据估计，打鼾影响了美国57%的男性和40%的女性。它甚至发生在高达27%的儿童身上。这些统计数据表明打鼾很普遍，但其严重程度和健康影响可能有所不同。打鼾可能是轻微的、偶尔的和无关紧要的，也可能是严重的潜在睡眠相关呼吸障碍的征兆。打鼾是由喉咙后部气道附近组织的嘎嘎声和振动引起的。在睡眠期间，肌肉松弛，使气道变窄，当我们吸气和呼气时，流动的空气会导致组织颤动并发出噪音。阻塞性睡眠呼吸暂停是一种呼吸障碍，在睡眠期间气道阻塞或塌陷，导致反复呼吸困难。打鼾是阻塞性睡眠呼吸暂停最常见的症状之一。除非有人告诉他们，否则大多数打鼾的人都没有意识到这一点，这也是睡眠呼吸暂停未被诊断出的部分原因。在这个项目中，我将建立一个非侵入性低功率边缘设备的概念证明，它可以在你睡眠期间监测你的打鼾情况，并发出振动。开发环境我们使用EdgeImpulseStudio进行特征生成以及TensorFlowLite模型的创建和训练。我们需要在https://studio.edgeimpulse.com注册一个免费帐户并创建一个项目才能开始。MacOS用于本地开发工作。数据采集我们使用了Audioset，一个手动注释的音频事件的大规模数据集，来下载夜间可能发生的打鼾和其他自然声音。AudioSet由632个音频事件类的扩展本体和从YouTube视频中提取的人类标记的10秒声音剪辑的集合组成。音频从选定事件的YouTube视频中提取，并转换为波形音频文件格式(wav)，具有16位深度的单声道，采样率为16KHz。下载了从AudiosetOntology中选择的以下类别。第一列是类别ID，第二列是类别标签。/m/01d3sdSnoring/m/07yv9Vehicle/m/01jt3mToiletflush/m/06mb1Rain/m/03m9d0zWind/m/07c52Television/m/06bz3Radio/m/028v0cSilence/m/03vt0Insect/m/07qjznlTick-tock/m/0bt9lrDog/m/01hsr_Sneeze/m/01b_21Cough/m/07ppn3jSniff/m/07pbtc8Walk,footsteps/m/02fxyjHumming/m/07q6cd_Squeak/m/0btp2Trafficnoise,roadwaynoise/m/09l8gHumanVoice/m/07pggtnChirp,tweet/t/dd00002Babycry,infantcry/m/04rlfMusic数据集分为两类，打鼾和噪声。通过过滤平衡训练、不平衡训练和评估数据集CSV文件创建了两个CSV文件snoring.csv和noise.csv，其中包含YouTube剪辑URL和其他元数据，可以从这里下载。下面的bash脚本(download.sh)用于下载视频剪辑并将音频提取为wav文件。请在运行以下命令之前安装youtube-dl和ffmpeg。#!/bin/bashSAMPLE_RATE=16000#fetch_youtube_clip(videoID,startTime,endTime)fetch_youtube_clip(){echo"Fetching$1($2to$3)..."outname="$1_$2"if[-f"${outname}.wav"];thenecho"Filealreadyexists."returnfiyoutube-dlhttps://youtube.com/watch?v=$1\--quiet--extract-audio--audio-formatwav\--output"$outname.%(ext)s"if[$?-eq0];thenyes|ffmpeg-loglevelquiet-i"./$outname.wav"-ar$SAMPLE_RATE\-ac1-ss"$2"-to"$3""./${outname}_out.wav"mv"./${outname}_out.wav""./$outname.wav"elsesleep1fi}grep-E'^[^#]'|whilereadlinedofetch_youtube_clip$(echo"$line"|sed-E's/,//g')done要执行脚本，请运行以下命令。$catnoise.csv|./download.sh$catsnoring.csv|./download.sh使用EdgeImpulseUploader将数据集上传到EdgeImpulseStudio。请按照此处的说明安装EdgeImpulseCLI工具并执行以下命令。$edge-impulse-uploader--categorysplit--labelsnoringsnoring/*.wav$edge-impulse-uploader--categorysplit--labelnoisenoise/*.wav上面的命令还将数据集拆分为训练和测试样本。我们可以在EdgeImpulseStudio的数据采集页面中看到上传的数据集。所述打鼾事件的音频剪辑有背景噪声在其中从通过分裂段夹子取出多个打鼾事件之间。该噪声类音频剪辑使用，无需任何修改。我们可以通过选择每个样本并从下拉菜单中单击“拆分样本”来进行拆分，但这是一项耗时且乏味的工作。幸运的是，有一个EdgeImpulseSDKAPI可用于自动化该过程。importjsonimportrequestsimportloggingimportthreadingAPI_KEY="Keys"projectId="headers={"Accept":"application/json","x-api-key":API_KEY}defsegment(tid,ids):forsampleIdinids:url1="https://studio.edgeimpulse.com/v1/api/{}/raw-data/{}/find-segments".format(projectId,sampleId)payload1={"shiftSegments":True,"segmentLengthMs":1500}response1=requests.request("POST",url1,json=payload1,headers=headers)resp1=json.loads(response1.text)segments=resp1["segments"]iflen(segments)==0:continuepayload2={"segments":segments}url2="https://studio.edgeimpulse.com/v1/api/{}/raw-data/{}/segment".format(projectId,sampleId)response2=requests.request("POST",url2,json=payload2,headers=headers)logging.info('{}{}{}'.format(tid,sampleId,response2.text))if__name__=="__main__":format="%(asctime)s:%(message)s"logging.basicConfig(format=format,level=logging.INFO,datefmt="%H:%M:%S")querystring={"category":"testing","excludeSensors":"true"}url="https://studio.edgeimpulse.com/v1/api/{}/raw-data".format(projectId)response=requests.request("GET",url,headers=headers,params=querystring)resp=json.loads(response.text)id_list=list(map(lambdas:s["id"],resp["samples"]))div=8n=int(len(id_list)/div)threads=list()foriinrange(div):ifi==(div-1):ids=id_list[n*i:]else:ids=id_list[n*i:n*(i+1)]x=threading.Thread(target=segment,args=(i,ids))threads.append(x)x.start()forthreadinthreads:thread.join()logging.info("Finished")训练转到ImpulseDesign>CreateImpulse页面，然后单击Addaprocessingblock并选择Spectrogram，这是一种表示信号强度或“响度”随时间在特定波形中存在的各种频率的可视化方式。