在本教程中，我们将使用 Arduino 33 BLE Sense 和 Edge Impulse Studio 构建咳嗽检测系统。它可以区分正常的背景噪音和实时音频中的咳嗽。我们使用 Edge Impulse Studio 训练咳嗽和背景噪声样本数据集，并构建高度优化的 TInyML 模型，该模型可以实时检测咳嗽声音。
所需组件
硬件
Arduino 33 BLE 感知
引领
跳线
软件
边缘脉冲工作室
Arduino IDE
电路原理图
下面给出了使用 Arduino 33 BLE Sense进行咳嗽检测的电路图。Arduino 33 BLE 的 Fritzing 部件不可用，所以我使用了 Arduino Nano，因为它们具有相同的引脚。
LED 的正极引线连接到 Arduino 33 BLE sense 的数字引脚 4，负极引线连接到 Arduino 的 GND 引脚。
为咳嗽检测机创建数据集
如前所述，我们正在使用 Edge Impulse Studio 来训练我们的咳嗽检测模型。为此，我们必须收集一个数据集，其中包含我们希望能够在 Arduino 上识别的数据样本。由于目标是检测咳嗽，因此您需要收集其中的一些样本和其他一些噪声样本，以便区分咳嗽和其他噪声。
我们将创建一个包含“咳嗽”和“噪音”两个类别的数据集。要创建数据集，请创建一个Edge Impulse帐户，验证您的帐户，然后开始一个新项目。您可以使用手机、Arduino 板加载样本，也可以将数据集导入边缘脉冲帐户。将样本加载到您的帐户中的最简单方法是使用您的手机。为此，您必须将您的手机与 Edge Impulse 连接。
要连接您的手机，请单击“设备”，然后单击“连接新设备”。
现在在下一个窗口中，单击“使用您的手机”，将出现一个二维码。使用 Google Lens 或其他 QR 码扫描仪应用程序使用您的手机扫描 QR 码。
这会将您的手机与 Edge Impulse studio 连接起来。
将手机与 Edge Impulse Studio 连接后，您现在可以加载样本。要加载样本，请单击“数据采集”。现在在数据采集页面上，输入标签名称，选择麦克风作为传感器，然后输入样本长度。单击“开始采样”，开始采样 40 秒样本。您可以使用不同长度的在线咳嗽样本，而不是强迫自己咳嗽。共记录 10 到 12 个不同长度的咳嗽样本。
上传咳嗽样本后，现在将标签设置为“噪声”并再收集 10 到 12 个噪声样本。
这些样本用于训练模块，在接下来的步骤中，我们将收集测试数据。测试数据至少应该是训练数据的 30%，所以收集 3 个样本的“噪音”和 4 到 5 个样本的“咳嗽”。
您可以使用 Edge Impulse CLI Uploader 将我们的数据集导入您的 Edge Impulse 帐户，而不是收集您的数据。
要安装 CLI Uploader，首先，在您的笔记本电脑上下载并安装Node.js。之后打开命令提示符并输入以下命令：
npm install -g edge-impulse-cli
现在下载数据集（数据集链接）并将文件解压缩到您的项目文件夹中。打开命令提示符并导航到数据集位置并运行以下命令：
edge-impulse-uploader –clean
edge-impulse-uploader –category training training/*.json
edge-impulse-uploader –category training training/*.cbor
edge-impulse-uploader –category testing testing/*.json
edge-impulse-uploader –category testing testing/*.cbor
训练模型并调整代码
随着数据集准备就绪，现在我们将为数据创建一个脉冲。为此，请转到“创建冲动”页面。
现在在“创建冲动”页面上，单击“添加处理块”。在下一个窗口中，选择音频 （MFCC） 块。之后单击“添加学习块”并选择神经网络（Keras）块。然后点击“保存冲动”。
在下一步中，转到 MFCC 页面，然后单击“生成功能”。它将为我们所有的音频窗口生成 MFCC 块。
之后进入“ NN Classifier”页面，点击“ Neural Network settings”右上角的三个点，选择“ Switch to Keras （expert） mode”。
将原始代码替换为以下代码，并将“最低置信度评级”更改为“0.70”。然后单击“开始培训”按钮。它将开始训练您的模型。
将张量流导入为 tf
从 tensorflow.keras.models 导入顺序
从 tensorflow.keras.layers 导入 Dense、InputLayer、Dropout、Flatten、Reshape、BatchNormalization、Conv2D、MaxPooling2D、AveragePooling2D
从 tensorflow.keras.optimizers 导入 Adam
从 tensorflow.keras.constraints 导入 MaxNorm
# 模型架构
模型=顺序（）
model.add（InputLayer（input_shape=（X_train.shape［1］， ）， name=‘x_input’））
