使用Edge Impulse的Covid患者健康评估设备

描述

第二波 Covid-19 导致的死亡人数增加

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。

大流行期间医疗领域的挑战：

•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。

解决大流行问题的技术贡献：

•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

建筑学：

Covid专利健康评估设备包括：

• 使用 google colab 生成健康数据集
• Edge Impulse 中的数据采集
• Edge Impulse 中的模型训练
• 实时传感器集成
• 模型部署

医疗指南：

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。

健康风险状态算法：

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))));

使用 google colab 生成数据集：

我为以下条件创建了 SpO2、RR、心率和温度的数据集：

• 稳定的
• 温和的
• 缓和
• 批判的

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。

数据采集​​ ：

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。

代码集成：

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。

https://github.com/Manivannan-maker/CovidPatientHealhAssessingDevice/blob/main/CovidPatientHealthAssessment.ino

免责声明：

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。