此外，在同一页面上单击添加学习块并选择从数据中学习模式的神经网络（Keras），并将其应用于新数据。我们选择了1000毫秒窗口大小和125毫秒窗口增加。现在单击“保存冲动”按钮。现在转到ImpulseDesign>Spectrogram页面并更改参数，如下图所示，然后单击Saveparameters按钮。我们选择了FrameLength=0.02s，framestride=0.01538s和。频带=128（FFT大小），并且本底噪声=-54dB。本底噪声用于滤除频谱图中的背景噪声。它首先将窗口划分为多个重叠的帧。可以通过参数Framelength和Framestride调整帧的大小和数量.例如，窗口为1000毫秒，帧长为20毫秒，步幅为15.38毫秒，它将创建65个时间帧。然后使用FFT（快速傅立叶变换）将每个时间帧划分为频率区间，然后我们计算其功率谱。频率区间的数量等于频段参数除以2加1。频谱图块生成的特征等于生成的时间帧数乘以频率区间的数量。单击“保存参数”按钮重定向到另一个页面，我们应该在其中单击“生成特征”按钮。完成特征生成通常需要几分钟。我们可以在FeatureExplorer中看到生成的特征的3D可视化。现在转到ImpulseDesign>NNClassifier页面并从下拉菜单中选择SwitchtoKeras(expert)mode并定义模型架构。有许多现成的音频分类模型可用，但它们具有大量参数，因此不适用于256KB或更少内存的微控制器。经过大量试验，我们创建了如下所示的模型架构。importtensorflowastffromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportReshape,Conv2D,Flatten,ReLU,Dropout,MaxPooling2D,Densefromtensorflow.keras.optimizers.schedulesimportInverseTimeDecayfromtensorflow.keras.optimizersimportAdamfromtensorflow.keras.layers.experimentalimportpreprocessingsys.path.append('./resources/libraries')importei_tensorflow.trainingchannels=1columns=65rows=int(input_length/(columns*channels))norm_layer=preprocessing.Normalization()norm_layer.adapt(train_dataset.map(lambdax,_:x))#modelarchitecturemodel=Sequential()model.add(Reshape((rows,columns,channels),input_shape=(input_length,)))model.add(preprocessing.Resizing(24,24,interpolation='nearest'))model.add(norm_layer)model.add(Conv2D(16,kernel_size=3))#model.add(BatchNormalization())#model.add(Activation('relu'))model.add(ReLU(6.0))model.add(Conv2D(32,kernel_size=3))#model.add(BatchNormalization())#model.add(Activation('relu'))model.add(ReLU(6.0))model.add(MaxPooling2D(pool_size=2,strides=2,padding='same'))model.add(Dropout(0.7))model.add(Flatten())model.add(Dense(64))#model.add(BatchNormalization())#model.add(Activation('relu'))model.add(ReLU(6.0))#model.add(Dropout(0.50))model.add(Dense(32))#model.add(BatchNormalization())#model.add(Activation('relu'))model.add(ReLU(6.0))#model.add(Dropout(0.50))model.add(Dense(classes,activation='softmax',name='y_pred'))BATCH_SIZE=64lr_schedule=InverseTimeDecay(0.0005,decay_steps=train_sample_count//BATCH_SIZE*15,decay_rate=1,staircase=False)defget_optimizer():returnAdam(lr_schedule)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))#traintheneuralnetworkmodel.compile(loss='categorical_crossentropy',optimizer=get_optimizer(),metrics=['accuracy'])print(model.summary())model.fit(train_dataset,epochs=70,validation_data=validation_dataset,verbose=2,callbacks=callbacks)在定义模型架构时，我们已尽力针对TinyML用例对其进行优化。由于64x65单通道频谱图特征将具有大量训练参数，并且编译后的模型不适合可用的微控制器RAM，我们将频谱图调整为24x24大小，这是模型大小与精度的最佳选择。此外，我们使用了受限范围激活(ReLU6)，因为ReLU6将输出限制为[0,6]，并且训练后量化不会降低准确性。模型概要如下。Model:"sequential"_________________________________________________________________Layer(type)OutputShapeParam#=================================================================reshape(Reshape)(None,64,65,1)0_________________________________________________________________resizing(Resizing)(None,24,24,1)0_________________________________________________________________normalization(Normalization(None,24,24,1)3_________________________________________________________________conv2d(Conv2D)(None,22,22,16)160_________________________________________________________________re_lu(ReLU)(None,22,22,16)0_________________________________________________________________conv2d_1(Conv2D)(None,20,20,32)4640_________________________________________________________