model.add（Reshape（（int（X_train.shape［1］ / 13）， 13， 1）， input_shape=（X_train.shape［1］， ）））
model.add（Conv2D（10， kernel_size=5， activation=‘relu’， padding=‘same’， kernel_constraint=MaxNorm（3）））
model.add（AveragePooling2D（pool_size=2， padding=‘same’））
model.add（Conv2D（5， kernel_size=5， activation=‘relu’， padding=‘same’， kernel_constraint=MaxNorm（3）））
model.add（AveragePooling2D（pool_size=2， padding=‘same’））
model.add（展平（））
model.add（密集（类，activation=‘softmax’，name=‘y_pred’，kernel_constraint=MaxNorm（3）））
# 这控制了学习率
选择 = 亚当（lr=0.005，beta_1=0.9，beta_2=0.999）
# 训练神经网络
model.compile（loss=‘categorical_crossentropy’，优化器=opt，metrics=［‘accuracy’］）
model.fit（X_train，Y_train，batch_size=32，epochs=9，validation_data=（X_test，Y_test），详细=2）
训练模型后，将显示训练性能。对我来说，准确率是 96.5%，损失是 0.10，这很好。
现在我们的咳嗽检测模型已经准备就绪，我们将把这个模型部署为 Arduino 库。在将模型下载为库之前，您可以通过转到“实时分类”页面来测试性能。
转到“部署”页面并选择“ Arduino Library”。现在向下滚动并单击“构建”以开始该过程。这将为您的项目构建一个 Arduino 库。
现在在您的 Arduino IDE 中添加库。为此，打开 Arduino IDE，然后单击Sketch 》 Include Library 》 Add.ZIP library。
然后，通过转到 文件 》 示例 》 您的项目名称 – Edge Impulse 》 nano_ble33_sense_microphone 来加载示例。
我们将对代码进行一些更改，以便在 Arduino 检测到咳嗽时发出警报声。为此，Arduino 连接了一个蜂鸣器，当它检测到咳嗽时，LED 会闪烁 3 次。
这些更改是在打印噪音和咳嗽值的void loop（）函数中进行的。在原始代码中，它同时打印标签及其值。
对于 （size_t ix = 0; ix 《 EI_CLASSIFIER_LABEL_COUNT; ix++） {
ei_printf（“%s： %.5f
”， result.classification［ix］.label， result.classification［ix］.value）;
}
我们将把噪声值和咳嗽值保存在不同的变量中，并比较噪声值。如果噪声值低于 0.50，则表示咳嗽值大于 0.50，它会发出声音。用这个替换原来的 for loop（）代码：
对于（size_t ix = 1；ix 《 EI_CLASSIFIER_LABEL_COUNT；ix++）{
Serial.print（result.classification［ix］.value）;
浮动数据=结果。分类［ix］。值；
如果（数据 《 0.50）{
Serial.print（“检测到咳嗽”）;
警报（）;
}
}
进行更改后，将代码上传到您的 Arduino。以 115200 波特率打开串行监视器。
所以这就是咳嗽检测机器的构建方式，它不是找到任何 COVID19 嫌疑人的非常有效的方法，但它可以在一些拥挤的区域很好地工作。
#define EIDSP_QUANTIZE_FILTERBANK 0
#include
#include
#define LED 5
/** 音频缓冲区、指针和选择器 */
类型定义结构{
int16_t *缓冲区；
uint8_t buf_ready；
uint32_t buf_count；
uint32_t n_samples;
} inference_t;
静态推理_t推理；
静态布尔记录就绪=假；
静态有符号短样本缓冲区[2048]；
静态 bool debug_nn = false; // 将此设置为 true 以查看例如从原始信号生成的特征
无效设置（）
{
// 把你的设置代码放在这里，运行一次：
序列号.开始（115200）；
pinMode（LED，输出）；
Serial.println(“边缘脉冲推理演示”);
// 推理设置摘要（来自 model_metadata.h）
ei_printf(“推理设置：
“);
ei_printf(” Interval: %.2f ms.
“, (float)EI_CLASSIFIER_INTERVAL_MS);
ei_printf(” 帧大小: %d
“, EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE);
ei_printf(” 样本长度: %d ms.
