ผู้เขียนบทความ : ฉัตรมงคล เลิศทอง COE#15
1.ความเป็นมา
การล้มเป็นหนึ่งในปัญหาสําคัญที่คุกคามผู้สูงอายุ อุปกรณ์นี้เป็นอุปกรณ์และกระบวนการสําหรับการสนับสนุนการใช้ชีวิตอย่างอิสระและปลอดภัยของผู้สูงอายุ รวมถึงการตรวจจับการล้มของผู้สูงอายุ ชีวิตของผู้สูงอายุจะปลอดภัยหากหน่วยกู้ภัยมาช่วยในช่วงเวลาปลอดภัยหลังการตก จากนั้นการตรวจจับการตกเป็นสิ่งจําเป็นเพื่อความปลอดภัยในชีวิต และ เพื่อเพิ่มคสะบายใจให้แก่ลูกหลาน หรือผู้ดูแล ที่จะสามารถรับรู้สถานการได้ทันที
2.วัตถุประสงค์
2.1 เพื่อนศึกษาและเข้าใจการเขียนโปรแกรมภาษา python เพื่อตรวจจับค่าแกน X Y และ Z
2.2 เพื่อนนำความรู้จากการเขียนภาษา python ไปใช้ได้จริง
2.3 เพื่อนำอุปกรณ์ที่ประดิษไปใช้ประโยชน์ต่อไป
3.ขอบเขต
3.1 โปรแกรมสามารถตรวจจับการล้มได้
3.2 โปรแกรมสามรถส่งผลการล้มเข้าสู่ไลน์ได้
3.3 โปรแรกมสามารถกดปุ่มเพื่อส่งสัญญาณขอความช่วยเหลือได้
3.4 โปรแกรมสามารถส่งสัญญาณไปหากเกิดการล้มในที่มืดได้
4.ประโยชน์ที่คาดว่าจะได้รับ
4.1 สามารถ รับรู้และเข้าใจในโปรแกรม python เพิ่มมากขึ้น เพื่อสามรถวัดค่า X Y และ Z ได้
4.2 สามารถนำความรู้จากการเขียนโปรแกรม python ไปใช้ประโยชน์ในโปรเจ็คต่อๆไป
4.3 สามารถนำอุปกรณ์ที่ทำไปใช้ประโยชน์เพื่อช่วยเหลือผู้อื่นได้อย่างมีประสิทธิผล
5.ความรู้ที่เกี่ยวข้อง
ให้ภาพรวมของระบบตรวจจับการล้มของการศึกษานี้ ส่วนนี้จะแบ่งออกเป็นส่วน A) อธิบายแหล่งที่มาของข้อมูลสาธารณะที่ใช้ในการศึกษานี้ B) โครงสร้างที่เสนอของแบบจําลองการเรียนรู้ของเครื่อง C) แสดงผังงาน D) อธิบายเซ็นเซอร์การเคลื่อนไหวที่เลือก และ E) แผนภาพบล็อกของฮาร์ดแวร์ที่ใช้ในการศึกษา
ชุดข้อมูล
ชุดข้อมูล MobiAct รวบรวมโดยสมาร์ทโฟน Realme 6Pro พร้อมโมดูล LSM330DLC ที่มีเซ็นเซอร์วัดความเร่ง 3 แกนและไจโรสโคป 3 แกนเพื่อบันทึกกิจกรรมประจําวันของมนุษย์ เซ็นเซอร์แต่ละตัวมีข้อมูลเกี่ยวกับแกน x แกน y และแกน z ข้อมูลที่รวบรวมประกอบด้วยข้อมูลสําหรับกิจกรรมประจําวันที่แตกต่างกันเก้ารายการและน้ําตกสี่ประเภทที่แตกต่างกัน ประเภทของกิจกรรมแสดงอยู่ในตารางที่ 1 ข้อมูลจากผู้เข้าร่วม 57 คน ผู้ชาย 42 คน และผู้หญิง 15 คน อายุเฉลี่ยของอาสาสมัครคือ 26 ปี โดยมีส่วนสูงและน้ําหนักเฉลี่ย 175 ซม. และ 76 กก. ตามลําดับ ในการดึงข้อมูลจากชุดข้อมูล MobiAct ได้ทําการสอดแทรกเชิงเส้นและการสุ่มตัวอย่างย่อยที่ความถี่การสุ่มตัวอย่าง 20 Hz มีการใช้จุดข้อมูลการสุ่มตัวอย่าง 128 จุดหรือช่วงเวลา 6.4 วินาทีเพื่อทํานายกิจกรรม ข้อมูลก่อนหน้า 90% จะถูกรวมเข้าด้วยกันสําหรับข้อมูลหน้าต่างต่อไปนี้เพื่อกําหนดการตก
การเรียนรู้เชิงลึกสําหรับการตรวจจับการล้ม
