasliikkeitä, ja samalla määrittää kohtauksen tilan; epävakaassa tilanteessa tunnistus keskeytyy, kunnes kuva vakautuu eikä taustalla ole häiriöitä tai ihminen on vakaa. Kynnysarvoa voidaan säätää eri sovellusympäristöjen mukaan.
Tässä artikkelissa esitellään kehittynyt hengityksen tunnistusratkaisu, joka hyödyntää edistynyttä tekoälyvideon suurennusteknologiaa hengitykseen liittyvien hienojen liikkeiden, kuten rinnan ja vatsan nousun ja laskun, vahvistamiseksi. Ratkaisu on kehitetty yhteistyössä kolmannen osapuolen tutkimuslaitoksen kanssa Hongkongissa ja käyttää OpenCV- ja TensorFlow Lite -kirjastoja tekoälyalgoritmeihin. Se yhdistää useiden toimittajien komponentteja luodakseen kattavan järjestelmän, mukaan lukien NXP:n AI-alusta, ON Semiconductorin kamera ja Muratan Wi-Fi-moduuli.
Järjestelmä tallentaa kuvia kameralla ja käsittelee niitä liike-zoom-kuvankäsittelytekniikoilla. Tämä menetelmä keskittyy rinnan mikroskooppisiin liikkeisiin hengitysrytmin analysoimiseksi. Ratkaisu valvoo myös kohtauksen vakautta; se lopettaa tunnistuksen epävakaissa tilanteissa, kunnes kuva ja tausta vakautuvat, välttäen häiriöitä. Lisäksi siinä on säädettävät kynnysarvot, jotka mahdollistavat erilaisten sovellusympäristöjen huomioimisen, varmistaen luotettavan ja tarkan tunnistuksen.
Tämä hengityksen tunnistusratkaisu perustuu NXP i.MX 8M Mini -laskentaympäristöön, jossa on neliytiminen ARM Cortex-A53 -prosessori, Cortex-M4 ja GPU. Se tukee tekoälymoottoreita, kuten TensorFlow Lite ja OpenCV. Järjestelmä käyttää RGB-kameran tytärkorttia, joka on integroitu i.MX-kehitystyökalupakettiin kuvan tallentamista varten. Tekoälykuva-algoritmi käsittelee nämä signaalit hengitystaajuuden mittaamiseksi. Tulokset voidaan näyttää HDMI-yhteensopivalla näytöllä tai lähettää langattomasti WiFin kautta pilveen tallennusta ja myöhempää hakua varten.
Yhteenveto
Perinteisten kosketukseen perustuvien hengityksen tunnistuslaitteiden puutteet voidaan parantaa kosketuksettomalla kuvantunnistusteknologialla. Yhdistettynä tekoälyalgoritmeihin tunnistuksen tarkkuus paranee merkittävästi, ja se on yksi parhaista hengityksen tunnistusteknologioista nykyään. Tämä artikkeli tarjoaa täydellisen laitteisto- ja ohjelmistosuunnittelun hengityksen tunnistussovelluksiin, jota voidaan käyttää viitteenä vastaavien tuotteiden kehittäjille nopeuttamaan tuotekehitystä ja tuomaan tuotteet markkinoille mahdollisimman pian.
