El desafío
La seguridad personal es una preocupación creciente en una variedad de entornos: desde trabajos de alto riesgo donde los gerentes de HSE deben garantizar la seguridad de los trabajadores, hasta opciones de trabajo y estudio cada vez más comunes que alejan a familiares y amigos, lo que a veces conduce a vidas más aisladas. En todas estas situaciones, contar con un sistema que pueda detectar y comunicarse automáticamente con la ayuda de emergencia no solo puede brindar tranquilidad a las personas, sino que también puede salvar vidas.
Un caso particularmente interesante, a medida que la población mundial envejece, es el creciente número de personas mayores que todavía están lo suficientemente sanas para ser independientes, pero también deben aceptar el hecho de que sus cuerpos se están debilitando y sus huesos se están debilitando. Este objetivo específico es más propenso a las caídas, lo que puede provocar fracturas de huesos, lesiones en la cabeza y otros accidentes graves que pueden afectar seriamente la calidad de vida. La detección temprana de caídas puede permitir un tratamiento médico rápido y prevenir consecuencias graves. Además, la detección de caídas puede ayudar a identificar las condiciones de salud subyacentes o los factores ambientales que pueden estar contribuyendo a los accidentes, lo que permite implementar las intervenciones adecuadas para prevenir futuras caídas.
Hay una variedad de sistemas de personas caídas y métodos de detección de caídas, que van desde algoritmos basados en umbrales hasta aplicaciones tradicionales de aprendizaje automático. El mayor desafío que todos comparten es que sufren un alto número de desencadenantes de falsos positivos. En otras palabras, causan alarma y angustia innecesarias a las personas mayores y sus cuidadores, lo que lleva a acciones injustificadas.
Nuestra solución
Un dispositivo de implementación pequeño pero potente: Nicla Sense ME
Para su proyecto, Aizip seleccionado en Nicla me siente: un módulo compacto que integra varios sensores de última generación de Bosch Sensortec, lo que permite aplicaciones de fusión de sensores directamente en el perímetro. Además, el módulo alberga un microcontrolador Arm® Cortex®-M4 (nRF52832) que utiliza Bluetooth® 4.2. El modelo de red neuronal de Aizip se integra perfectamente con los recursos restantes del microcontrolador, gracias a su tamaño reducido. ¿El resultado? Un dispositivo pequeño y liviano que se engancha en un cinturón y se puede usar todo el día sin problemas, capaz de Supervise las métricas de salud y avise de inmediato al soporte en caso de una caída, con una latencia casi nula y total privacidad.
Un algoritmo de detección de caídas más preciso
AizipLa solución de detección de caídas integra un algoritmo de red neuronal con fusión de sensores para mejorar la precisión de detección, aunque es lo suficientemente ligero, puede ejecutarse en tiempo real en un microcontrolador. La red neuronal dentro del microcontrolador procesa continuamente las lecturas del sensor del acelerómetro (BHI260AP) y el sensor de presión (BMP390). Al detectar una caída, el dispositivo envía una alarma a través de Bluetooth y activa un LED integrado. Para minimizar las falsas alarmas frecuentes que podrían afectar significativamente la experiencia del usuario, la red neuronal está optimizada para diferenciar entre caídas reales y movimientos repentinos como saltar, correr y sentarse rápidamente. El algoritmo basado en redes neuronales sobresale en la captura de características sutiles en las entradas, lo que resulta en tasas de falsas alarmas sustancialmente reducidas en comparación con los enfoques basados en umbrales o los algoritmos tradicionales de aprendizaje automático.
Las redes neuronales típicas brindan un rendimiento superior, pero también plantean desafíos adicionales, cuando se implementan en dispositivos de microcontroladores con recursos limitados, debido a los grandes recursos informáticos y de memoria necesarios. La necesidad simultánea de conectividad Bluetooth y fusión de sensores agrava aún más este problema. Sin embargo, La arquitectura de red neuronal eficiente patentada de Aizip hace que esta solución se destaque, ya que minimiza los requisitos de recursos y mantiene una alta precisión.. La red neuronal se cuantifica a 8 bits y se implementa en el microcontrolador utilizando la herramienta de diseño automatizado de Aizip. El modelo implementado logra una precisión de detección de caídas del 94 % y una tasa de falsos positivos de <0,1 %, mientras usa menos de 3 KB de RAM. ¡Un ajuste perfecto para el bajo consumo Nicla Sense ME!
Resolver con Arduino Pro
Ahora veamos cómo podríamos ponerlo todo junto y qué necesitaríamos para la implementación en términos de hardware y software. El ecosistema Arduino Pro es la última generación de soluciones Arduino que ofrece a los usuarios facilidad de integración y servicios escalables, seguros y con soporte profesional.
Requisitos de hardware
- Arduino Nicla Sentido ME
- Batería Li-Po o Li-Ion de 3,7 V de celda única
- Cables puente (para conectar la placa y la batería)
Programa requerido
Conclusión
Cuando la seguridad personal es una preocupación, los dispositivos portátiles inteligentes que aprovechan la IA pueden ayudar. Y el procesamiento de los datos necesarios para controlar las condiciones de salud y prevenir caídas no tiene por qué ser a costa de la comodidad o la privacidad. Con modelos altamente eficientes como el de Aizip y módulos compactos pero potentes como Nicla Sense ME de Arduino Pro, puede crear una solución discreta y confiable que puede solicitar ayuda de inmediato cuando sea necesario (y solo cuando sea necesario).
Puede seguir cualquier respuesta a esta entrada a través de la fuente RSS 2.0. Puedes deja una respuestao trackback desde su propio sitio.