描述

第二波 Covid-19 導致的死亡人數(shù)增加

在第二波中，大多數(shù)人口稠密的國家受到了很大的影響。這些是錯誤率高的主要原因。

?

大流行期間醫(yī)療領域的挑戰(zhàn)：

?醫(yī)生/專家全心全意照顧入院患者。

?在人口稠密的國家，分析從物聯(lián)網(wǎng)醫(yī)療設備接收到的數(shù)據(jù)需要更多的人力。

?由于缺乏互聯(lián)網(wǎng)設施，在大流行期間評估農(nóng)村地區(qū)的家庭隔離患者是一個繁瑣的過程。

?對患者的嚴重程度進行分類需要更多的時間，并且需要更多的床位占用來分析患者狀態(tài)。

解決大流行問題的技術貢獻：

?由Edge Impulse 驅動的Covid 患者健康評估設備將分析患者的SpO2、心率、體溫和呼吸頻率。

? TinyML 模型由醫(yī)學指南建議的數(shù)據(jù)集進行訓練。

?與物聯(lián)網(wǎng)設備相比，延遲最低

? 15Kb Rom – 健康評估 TinyML 模型可以在任何支持 TinyML 的微控制器上運行。

?設備將分析健康狀況并分類為穩(wěn)定、嚴重、健康：惡化

建筑學：

Covid專利健康評估設備包括：

• 使用 google colab 生成健康數(shù)據(jù)集
• Edge Impulse 中的數(shù)據(jù)采集
• Edge Impulse 中的模型訓練
• 實時傳感器集成
• 模型部署

建筑學

?

醫(yī)療指南：

在下圖中，0 分表示穩(wěn)定，1 分表示輕度，2 分表示中等，3 分表示嚴重。

0分表示氧氣水平>96的穩(wěn)定人，其中3分表示氧氣水平<90并需要ICU支持。

?

健康風險狀態(tài)算法：

我開發(fā)了一種算法來計算基于 SpO2、呼吸頻率、心率和體溫的愈合指數(shù)。

SpO2 具有較高的權重 (40)、RR (30)、心率 (20) 和溫度 (10)。將較高權重分配給 SpO2 的原因是 SpO2 健康參數(shù)對于識別患者的健康狀況更為關鍵。SpO2 的風險因子為 2。

?

健康指數(shù)將按以下公式計算：

健康指數(shù)公式

?

Health Index = ((40-((100-spo2)*2))+(30-((RR-CAL_RR)*1.5))+(20-(CAL_PULSE-pulse))+(10-((Temperature-CAL_TEMP))));

使用 google colab 生成數(shù)據(jù)集：

我為以下條件創(chuàng)建了 SpO2、RR、心率和溫度的數(shù)據(jù)集：

• 穩(wěn)定的
• 溫和的
• 緩和
• 批判的

請使用下面的 GitHub 鏈接創(chuàng)建數(shù)據(jù)集。

https://github.com/Manivannan-maker/CovidPatientHealhAssessingDevice/blob/main/Healthdata.ipynb

從您的 google 帳戶登錄運行 google colab 中的代碼。

?

數(shù)據(jù)集將以 .csv 格式保存在 Drive 文件夾中。

數(shù)據(jù)采集?? ：

該項目的單個數(shù)據(jù)集需要 3 小時的數(shù)據(jù)。所以對于 40 個數(shù)據(jù)集，要讓它變得簡單需要 120 多個小時，我已經(jīng)接近了替代方法。

數(shù)據(jù)采集??工作基于以下流程：

數(shù)據(jù)采集

?

我已將 google colab 中的數(shù)據(jù)緩沖區(qū)復制到 Arduino 中，數(shù)據(jù)選擇基于電位器位置。

基于電位器的調整，健康指數(shù)算法將從不同的數(shù)據(jù)集（穩(wěn)定、輕度、中度和危急）中獲取輸入。我已將帶有 goggle colab 數(shù)據(jù)集的數(shù)據(jù)采集代碼附加為數(shù)組緩沖區(qū)。

輸入：170 分鐘健康指數(shù)數(shù)據(jù)

算法會將 170 分鐘轉換為 59 秒的數(shù)據(jù)時間范圍。

輸出：500ms 干擾延遲內(nèi)的健康指數(shù)數(shù)據(jù)。

Edge Impulse 中的數(shù)據(jù)轉發(fā)：

我已經(jīng)使用數(shù)據(jù)轉發(fā)命令將數(shù)據(jù)集上傳到邊緣脈沖。請參考以下文檔。

$ edge-impulse-data-forwarder

Name標簽為“健康指數(shù)”。

數(shù)據(jù)集：健康惡化：

?

健康 - 穩(wěn)定：

?

健康 - 關鍵：

?

?

創(chuàng)造沖動：

?

NN分類器：

在NN 分類器中，以專家模式 (keras) 編輯。

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)

我已經(jīng)刪除了所有神經(jīng)網(wǎng)絡中的“activation= Relu”，因為數(shù)據(jù)總是正值。

神經(jīng)層形成如下：

神經(jīng)網(wǎng)絡層

?

模型訓練：

?

模型部署：

選擇部署中的 Arduino 并構建它。正在下載您項目的 zip 文件。

?

請確保將庫包含在 Arduino 中。

代碼集成：

將 zip 文件添加到庫后，從 GitHub 下載以下應用程序代碼。應用程序代碼將包含 SSD1306、Max30102 接口功能。

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

免責聲明：

該項目是基于指南和研究論文的概念驗證。請不要在未經(jīng)政府/醫(yī)學認證批準的情況下直接在患者身上進行測試。

我開發(fā)這個原型是為了讓我們?yōu)閼獙Φ谌ㄗ龊脺蕚?。我相信人類很快就會?zhàn)勝這場流行病。

?