________re_lu_1(ReLU)(None,20,20,32)0_________________________________________________________________max_pooling2d(MaxPooling2D)(None,10,10,32)0_________________________________________________________________dropout(Dropout)(None,10,10,32)0_________________________________________________________________flatten(Flatten)(None,3200)0_________________________________________________________________dense(Dense)(None,64)204864_________________________________________________________________re_lu_2(ReLU)(None,64)0_________________________________________________________________dense_1(Dense)(None,32)2080_________________________________________________________________re_lu_3(ReLU)(None,32)0_________________________________________________________________y_pred(Dense)(None,2)66=================================================================Totalparams:211,813Trainableparams:211,810Non-trainableparams:3现在单击开始训练按钮并等待大约一个小时直到训练完成。我们可以在下面看到训练输出。该模型具有94.6%的准确率。测试我们可以在测试中测试模型。数据集通过转到模型测试页面并单击分类所有按钮。该模型在测试数据集上的准确率为88.58%。部署由于我们将在ArduinoNanoBLEsense部署模型，因此在部署页面我们将选择创建库>Arduino选项。对于Selectoptimization选项，我们将选择EnableEONCompiler以减少模型的内存使用。此外，我们将选择量化(Int8)模型。现在单击Build按钮，几秒钟后库包将下载到本地计算机。硬件设置我们将使用带有板载麦克风的ArduinoNano33BLESense。由于ArduinoNano33BLESense上的5V引脚默认断开连接，要使用5V引脚为振动电机供电，我们需要在标记为VUSB的两个焊盘上制作一个焊桥（下图中的红色矩形突出显示）。振动电机使用直接焊接在ArduinoNanoBLE传感头引脚上的Grove连接器连接。原理图可以在下文原理图部分找到。运行推理请按照此处的说明下载并安装ArduinoIDE。安装后，打开ArduinoIDE并通过转到工具>开发板>开发板管理器为ArduinoNano33BLESense安装开发板包。搜索如下图的板子包并安装。板包安装完成后，从Tools>Board>ArduinoMbedOSNanoBoards菜单中选择ArduinoNano33BLE。另外，从工具>端口菜单中选择连接的开发板的串口。我们需要使用库管理器（工具>管理库...）安装RingBuffer库。下面是推理的代码。应用程序使用双缓冲区连续捕获音频事件。//Ifyourtargetislimitedinmemoryremovethismacrotosave10KRAM#defineEIDSP_QUANTIZE_FILTERBANK0/**Definethenumberofslicespermodelwindow.E.g.amodelwindowof1000mswithslicespermodelwindowsetto4.Resultsinaslicesizeof250ms.Formoreinfo:https://docs.edgeimpulse.com/docs/continuous-audio-sampling*/#defineEI_CLASSIFIER_SLICES_PER_MODEL_WINDOW3/*Includes----------------------------------------------------------------*/#include#include#include#include/**Audiobuffers,pointersandselectors*/typedefstruct{signedshort*buffers[2];unsignedcharbuf_select;unsignedcharbuf_ready;unsignedintbuf_count;unsignedintn_samples;}inference_t;staticinference_tinference;staticboolrecord_ready=false;staticsignedshort*sampleBuffer;staticbooldebug_nn=false;//Setthistotruetoseee.g.featuresgeneratedfromtherawsignalstaticintprint_results=-(EI_CLASSIFIER_SLICES_PER_MODEL_WINDOW);boolalert=false;RingBuflast_ten_predictions;intgreenLED=23;intvibratorPin=3;//VibrationmotorconnectedtoD3PWMpinboolis_motor_running=false;voidrun_vibration(){if(alert){is_motor_running=true;for(inti=0;i{analogWrite(vibratorPin,30);delay(1000);analogWrite(vibratorPin,0);delay(1500);}is_motor_running=false;}else{if(is_motor_running){analogWrite(vibratorPin,0);}}yield();}/**@briefPrintffunctionusesvsnprintfandoutputusingArduinoSerial@param[in]formatVariableargumentlist*/voidei_printf(constchar*format,...){staticcharprint_buf[1024]={0};va_listargs;va_start(args,format);intr=vsnprintf(print_buf,sizeof(print_buf),format,args);va_end(args);if(r>0){Serial.write(print_buf);}}/**@briefPDMbufferfullcallbackGetdataandcallaudiothreadcallback*/staticvoidpdm_data_ready_inference_callback(void){intbytesAvailable=PDM.available();//readintothesamplebufferintbytesRead=PDM.read((char*)&sampleBuffer[0],bytesAvailable);if(record_ready==true){for(inti=0;i>1;i++){inference.buffers[inference.buf_select][inference.buf_count++]=sampleBuffer[i];if(inference.buf_count>=inference.n_samples){inference.buf_select