ชุดข้อมูล MobiAct จัดทําขึ้นโดยใช้หน้าต่างเลื่อนที่มีจุดตัวอย่างข้อมูล 128 จุด
โทโพโลยีของแบบจําลอง
ในการศึกษานี้ โมเดลการเรียนรู้เชิงลึกแสดงในรูป ซึ่งรวมถึงสองชั้นที่หนาแน่นโดยมีเซลล์ประสาท n1 ในเซลล์ประสาทแรกและ n2 จาก 13 เซลล์ประสาทในชั้นที่หนาแน่นที่สอง softmax จะถูกนําไปใช้เพื่อแยกความแตกต่างประเภทของกิจกรรม
พารามิเตอร์ถูกคํานวณโดยใช้ Tensorflow ความถูกต้องของแบบจําลองจะถูกทดสอบด้วยข้อมูลการทดสอบ ความแม่นยําของแบบจําลองขึ้นอยู่กับจํานวนประสาท n1 และ n2 รายละเอียดของความแม่นยําและจํานวนเซลล์ประสาท n1
ซอฟต์แวร์โอเพ่นซอร์ส TensorFlow™ ไลบรารี ใช้ในการพัฒนาแบบจําลองเพื่อระบุกิจกรรม TensorFlow™ เป็นเครื่องมือสนับสนุนที่ดีสําหรับการเรียนรู้เชิงลึก เครื่องมือนี้ช่วยให้สามารถสร้างต้นแบบแบบจําลองได้อย่างรวดเร็วโดยการรวมฟังก์ชันระดับสูงเข้ากับฟังก์ชันระดับต่ําของแบบจําลองการวิจัย
C. การออกแบบซอฟต์แวร์แบบฝัง
ขั้นตอนการทํางานของไมโครคอนโทรลเลอร์ ESP32 แสดงในรูปที่ 3 ประการแรก โปรแกรมเริ่มต้น Wi-Fi, MPU6050 และ TensorFlow™ จากนั้นตรวจสอบสถานะปุ่ม SOS และรวบรวมข้อมูล 128 จุดของเซ็นเซอร์วัดความเร่งในแกน x, y, z ต่อไป ข้อมูลเหล่านี้จะถูกใช้เพื่อคาดการณ์กิจกรรมโดยใช้แบบจําลองการตรวจจับการล้มที่สร้างขึ้นในส่วน B หากคาดว่าจะมีกิจกรรมตก ไมโครคอนโทรลเลอร์จะทําการแจ้งเตือนด้วยเสียง สถานะ LED และส่งข้อความแจ้งเตือนการตกเฉพาะไปยังผู้ดูแลระบบโดยระบบการแจ้งเตือนโดยใช้ LINE Notify API ในแอปพลิเคชัน LINE แอปพลิเคชัน LINE ได้รับเลือกในการศึกษานี้เนื่องจากแอปพลิเคชัน LINE เป็นหนึ่งในแอปพลิเคชันการส่งข้อความโต้ตอบแบบทันที นอกจากนี้ ผู้ใช้สามารถส่งคําขอความช่วยเหลือได้โดยกดปุ่ม SOS เพื่อแจ้งเตือนผู้ดูแลระบบ
G-521 (MPU6050)
โมดูลมาตรความเร่งและไจโรสโคปที่แสดงในรูปที่ 4 สามารถวัดได้สามมิติ x, y และ z-axis เครื่องวัดความเร่งสามารถวัดการเคลื่อนที่ในสามมิติของความเร่งเชิงเส้น ไจโรสโคปสามารถวัดความเร็วเชิงมุมเมื่อเซ็นเซอร์หมุนหรือเอียงโมดูลจะจับการเคลื่อนไหวของร่างกายและเชื่อมต่อกับ ESP32 ด้วยการสื่อสาร I2C
E การออกแบบฮาร์ดแวร์
แผนภาพบล็อกของอุปกรณ์ตรวจจับการล้ม
แผนภาพบล็อกของฮาร์ดแวร์ที่พัฒนาแล้วแสดงในรูป ไมโครคอนโทรลเลอร์ ESP32 ใช้เป็นหน่วยประมวลผลกลาง มีอินพุตสองตัว หนึ่งคือเซ็นเซอร์ตรวจจับการเคลื่อนไหวของร่างกายโดยใช้ MPU6050 และอีกตัวคือสวิตช์ SOS ระบบมีสามเอาต์พุต: สถานะการตกของ LED, สถานะสัญญาณเตือนการตกของออด และสัญญาณ Wi-Fi เมื่อตรวจพบการหกล้ม ไฟ LED เปิดอยู่ เสียงกริ่งแจ้งเตือนการล้ม และการแจ้งเตือนการล้มจะถูกส่งไปยังผู้ดูแลผ่าน Wi-Fi การหกล้มที่ตรวจพบได้ ได้แก่ เก้าอี้นั่งหลัง เก้าอี้ด้านข้าง เก้าอี้นั่งด้านหน้า เก้าอี้ล้มล้ม และเก้าอี้ด้านหน้า ฮาร์ดแวร์สําหรับการพัฒนาคือสายรัดข้อมือที่แสดงในรูป