“, EI_CLASSIFIER_RAW_SAMPLE_COUNT / 16);
ei_printf(” No. of classes: %d
“, sizeof(ei_classifier_inferencing_categories) / sizeof(ei_classifier_inferencing_categories[0]));
if (microphone_inference_start(EI_CLASSIFIER_RAW_SAMPLE_COUNT) == false) {
ei_printf(“ERR: 设置音频采样失败
“);
返回;
}
}
无效循环（）
{
ei_printf(“2秒后开始推理…
“);
延迟（2000）；
ei_printf(“正在录制…
“);
bool m = 麦克风推理记录（）；
如果（！米）{
ei_printf(“ERR: 录音失败…
“);
返回;
}
ei_printf(“录制完成
“);
signal_t 信号；
signal.total_length = EI_CLASSIFIER_RAW_SAMPLE_COUNT；
signal.get_data = µphone_audio_signal_get_data;
ei_impulse_result_t 结果 = { 0 };
EI_IMPULSE_ERROR r = run_classifier(&signal, &result, debug_nn);
如果（r！= EI_IMPULSE_OK）{
ei_printf(“ERR: 分类器运行失败(%d)
“, r);
返回;
}
// 打印预测
ei_printf(“预测 (DSP: %d ms., 分类: %d ms., 异常: %d ms.):
“,
result.timing.dsp，result.timing.classification，result.timing.anomaly）；
对于（size_t ix = 1；ix < EI_CLASSIFIER_LABEL_COUNT；ix++）{
Serial.print(result.classification[ix].value);
浮动数据=结果.分类[ix].值；
如果（数据 < 0.50）{
Serial.print(“检测到咳嗽”);
警报（）;
}
}
//for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
// ei_printf(” %s: %.5f
“, result.classification[ix].label, result.classification[ix].value);
// }
#if EI_CLASSIFIER_HAS_ANOMALY == 1
ei_printf(“异常分数：%.3f
“, result.anomaly);
＃万一
}
void ei_printf(const char *format, …) {
静态字符 print_buf[1024] = { 0 };
va_list 参数；
va_start（参数，格式）；
int r = vsnprintf(print_buf, sizeof(print_buf), 格式, args);
va_end(args);
如果 (r > 0) {
Serial.write(print_buf);
}
}
静态无效 pdm_data_ready_inference_callback(void)
{
int bytesAvailable = PDM.available();
// 读入样本缓冲区
int bytesRead = PDM.read((char *)&sampleBuffer[0], bytesAvailable);
if (record_ready == true || inference.buf_ready == 1) {
for(int i = 0; i < bytesRead>>1; i++) {
inference.buffer[inference.buf_count++] = sampleBuffer[i];
if(inference.buf_count >= inference.n_samples) {
inference.buf_count = 0;
inference.buf_ready = 1;
}
}
}
}
静态布尔mic_inference_start（uint32_t n_samples）
{
inference.buffer = (int16_t *)malloc(n_samples * sizeof(int16_t));
如果（推理。缓冲区 == NULL）{
返回假；
}
inference.buf_count = 0;
inference.n_samples = n_samples;
inference.buf_ready = 0;
// 配置数据接收回调
PDM.onReceive(&pdm_data_ready_inference_callback);
// 可选设置增益，默认为 20
PDM.setGain(80);
//ei_printf(“扇区大小: %d nblocks: %d
“, ei_nano_fs_get_block_size(), n_sample_blocks);
PDM.setBufferSize(4096);
// 使用以下命令初始化 PDM：
// – 一个通道（单声道模式）
// – 16 kHz 采样率
if (!PDM.begin(1, EI_CLASSIFIER_FREQUENCY)) {
ei_printf(“启动 PDM 失败！”);
}
记录就绪=真；
返回真；
}
静态布尔麦克风推理记录（无效）
{
inference.buf_ready = 0;
inference.buf_count = 0;
而（inference.buf_ready == 0）{
延迟（10）；
}
返回真；
}
静态 int 麦克风_音频_信号_get_data（size_t 偏移量，size_t 长度，浮点 *out_ptr）
{
arm_q15_to_float(&inference.buffer[offset], out_ptr, length);
返回0；
}
静态无效麦克风推理结束（无效）
{
PDM.end();
免费（推理。缓冲区）；
}
#if !defined(EI_CLASSIFIER_SENSOR) || EI_CLASSIFIER_SENSOR != EI_CLASSIFIER_SENSOR_MICROPHONE
#error “电流传感器的型号无效。”
＃万一
无效警报（）{
for (size_t t = 0; t < 4; t++) {
数字写入（领导，高）；
延迟（1000）；
数字写入（领导，低）；
延迟（1000）；
// digitalWrite(led, HIGH);
// 延迟（1000）；
// digitalWrite(LED, LOW);
}
}