^=1;inference.buf_count=0;inference.buf_ready=1;}}}}/**@briefInitinferencingstructandsetup/startPDM@param[in]n_samplesThensamples@return{description_of_the_return_value}*/staticboolmicrophone_inference_start(uint32_tn_samples){inference.buffers[0]=(signedshort*)malloc(n_samples*sizeof(signedshort));if(inference.buffers[0]==NULL){returnfalse;}inference.buffers[1]=(signedshort*)malloc(n_samples*sizeof(signedshort));if(inference.buffers[0]==NULL){free(inference.buffers[0]);returnfalse;}sampleBuffer=(signedshort*)malloc((n_samples>>1)*sizeof(signedshort));if(sampleBuffer==NULL){free(inference.buffers[0]);free(inference.buffers[1]);returnfalse;}inference.buf_select=0;inference.buf_count=0;inference.n_samples=n_samples;inference.buf_ready=0;//configurethedatareceivecallbackPDM.onReceive(&pdm_data_ready_inference_callback);PDM.setBufferSize((n_samples>>1)*sizeof(int16_t));//initializePDMwith://-onechannel(monomode)//-a16kHzsamplerateif(!PDM.begin(1,EI_CLASSIFIER_FREQUENCY)){ei_printf("FailedtostartPDM!");}//setthegain,defaultsto20PDM.setGain(127);record_ready=true;returntrue;}/**@briefWaitonnewdata@returnTruewhenfinished*/staticboolmicrophone_inference_record(void){boolret=true;if(inference.buf_ready==1){ei_printf("Errorsamplebufferoverrun.Decreasethenumberofslicespermodelwindow""(EI_CLASSIFIER_SLICES_PER_MODEL_WINDOW)\n");ret=false;}while(inference.buf_ready==0){delay(1);}inference.buf_ready=0;returnret;}/**Getrawaudiosignaldata*/staticintmicrophone_audio_signal_get_data(size_toffset,size_tlength,float*out_ptr){numpy::int16_to_float(&inference.buffers[inference.buf_select^1][offset],out_ptr,length);return0;}/**@briefStopPDMandreleasebuffers*/staticvoidmicrophone_inference_end(void){PDM.end();free(inference.buffers[0]);free(inference.buffers[1]);free(sampleBuffer);}voidsetup(){Serial.begin(115200);pinMode(greenLED,OUTPUT);pinMode(greenLED,LOW);pinMode(vibratorPin,OUTPUT);//setsthepinasoutput//summaryofinferencingsettings(frommodel_metadata.h)ei_printf("Inferencingsettings:\n");ei_printf("\tInterval:%.2fms.\n",(float)EI_CLASSIFIER_INTERVAL_MS);ei_printf("\tFramesize:%d\n",EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE);ei_printf("\tSamplelength:%dms.\n",EI_CLASSIFIER_RAW_SAMPLE_COUNT/16);ei_printf("\tNo.ofclasses:%d\n",sizeof(ei_classifier_inferencing_categories)/sizeof(ei_classifier_inferencing_categories[0]));run_classifier_init();if(microphone_inference_start(EI_CLASSIFIER_SLICE_SIZE)==false){ei_printf("ERR:Failedtosetupaudiosampling\r\n");return;}Scheduler.startLoop(run_vibration);}voidloop(){boolm=microphone_inference_record();if(!m){ei_printf("ERR:Failedtorecordaudio...\n");return;}signal_tsignal;signal.total_length=EI_CLASSIFIER_SLICE_SIZE;signal.get_data=µphone_audio_signal_get_data;ei_impulse_result_tresult={0};EI_IMPULSE_ERRORr=run_classifier_continuous(&signal,&result,debug_nn);if(r!=EI_IMPULSE_OK){ei_printf("ERR:Failedtorunclassifier(%d)\n",r);return;}if(++print_results>=(EI_CLASSIFIER_SLICES_PER_MODEL_WINDOW)){//printthepredictionsei_printf("Predictions");ei_printf("(DSP:%dms.,Classification:%dms.,Anomaly:%dms.)",result.timing.dsp,result.timing.classification,result.timing.anomaly);ei_printf(":\n");for(size_tix=0;ixei_printf("%s:%.5f\n",result.classification[ix].label,result.classification[ix].value);if(ix==1&&!is_motor_running&&result.classification[ix].value>0.9){if(last_ten_predictions.isFull()){uint8_tk;last_ten_predictions.pop(k);}last_ten_predictions.push(ix);uint8_tcount=0;for(uint8_tj=0;jcount+=last_ten_predictions[j];//ei_printf("%d,",last_ten_predictions[j]);}//ei_printf("\n");ei_printf("Snoring\n");pinMode(greenLED,HIGH);if(count>=5){ei_printf("Triggervibrationmotor\n");alert=true;}}else{ei_printf("Noise\n");pinMode(greenLED,LOW);alert=false;}print_results=0;}}}#if!defined(EI_CLASSIFIER_SENSOR)||EI_CLASSIFIER_SENSOR!