在本文中，我們將展示如何使用 TinyML 和 Edge Impulse 為 Arduino Nano BLE Sense 構(gòu)建咳嗽檢測系統(tǒng)。

　　這篇文章主要講述如何使用Edge Impulse在 Arduino Nano BLE Sense 上進行機器學習，以檢測實時音頻中是否存在咳嗽。我們構(gòu)建了咳嗽和背景噪聲樣本的數(shù)據(jù)集，并應用了高度優(yōu)化的 TInyML 模型，構(gòu)建了一個咳嗽檢測系統(tǒng)，該系統(tǒng)在 Nano BLE Sense 上 20 kB 的 RAM 中實時運行。同樣的方法適用于許多其他嵌入式音頻模式匹配應用，例如老年人護理、安全和機器監(jiān)控。該項目和數(shù)據(jù)集最初由 Kartik Thakore 啟動，以幫助 COVID-19 工作。

　　前提

　　要想完成該項目，首先有以下要求：

　　對軟件開發(fā)和Arduino的基本了解

　　安裝 Arduino IDE 或 CLI

　　安卓或iOS手機

　　帶麥克風的Arduino Nano BLE Sense或等效 Cortex-M4+ 板（可選）

　　我們將使用 Edge Impulse，一個在邊緣設備上進行機器學習的在線開發(fā)平臺。你需要先注冊創(chuàng)建一個免費帳戶。登錄您的帳戶，并通過單擊標題為您的新項目命名。我們稱之為“Arduino Cough Tutorial”。

　　收集數(shù)據(jù)集

　　任何機器學習項目的第一步都是收集一個數(shù)據(jù)集，該數(shù)據(jù)集代表我們希望能夠在我們的 Arduino 設備上匹配的已知數(shù)據(jù)樣本。首先，我們創(chuàng)建了一個包含 10 分鐘音頻的小型數(shù)據(jù)集，分為“咳嗽”和“噪音”兩個類別。我們將展示如何將此數(shù)據(jù)集導入您的 Edge Impulse 項目，添加您自己的樣本，甚至從頭開始您自己的數(shù)據(jù)集。該數(shù)據(jù)集很小，并且具有有限數(shù)量的咳嗽和軟背景噪聲樣本。因此，該數(shù)據(jù)集僅適用于實驗，本教程中生成的模型只能區(qū)分安靜的背景噪音和小范圍的咳嗽。我們鼓勵您使用更廣泛的咳嗽、背景噪音和其他類別（如人類語音）來擴展數(shù)據(jù)集，以提高性能。

　　注意：強迫自己咳嗽對聲帶的傷害很大，收集數(shù)據(jù)和測試時要小心！

　　首先下載我們的咳嗽數(shù)據(jù)集并在您的 PC 上您選擇的位置提取文件：https ：//cdn.edgeimpulse.com/datasets/cough.zip

　　您可以使用Edge Impulse CLI Uploader將此數(shù)據(jù)集導入您的 Edge Impulse 項目。按照這些安裝說明安裝 Edge Impulse CLI。

　　打開終端或命令提示符，然后導航到您提取文件的文件夾。

　　運行：

　　$ edge-impulse-uploader --clean

　　$ edge-impulse-uploader --category training training/*

　　$ edge-impulse-uploader --category testing testing/*

　　系統(tǒng)將提示您輸入 Edge Impulse 用戶名、密碼和要添加數(shù)據(jù)集的項目。數(shù)據(jù)集樣本現(xiàn)在將在數(shù)據(jù)采集頁面上可見。通過單擊示例，我們可以看到示例的外觀，并通過單擊每個圖表下方的播放按鈕來收聽音頻。

　　10 分鐘的咳嗽和噪音數(shù)據(jù)樣本足以開始。您可以選擇使用自己的咳嗽和背景噪聲樣本擴展數(shù)據(jù)集。我們可以從數(shù)據(jù)采集頁面直接從設備收集新的數(shù)據(jù)樣本。WAV 格式的音頻樣本也可以使用Edge Impulse CLI Uploader 上傳。