=EI_CLASSIFIER_SENSOR_MICROPHONE#error"Invalidmodelforcurrentsensor."#endif要运行推理草图，请使用以下命令克隆应用程序存储库。$gitclonehttps://github.com/metanav/Snoring_Guardian.git在ArduinoIDE中打开Arduino草图Snoring_Guardian/snoring_detection_inferencing/examples/tflite_micro_snoring_detection/tflite_micro_snoring_detection.ino。编译并上传固件到连接的开发板。我们可以使用波特率115200bps的Tools>SerialMonitor查看推理输出。视频演示：套管最终版本的设备被放置在一个带有移动电源的袋子里。小袋中有一个小开口，可以让位于开口附近的麦克风听到声音。现场演示原理图：源代码：点击下载总结这个项目为一个现实生活中的问题提供了一个解决方案，这个问题看起来很有趣但需要仔细关注。它是一种易于使用且方便的设备，通过在边缘运行推理来尊重用户的隐私。该项目还展示了一个简单的神经网络可以通过以正确的方式进行信号处理来解决复杂的问题，并且可以在低功耗资源受限的微型设备上运行。尽管TensorFlowLiteMicro模型运行良好，但仍有改进的空间。随着更多的训练数据，模型可以变得更加准确和健壮。

该项目将介绍如何基于蓝牙和蜂窝的监控系统来管理您的WFH压力。很幸运，在近期由于一些原因，我能够在家工作。在这段时间里，我做过的许多工作都需要出差，但我并不太介意，因为当我回家时，我可以冲早上的咖啡，穿起腰部以上的衣服，然后走进布局合理的家庭办公室，以最高的效率度过一天。刚开始我很享受这样的方式工作。但大多数时候，我都被Zoom的电话、电子邮件、短信通知以及其他外界因素干扰等不受欢迎的东西包围着。此外，在covid-19仍然存在的世界里，家庭和工作、生活和事业之间的界线比以往任何时候都更加模糊。渐渐地，这些干扰不仅影响了我的工作时间，还影响了我生活中的时时刻刻。这足以使一个人焦虑到极点!我不知道大家对于这种情况会怎么解决，但有时当我感到压力、焦虑或不知所措时，我需要外界的提醒来做一两次深呼吸。这就是为什么我建立了工作压力监测（蓝牙和手机物联网解决方案）可以观察我在工作时的的心率,温度,噪音等,通过现场仪表盘我展示对应的数据,并发送我提醒我需要休息,深呼吸,或远离干扰。在本文中，我将分享我创建的内容并向您展示如何：借助AdafruitFeenRF52840Sense和CircuitPython，将外部蓝牙传感器添加到任何项目中。在将数据发送到Notehub.io之前，使用BluesWirelessNotecard加密我敏感的健康和环境数据。在Notehub.io中创建路由以将加密数据发送到AzureServerlessFunctions，并向Twilio的SMS服务发送警报。解密健康数据并将其存储在AzureCosmosDB数据库中。构建一个简单的基于Svelte的Web应用程序，用于实时显示健康数据和警报。使用环境变量动态更新我办公室的心率、温度和声音级别的警报阈值。这个项目真的适合每个人！如果您想简要了解该项目，请查看下面的视频：视频演示：硬件组件：蓝调无线记事卡×1BluesWirelessFeather入门套件×1AdafruitFeatherBluefruitLE板×1PolarVeritySense心率监测器×1源代码组装硬件我为这个项目设置的硬件非常简单。我从PolarVeritySense心率监测器开始，这是一款简单、无屏幕、支持蓝牙的设备，可捕获心率读数。为了捕捉这些读数，我需要一个支持蓝牙的MCU，并决定使用AdafruitFeathernRF52840Sense。这款精美的小设备不仅具有板载NordicnRF52840的蓝牙功能，而且还包括一个9-DoF运动传感器、一个加速度计、磁力计、温度、压力、湿度、接近度、光线、颜色和手势传感器，以及一个PDM麦克风和声音传感器。最重要的是，它支持CircuitPython！最后，对于云连接，我添加了BluesWirelessNotecard。如果您还没有听说过Notecard，它是一款支持蜂窝和GPS的设备到云数据泵，以49美元的价格提供500MB的数据和10年的蜂窝数据。Notecard本身是一个带有m.2连接器的小型30x35SoM。为了更轻松地集成到现有原型或项目中，BluesWireless提供了称为Notecarriers的主机板。我在这个项目中使用了NotecarrierAF，因为它包含一组方便的标头，可与任何Feather兼容设备配合使用。使用CircuitPython读取BLE心率和环境数据SenseFeather包含很多传感器，但对于这个项目，我决定将自己限制在几个选择中：Polar手环的心率和电池电量；来自板载BMP280的温度和压力；SHT31D的湿度；来自PDM麦克风的声级为了使用板载传感器，我首先将每个这些的CircuitPython库添加到lib我的设备目录中，import为每个添加了语句，以及note-python库，它提供了一组简单的API用于使用Notecard.importadafruit_bmp280importadafruit_sht31dimportnotecard由于我也在从蓝牙设备读取数据，因此我需要包含用于捕获心率和其他设备信息的adafruit_ble库和相关服务。importadafruit_blefromadafruit_ble.advertising.standardimportProvideServicesAdvertisementfromadafruit_ble.services.standard.device_infoimportDeviceInfoServicefromadafruit_ble.services.standardimportBatteryServicefromadafruit_ble_heart_rateimportHeartRateService接下来，我通过I2C配置了与我的Notecard的连接，初始化了Feather上的BMP280、SHT31D、PDM麦克风和BLE无线电。productUID="com.blues.bsatrom:wfh_stress_detector"i2c=board.I2C()card=notecard.OpenI2C(i2c,0,0,debug=True)bmp280=adafruit_bmp280.Adafruit_BMP280_I2C(i2c)sht31d=adafruit_sht31d.SHT31D(i2c)microphone=audiobusio.PDMIn(board.MICROPHONE_CLOCK,board.MICROPHONE_DATA,sample_rate=16000,bit_depth=16)bmp280.sea_level_pressure=1013.25ble=adafruit_ble.BLERadio()在我的程序的主要部分，我从板载传感器读取数据并每60秒扫描一次BLE心率数据。BLE部分是最复杂的部分，所以我将它封装在一个辅助函数中，该函数返回dict来自Polar传感器的数据，包括制造商、型号、心率和设备的电池电量。defget_heart_rate_data(hr_connection,notify_hr):heart_rate={}print("ScanningforHeartRateService...")red_led.value=Trueblue_led.value=Falsetime.sleep(1)foradvinble.start_scan(ProvideServicesAdvertisement,timeout=5):ifHeartRateServiceinadv.services:print("foundaHeartRateServiceadvertisement")hr_connection=ble.connect(adv)time.sleep(2)print("Connectedtoservice")blue_led.value=Truered_led.value=Falsebreak#Stopscanningwhetherornotweareconnected.ble.stop_scan()print("StoppedBLEscan")red_led.value=Falseblue_led.value=Trueifhr_connectionandhr_connection.connected:print("FetchHRconnection")ifDeviceInfoServiceinhr_connection:dis=hr_connection[DeviceInfoService]try:manufacturer=dis.manufacturerexceptAttributeError:manufacturer="(ManufacturerNotspecified)"try:model_number=dis.model_numberexceptAttributeError:model_number="(Modelnumbernotspecified)"heart_rate["manufacturer"]=manufacturer.replace("\u0000","")heart_rate["model_number"]=model_numberelse:print("Nodeviceinformation")ifBatteryServiceinhr_connection:batt_svc=hr_connection[BatteryService]batt=batt_svc.levelheart_rate["battery_level"]=batthr_service=hr_connection[HeartRateService]whilehr_connection.connected:values=hr_service.measurement_valuesifvalues:bpm=values.heart_rateifbpmisnot0:pct_notify=round(100*(bpm/notify_hr))ifvalues.heart_rateis0:print("HeartRatenotfound...")breakelse:heart_rate["bpm"]=bpmheart_rate["pct_notify"]=pct_notifybreakreturnheart_rate,hr_connection当我运行程序时，使用上面未包含的一些日志记录代码，我将在串行终端上看到类似以下内容。Readings---------------------------------------------Temperature:27.9CBarometricpressure:995.314Humidity:56.7%Soundlevel:6HeartRate:64%ofCeilingRage:53---------------------------------------------使用Notecard加密数据有了读数，我准备将数据发送到Notecard，但对于这个项目，我决定尝试该产品的一个新功能：端到端数据加密。我的计划是在我的健康数据同步到云之前对其进行加密，然后在它到达我的无服务器功能进行存储时对其进行解密。这样，我就可以在数据不受我直接控制的整个过程中对其进行完整的监管。正如dev.blues.io上的本指南中所述，Notecard支持Notes的AES256加密，我能够通过创建RSA密钥对并将公钥保存为我的Notehub.io上的环境变量来利用此功能项目。然后，当通过note.addapi向Notecard添加读数时，我使用key参数来提供包含我的公钥的环境变量的名称。req={"req":"note.add"}req["file"]="sensors.qo"req["key"]="encryption_key"req["body"]={"temp":bmp280.temperature,"humidity":sht31d.relative_humidity,"pressure":bmp280.pressure,"sound_level":sound_level,"heart_rate":heart_rate}card.Transaction(req)当Notecard看到key参数时，它使用我的公钥生成一个随机的64位AES密钥，使用该密钥加密Note正文，使用AES密钥加密RSA公钥，对两者进行base64编码，并将两个值排队下一次同步的记事卡。在另一端，我传递给Notecard的数据显示在安全加密的Notehub中。将加密数据路由到Azure一旦我将健康日期输入Notehub，我就准备将读数路由到我的云应用程序以进行解密和存储。使用dev.blues.io上的本指南作为参考，我创建了一个新的Notehub.io路由，将其指向我为从Notehub接收数据而设置的Azure函数，并确保同时发送加密数据和JSONata转换中的加密AES密钥。在CosmosDB中解密和存储数据由于健康数据正在进入我的saveHealthDataAzure函数，因此我需要先对其进行解密，然后再将其保存到CosmosDB。为此，我将从请求正文中提取数据和加密的AES密钥，并将两者发送到我创建的解密辅助函数。constencText=msgBody.data;constencAES=msgBody.key;constdecryptedPayload=awaitaes_decrypt(encAES,encText);要解密我发送到Notecard的数据，我需要我之前生成的RSA密钥对中的私钥。由于我将Azure用于此解决方案，因此我将私钥PEM存储在AzureKeyVault中，并使用AzureNodeJS库中的密钥和加密客户端对象从保管库中检索密钥。constcrypto=require('crypto');const{DefaultAzureCredential}=require("@azure/identity");const{KeyClient,CryptographyClient}=require("@azure/keyvault-keys");constkeyVaultName=process.env["KEY_VAULT_NAME"];constkeyName=process.env["KEY_NAME"];constENC_ALGORITHM='AES-256-CBC';constIV_LENGTH=16;constKVUri="https://"+keyVaultName+".vault.azure.net";constcredential=newDefaultAzureCredential();constclient=newKeyClient(KVUri,credential);一旦我有了我的私钥，解密我的健康数据的过程就是反向加密：使用Node中的内置Crypto库，我用我的私钥解密随机AES密钥，然后使用该AES密钥解密Note正文。constaes_decrypt=asyncfunction(encryptedAES,cipherText){constkey=awaitclient.getKey(keyName);constcryptographyClient=newCryptographyClient(key,credential);//decrypttherandomaeswithRSAprivatekey(RSA)constaes=awaitcryptographyClient.decrypt({algorithm:"RSA1_5",ciphertext:Buffer.from(encryptedAES,"base64")});consttext=Buffer.from(cipherText,'base64');constiv=Buffer.alloc(IV_LENGTH,0);//CreateadecipherobjectusingthedecryptedAESkeyvardecipher=crypto.createDecipheriv(ENC_ALGORITHM,aes.result,iv);decipher.setAutoPadding(false);//DecrypttheciphertextusingtheAESkeyletdec=decipher.update(text,'base64','utf-8');dec+=decipher.final('utf-8');returndec.replace(/[\u0000-\u0010+\f]/gu,"");}一旦我解密了传感器数据，最后的步骤是：1)将时间戳附加event_created到正文以进行存储，以及2)将对象保存到CosmosDB。