　　重要提示：現(xiàn)實世界應用程序中使用的模型應使用盡可能多樣化的數(shù)據(jù)集進行訓練和測試。這個初始數(shù)據(jù)集相對較小，因此當暴露于不同類型的背景噪音或來自不同人的咳嗽時，模型的表現(xiàn)會不一致。

　　最簡單的入門方法是使用手機收集音頻數(shù)據(jù)。轉(zhuǎn)到“設備”頁面，然后單擊右上角的“+ 連接新設備”按鈕。選擇“使用您的手機”。這將生成一個唯一的 QR 碼，以在您的手機瀏覽器上打開一個 Web 應用程序。對二維碼拍照，然后選擇打開鏈接。

　　Web 應用程序?qū)⑦B接到您的 Edge Impulse 項目，應該如下所示：

　　我們現(xiàn)在可以從Edge Impulse的數(shù)據(jù)采集頁面直接從手機中收集音頻數(shù)據(jù)樣本。在“記錄新數(shù)據(jù)”部分，輸入“咳嗽”或“噪音”標簽，確保選擇“麥克風”作為傳感器，然后單擊“開始采樣”。您的手機現(xiàn)在將收集音頻樣本，并將其添加到您的數(shù)據(jù)集中。

　　還支持直接從 Nano BLE Sense 板收集音頻數(shù)據(jù)。按照這些說明安裝 Edge Impulse 固件和守護程序。一旦設備連接到 Edge Impulse，您就可以像上面的手機一樣收集數(shù)據(jù)樣本。

　　創(chuàng)造你的脈沖

　　接下來，我們將在創(chuàng)建脈沖頁面上選擇信號處理和機器學習模塊。脈沖將從空白開始，帶有原始數(shù)據(jù)和輸出特征塊。保留 1000 ms 窗口大小和 500 ms 窗口增加的默認設置。這意味著我們的音頻數(shù)據(jù)將一次處理 1 秒，每 0.5 秒開始。使用小窗口可以節(jié)省嵌入式設備上的內(nèi)存，但這意味著我們需要在兩次咳嗽之間沒有大間隔的咳嗽數(shù)據(jù)樣本。

　　單擊“添加處理塊”并選擇音頻 （MFCC）塊。接下來單擊“添加學習塊”并選擇神經(jīng)網(wǎng)絡 （Keras）塊。點擊“保存沖動”。音頻塊將為每個音頻窗口提取頻譜圖，神經(jīng)網(wǎng)絡塊將被訓練以根據(jù)我們的訓練數(shù)據(jù)集將頻譜圖分類為“咳嗽”或“噪音”。您產(chǎn)生的脈沖將如下所示：

　　接下來，我們將從MFCC頁面上的訓練數(shù)據(jù)集生成特征。此頁面顯示從任何數(shù)據(jù)集樣本中提取的每 1 秒窗口的頻譜圖的樣子。我們可以將參數(shù)保留為默認值。

　　接下來單擊“生成特征”按鈕，然后使用此處理塊處理整個訓練數(shù)據(jù)集。這將創(chuàng)建完整的特征集，用于在下一步訓練我們的神經(jīng)網(wǎng)絡。按“生成特征”按鈕開始處理，這需要幾分鐘才能完成。

　　我們現(xiàn)在可以在 NN 分類器頁面上繼續(xù)設置和訓練我們的神經(jīng)網(wǎng)絡。默認神經(jīng)網(wǎng)絡適用于流水等連續(xù)聲音?？人詸z測更復雜，因此我們將在每個窗口的頻譜圖上使用 2D 卷積配置更豐富的網(wǎng)絡。2D 卷積以與圖像分類類似的方式處理音頻頻譜圖。按“神經(jīng)網(wǎng)絡設置”部分的右上角，然后選擇“切換到 Keras（專家）模式”。