就这样，我成功地使用加密将敏感的健康数据从我的应用程序传输到我的云，并将原始数据保存在我自己的另一端数据库中。constjsonPayload=JSON.parse(decryptedPayload);jsonPayload["event_created"]=msgBody.event_created;context.bindings.healthDataStorage=jsonPayload;使用Svelte构建命令中心Web应用程序下一步是创建一个漂亮的仪表板和命令中心应用程序。对于这个应用程序，我使用Svelte、Bootstrap和Nivo构建了一个简单的仪表板。最终结果如下图所示，是我的心率、办公室温度、声级的实时视图，以及最近几十个心率和温度读数的历史视图。我的仪表板应用程序的完整源代码位于此项目的GitHub存储库中。使用Notehub和Twilio发送警报但是等等，还有更多！从BLE传感器捕获心率读数并配置端到端加密是一项有趣的练习，但该项目的真正意义在于帮助我在白天找到一些WFHZen。为此，如果我的心率过高或办公室太吵，我需要一种方法来发送通知。在固件方面，我向我的CircuitPython应用程序添加了一个send_notification函数，该函数向我的Notecard添加了一个警报注释。defsend_notification(message):req={"req":"note.add"}req["file"]="sensor_alert.qo"req["sync"]=Truereq["body"]={"message":message}card.Transaction(req)然后，在获得所有传感器值后，我可以根据我设置的阈值检查当前值，如果它们超出范围，则发送警报注释。ifheart_rate["bpm"]>notify_hr:send_notification("Yourheartrateishigh.Takeafewdeepbreaths,buddy.")ifsound_level>sound_max:send_notification("It'sprettyloudinthere.Maybestopyellingandyou'llfeelbetter.")在Notehub方面，我按照本指南配置了到TwilioSMS的路由，以便我的警报以文本消息的形式发送。因为没有什么比文字更加直观了。使用环境变量配置警报阈值有警报很棒，但要真正使这个项目达到完美，我决定让警报可配置，这意味着我希望能够从我的Web仪表板调整警报阈值，并让我的CircuitPython应用程序能够获取更改无需更新固件。值得庆幸的是，Blues通过名为EnvironmentVariables的功能使这变得容易。环境变量可以在设备、项目或车队级别设置，并且更改在同步时传播到设备，这意味着我可以使用我的仪表板应用程序更改这些变量，并且CircuitPython应用程序将在下一个之后通过请求看到这些更改env.get同步。notify_hr=int(get_env_var("notify_hr"))sound_max=int(get_env_var("sound_max"))defget_env_var(name):req={"req":"env.get"}req["name"]=namersp=card.Transaction(req)if"text"inrsp:returnrsp["text"]else:return0这是一个有趣的项目，即使有很多从硬件到固件、云和Web应用程序的移动部分，我还是能够在短短几周内完成端到端项目-兼职工作。如果您还没有制作，我鼓励您查看上述内容，看看使用免费蜂窝IoT进行原型设计是什么感觉。代码：WFH压力监测器以上就是关于这个项目的全部内容了，欢迎讨论交流。

目前，我们正在对抗一种名为新冠疫情(COVID-19)的隐形怪物，由于感染病例急剧增加，我们正在经历我们这个时代最大的健康危机。COVID-19感染者的主要症状之一是体温升高，此外还有其他症状，如身体疼痛、呼吸困难。持续监测体温以在早期发现感染患者非常重要，以便采取适当的药物治疗以快速康复。普通的红外温度计可以测量新冠患者的体温，也可能传播病毒。手持式温度计的主要缺点是其性能取决于操作者距离病患额头的距离。为了解决这些问题，我设计制造了一种可以安装在墙上的设备，用于在没有操作员的情况下在公共区域进行发烧筛查。当传感器与额头之间的距离足够时，硬件可以自动测量人体温度。视频教程：声明：该项目的主要灵感来源来自iThermowall项目，我将充分感谢该项目的作者。我认为这个项目在这个关键时刻非常有用，我可以利用我的技能编写一份DIY指南，包括精确的说明和精美的插图图片，以便任何人都可以轻松地重新创建它。所需组件：1.ArduinoNano2.GY-906温度传感器3.OLED显示器4.红外接近传感器5.TP4056充电器模块6.18650电池7.18650电池座8.5VDC-DC升压转换器9.翘板开关-15×21毫米10.5毫米绿色LED11.5毫米红色LED12.跳线工具清单：1.烙铁2.线切割机3.剥线钳4.3D打印机第1步：工作原理说明工作原理很简单，红外测温传感器MLX90614在额头与传感器之间的距离（由红外传感器测量）匹配设定值时读取人体温度。传感器读数发送到Arduino进行处理，处理后的值显示在0.96"OLED显示屏上。除了OLED显示屏外，还使用了两个LED和一个蜂鸣器来指示输出。1、当体温正常时，绿色LED（LED1）亮，蜂鸣器鸣叫。2.当体温高于104华氏度时，红色LED(LED2)会亮起，蜂鸣器会发出较长时间的哔哔声。第2步：电源整个电路所需的电源由两节18650电池提供。两块电池并联连接以制作更高容量的电池组以获得更长的备份时间。电池组由TP4056充电器模块充电。使用升压转换器模块（MT3608）将电池组电压升至7V。然后升压转换器的输出连接到Arduino的Vin引脚。一个翘板开关放置在充电器模块TP4056输出和升压转换器之间。第3步：准备Arduino和温度传感器板为了降低成本，制造商通常会向您发送电路板和接头针脚，但希望您将它们焊接到电路板上。我收到了ArduinoNano和MLX90614传感器，但没有焊接头针。要将排针焊接到板上，首先将排针放在面包板上。这是可选的，但这是确保排针垂直于电路板并彼此平行的好方法，从而可以轻松地将电路板插入其他地方。将电路板放在接头的顶部，针脚穿过电路板上的孔。使用带有细尖的烙铁，因为您将使用靠近在一起的小零件。焊接结果应该是覆盖圆形焊盘和引脚底部的锥形焊料。不应有任何焊料将两个引脚连接在一起。第4步：MLX90614红外温度传感器MLX90614是一款用于非接触式温度测量的红外测温仪，能够测量-70至380°C之间的温度。该传感器采用红外敏感热电堆探测器芯片和信号调节ASIC集成在一个芯片中。它基于Stefan-Boltzmann定律工作，该定律指出所有物体都会发射IR能量，并且该能量的强度将与该物体的温度成正比。传感器中的传感单元测量目标物体发射了多少红外能量，计算单元使用17位内置ADC将其转换为温度值，并通过I2C通信协议输出数据。传感器测量物体温度和环境温度以校准物体温度值。MLX90614传感器可以读取-40到125˚C（-40到257°F）范围内的环境温度和-70到380˚C（-94到716°F）范围内的物体温度。红外测温仪与Arduino的连接非常简单，因为它像许多其他组件一样使用I2C通信接口。MLX90614温度计有4个引脚：VIN、GND、SCL和SDA。连接应如下所示：Arduino-->MLX906145V--->VIN地-->地A5---->SCLA4---->SDA步骤5：准备电池组我们必须将两个18650电池并联。我用过的电池槽是一个两槽座，带有独立的接线端子用于连接。要进行并联，请使用一根电线将每侧的两个端子连接在一起。首先在端子上涂抹少量助焊剂，然后使用电线将它们短路。接下来将红色延长线焊接到正极端子，将黑色电线焊接到电池座的负极端子。第6步：红外接近传感器目前，手持体温计在发烧筛查方面非常流行。但是，手持式温度计的性能取决于操作者和到额头的距离。为了克服这些问题，使用红外线接近传感器来测量传感器与额头之间的距离，当距离足够时，将感应并显示温度读数。这样，提高了测量的准确度。您可以通过调节传感器模块上的电位器来设置接近传感器到物体的检测距离。顺时针旋转电位器将增加检测距离，逆时针旋转将减少检测距离。我已将此距离设置为大约50毫米。连接应如下所示：Arduino-->红外传感器3.3V--->VCC地-->地D9---->OUT第7步：OLED显示屏体温显示采用0.96"OLED显示屏，分辨率为128x64，采用I2C总线与Arduino通讯。ArduinoNanno中的两个引脚SCL（A5），SDA（A4）用于通讯。我正在使用Adafruit_SSD1306库来显示参数。首先，您必须下载Adafruit_SSD1306。然后安装它。连接应如下所示：Arduino-->OLED5V--->VCC地-->地A4---->SDAA5---->SCL第8步：LED指示两个LED用于指示体温是正常还是异常。绿色LED指示体温正常，红色LED指示异常情况（当温度高于104华氏度时）绿色LED(LED1)连接到Arduino数字引脚D3，红色LED(LED2)连接到D5。为了限制LED的电流，使用了两个330Ω电阻器。将电阻焊接到LED的正极端子。LED较长的脚指示正极端子。如上图所示，将4根跳线连接到LED。这里我必须使用母-母跳线，以便于连接。第9步：警报蜂鸣器为了在人体筛查期间提供警报，使用了压电蜂鸣器。蜂鸣器有两个端子，较长的一端为正极，较短的脚为负极。新蜂鸣器上的贴纸也有“+”标记，表示正极端子。您可以将电线焊接到蜂鸣器引脚上，或者您可以使用我在这里使用的母跳线。连接应如下所示：Arduino-->蜂鸣器D7-->正极GND-->负极第10步：准备扩展板大多数模块和组件都连接到Arduino引脚5V和GND。不幸的是，ArduinoNano只有一个5V引脚和两个GND引脚，但实际上，我们需要更多这样的引脚来连接组件。为了克服这个挑战，我使用一小块原型板准备了一个扩展板。除了5V和GND引脚之外，我们还需要两个SDA和SCL引脚来连接MLX90614传感器和OLED显示器。在这里，我使用了直角和直公头针。您可以按照上图轻松制作。在每一行中，所有引脚都短路。第11步：制作电路按照上图中给出的原理图制作电路。我已经解释了每个组件和模块的连接细节。为了简单起见，我为您准备了一个面包板电路。第12步：PCB设计做完电路，才发现接线真的很乱。为了使布线更干净、更简单，我为这个项目设计了一个定制的PCB。您可以自由使用我的PCBGerber文件。(内容转自外文翻译，如侵删）

什么是SmartyPill？SmartyPill是一种自动药丸和饮水机，可确保您在正确的时间服用正确的药丸。凭借可自定义的警报和已连接的应用程序，SmartyPill是任何坚持药物治疗生活方式的理想家庭伴侣。组件清单：（一）硬件部件RaspberryPi3模型B×1个Arduino×1个英国威廉希尔SparkFun红板×1个RaspberryPi的2.8英寸TFT触摸屏×1个NeoPixel条×1个英国威廉希尔Sparkfun伺服×4个亚马逊Alexa回声点×1个（二）软件应用程序和在线服务Alexa技能套件亚马逊AlexaAlexa技能套件ArduinoIDEArduinoIDE融合360AutodeskFusion360设计初衷：由于个人健康问题以及老年人的健康状况，我们一直在寻找更好的医疗设备解决方案。我们还希望利用我们在软件开发，计算机工程和机械工程方面的优势来创造具有持久价值的产品。因此，我们开发了该产品来解决美国日益增长的药物依从性问题。根据2015年年份人口估算，美国有4800万老年人，预计到2060年将翻一番。成瘾治疗中心拉古纳医院说：“有些老年人通过改变自己的身体来解决问题剂量或寻找他们认为需要的药物的替代方案。”结合所有服用5种或5种以上药物的老年人中有60％的人说他们经常忘记服药这一事实，这引起了各个年龄段的人（尤其是老年人）对药物依赖性不一致的问题。该产品通过结合易于使用的现代功能，将现有产品提升到智能医疗设备市场的新水平。该设备非常适合老龄化和越来越精通技术的老年人。它可以确保在正确的时间以正确的剂量服用药物。它具有6个单独的药罐，可容纳您所有不同的药丸。还具有可定制的LED灯和内置扬声器，以通知何时应服用药丸。在产品上，有一个内置的显示屏供用户查看何时需要服用药丸。因为SmartyPill内置了智能家居集成功能，用户也可以问Alexa，“Alexa，我时候吃药？”。它也比市场上具有类似功能集的竞争产品便宜。使用起来也非常简单：只需设置并保持连接状态即可。由于可以多人使用此设备，因此它的成本效益是对其他现有产品的重大改进。通过模块化设计，它使用户可以购买他们所需的药丸类型的药丸容器，在他们购买此产品时可以省钱，而且如果他们的更改要求，也可以省钱，因为他们不需要购买整个新设备。该产品被中美青年制作大赛入围的事实证明了该产品的独特性。我们认为，该产品不仅可能适用于老年人，还可能适用于患有某种疾病或疾病的成年人或儿童，这些疾病或疾病需要他们每天多次服用多种药物。此外，还开发了一个同伴应用程序，该应用程序将允许家庭成员和医生监视并保留患者设备上的标签，以确保在设备通知患者时正在服用药物，并且不存在滥用药物的情况。视频展示：未来计划：能实现多用户系统，以便多个患者可以使用同一台分配器（为消费者节约成本）；同时改进现有应用程序，以便除了控制LED之外还可以接收数据，让家人可以随时了解使用者的服用情况。；最后将6个药丸盒升级为9个，以提高产品的灵活性

DIY脉搏血氧仪使用廉价的通用零件和3D打印机，不需要专用零件。脉搏血氧仪可以检测出Covid19症状的恶化。但是由于医疗用品的短缺，我们应该把它们带到医疗领域。因此，我们将考虑自己创建脉搏血氧仪。实际上，有报道说使用脉搏血氧仪模块，例如MAX30102。但是，脉搏血氧仪模块也很短缺。因此，我开发了DIY脉搏血氧仪，该血氧仪可以组装廉价的通用零件，而无需担心短缺。细节脉搏血氧仪需要高分辨率ADC，而ArduinoADC则毫无用处。该脉搏血氧仪通过扫描LED电流并测量直到光电晶体管的输出达到特定电压为止的时间来测量透射光。结果，它不需要ADC或专用模块，并且可以只用便宜的通用零件组装，即使在特殊的COVID19需求下也不会缺货。我在视频中详细解释了操作原理。外文原文：点击进入声明：本文由Hackaday授权电路城翻译，系电路城的原创内容，转载请注明出处！

基于STM32的高精度测温枪还芯知识学堂强力推出的产品项目方案。让东方哥带大家一起做最火的项目吧。此课程包含测温枪的基本架构分析与渠道程序。更多课程详情查看：https://www.moore8.com/courses/2918

大家好，在这个视频中，我正在制作自制的紫外线LED灯，这将有助于对您的手进行消毒。在网上搜索，您会发现紫外线可以杀死病毒。为了制作，我使用了8个紫外线LED，8个50欧姆电阻，小开关和3.7v可充电电池。视频来源网络

冠状病毒告诉我们，如果肺部不能从空气中提取足够的氧气，我们就会死亡。还有其他原因导致我们的血液中氧气不足。这就是为什么我们将研究非侵入性，简单且便宜的氧气和脉搏传感器（血氧仪），并找出它们是否有用以及它们如何工作，包括CPAP应用程序。视频来源网路

医疗电子，与其他定位于大众市场及在乎成本的消费电子和其它低价产品应用领域的电子和功率电子不同，医疗电子要遵守的规则多得多。如果设计人员负责系统功率设计，针对系统功率电源部分首先要考虑的问题是：购买还是制造有关的解决方案。由于医疗电子产量一般相对较低，设计人员必须考虑购买或自制的问题。本文推荐一款TracoPowerTPP450系列的医疗电源：AC/DC450W医疗电源，带强制风冷，高达320瓦的对流冷却。