　　將“神經(jīng)網(wǎng)絡架構(gòu)”定義替換為以下代碼，并將“最小置信度”設置為“0.70”。然后繼續(xù)單擊“開始培訓”按鈕。訓練將需要幾秒鐘。

　　import tensorflow as tf

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, InputLayer, Dropout, Flatten, Reshape, BatchNormalization, Conv2D, MaxPooling2D, AveragePooling2D
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.constraints import MaxNorm
# model architecture
model = Sequential()
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(Flatten())
model.add(Dense(classes, activation='softmax', name='y_pred', kernel_constraint=MaxNorm(3)))
# this controls the learning rate
opt = Adam(lr=0.005, beta_1=0.9, beta_2=0.999)
# train the neural network
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(X_train, Y_train, batch_size=32, epochs=9, validation_data=(X_test, Y_test), verbose=2)

　　該頁面將顯示訓練性能和設備上的性能，根據(jù)您的數(shù)據(jù)集應如下所示：

　　我們的咳嗽檢測算法現(xiàn)在可以試用了！

　　測試

　　實時分類頁面允許我們使用數(shù)據(jù)集附帶的現(xiàn)有測試數(shù)據(jù)或通過手機或 Arduino 設備中的流式音頻數(shù)據(jù)來測試算法。我們可以從一個簡單的測試開始，選擇任何測試樣本，然后按“加載樣本”。這將對測試樣本進行分類并顯示結(jié)果：

　　我們還可以使用實時數(shù)據(jù)測試算法。通過刷新我們之前打開的手機上的瀏覽器頁面，從您的手機開始。然后在“分類新數(shù)據(jù)”部分中選擇您的設備，然后按“開始采樣”。當通過 edge-impulse-daemon 連接到項目時，您可以類似地從 Nano BLE Sense 流式傳輸音頻樣本，就像在數(shù)據(jù)收集步驟中一樣。

　　部署

　　我們可以輕松地將我們的咳嗽檢測算法部署到手機上。轉(zhuǎn)到手機上的瀏覽器窗口并刷新，然后按“切換到分類模式”按鈕。這將自動將項目構(gòu)建到 WebAssembly 包中并在您的手機上連續(xù)執(zhí)行（之后無需云，甚至進入飛行模式！）

　　接下來，我們可以通過轉(zhuǎn)到部署頁面將算法部署到 Nano BLE Sense。在“構(gòu)建固件”下選擇“Arduino Nano 33 BLE Sense”，然后單擊“構(gòu)建”。

　　這將為 Nano BLE Sense 構(gòu)建一個完整的固件，包括您的最新算法。按照屏幕上的說明使用二進制文件刷新您的 Arduino 板。

　　刷新 Arduino 后，我們可以在設備以 115、200 波特插入 USB 時打開設備的串行端口。串口打開后，按回車鍵得到提示，然后：

　　> AT+RUNIMPULSE

Inferencing settings:
? ? Interval: 0.06 ms.
? ? Frame size: 16000
? ? Sample length: 1000 ms.
? ? No. of classes: 2
Starting inferencing, press 'b' to break
Recording...
Recording done
Predictions (DSP: 495 ms., Classification: 84 ms., Anomaly: 0 ms.):?
? ? cough: 0.01562
? ? noise: 0.98438
Starting inferencing in 2 seconds...
Recording...
Recording done
Predictions (DSP: 495 ms., Classification: 84 ms., Anomaly: 0 ms.):
? ? cough: 0.01562
? ? noise: 0.98438
Starting inferencing in 2 seconds...
Recording...
Recording done
Predictions (DSP: 495 ms., Classification: 84 ms., Anomaly: 0 ms.):
? ? cough: 0.86719
? ? noise: 0.13281
Starting inferencing in 2 seconds...
Recording...
Recording done
Predictions (DSP: 495 ms., Classification: 84 ms., Anomaly: 0 ms.):
? ? cough: 0.01562
? ? noise: 0.98438

　　未來可能的拓展

　　使用您自己的咳嗽和背景聲音擴展默認數(shù)據(jù)集，記得定期重新訓練和測試。您可以在測試頁面下設置單元測試，以確保模型在擴展時仍然有效。

　　為不咳嗽的人類聲音添加一個新類和數(shù)據(jù)，例如背景語音、打哈欠等。

　　從一個新數(shù)據(jù)集開始，收集音頻樣本以檢測新事物。

　　根據(jù)這些說明部署到 Arduino 庫，作為 Arduino Sketch 的一部分，以使用 LED 或顯示器顯示咳嗽檢測