การสาธิตระบบตรวจจับการล้ม
การสาธิตระบบตรวจจับการล้ม ขั้นตอนการดําเนินการของการตรวจจับการตกของ ESP32 ตัวแรกคือการเริ่มต้น Wi-Fi, MPU6050 หลังจากนั้น ESP32 จะรวบรวมการเคลื่อนไหวของร่างกายจากเซ็นเซอร์ หากข้อมูลการสุ่มตัวอย่างถึง 179 จุดสุ่มตัวอย่าง (หน้าต่างข้อมูล) โมเดลการเรียนรู้เชิงลึกจะประเมินกิจกรรมประจําวันหรือการตก กิจกรรมที่คาดการณ์ไว้จะระบุจอภาพแบบอนุกรม ซึ่งเหมือนกับกิจกรรมจริง การทดลองทดสอบรวมถึงกิจกรรม Standing อุปกรณ์ตรวจจับการล้มติดตั้งอยู่ที่ข้อมือของผู้ใช้ ในกรณีที่หกล้ม อุปกรณ์ตรวจจับการหกล้มจะส่งข้อความแจ้งเตือนการหกล้มไปยังผู้ดูแลหรือสมาชิกในครอบครัวผ่านสมาร์ทโฟนโดยใช้บริการแจ้งเตือนของ LINE
การทำงานของโค้ด
เริ่งต้น Class โดยใช้ FallDetectionSystem เพื่อเริ่มต้นการทำงานของอุปกรณ์ และ บอกค่าของตัวแปรต่างๆ
เริ่มต้นการเช็กการล้ม บอกขอบเขตของการอ่านค่าแกน ในแกน X,YและZเพื่อสามารถกำหนดตัวแปลที่ต้องการได้
เริ่มต้องกำหนดค่าตัวแปลตัวแรก คือ แกน X เมื่อ แกน x มีค่าน้อยกว่า 20 จะแสดงข้อความเข้าทางไลน์ “ล้มไปด้านหน้า” และถ้าหาก แกน x มีค่ามากกว่ากว่า 160 จะแสดงข้อความเข้าทางไลน์ “ล้มไปด้านหลัง”
เริ่มต้องกำหนดค่าตัวแปลตัวแรก คือ แกน Y เมื่อ แกน y มีค่าน้อยกว่า 20 จะแสดงข้อความเข้าทางไลน์ “ล้มไปด้านซ้าย” และถ้าหาก แกน y มีค่ามากกว่ากว่า 160 จะแสดงข้อความเข้าทางไลน์ “ล้มไปด้านขวา”
สรุปผลการทดลอง
โมเดลที่เสนอมีความแม่นยํา 96.55% แบบจําลองการตรวจจับการล้มถูกฝังอยู่ใน ESP32 การคาดการณ์การทดสอบภาคสนามเห็นด้วยกับกิจกรรมจริง ในแง่ของจํานวนเซลล์ประสาท การเพิ่มจํานวนเซลล์ประสาทจะช่วยปรับปรุงความแม่นยําของการคาดการณ์กิจกรรม แต่จะทําให้โมเดลพอดีเกินไป การใช้หน่วยความจําในไมโครคอนโทรลเลอร์มากขึ้น และการใช้พลังงานแบตเตอรี่มากขึ้น โมเดลที่เลือกช่วยลดปัญหาการโอเวอร์ฟิตโดยใช้อัตราการดรอปเอาท์ด้วย 0.2 จาก 128 เซลล์ประสาทที่ชั้นหนาแน่นแรก การศึกษานี้นําเสนอระบบตรวจจับการล้มผ่านการแจ้งเตือนของ LINE หาก ESP32 ตรวจพบการล้ม มันจะส่งการแจ้งเตือนการล้มไปยังผู้ให้บริการผ่าน Wi-Fi ด้วยแอปพลิเคชัน LINE ผู้ใช้สามารถขอความช่วยเหลือได้โดยใช้ปุ่ม SOS ในอนาคต
อ้างอิง
[1] นายภานุวัฒน์ชูชื่น, ชื่อเรื่อง การออกแบบและพัฒนาเครื่องวัดการเคลื่อนไหวของข้อเข่า โดยใช้เซนเซอร์วัดความเร่ง, [สืบค้นวันที่ 1 พฤษจิกายน 2566].จาก EEBME902_6110110341_Panuwat_Choochuen.pdf (psu.ac.th)
[2] Kulwarun Warunsin; Thongchai Phairoh. ชื่อเรื่อง Added to IEEE Xplore: 15 August 2022. Added to IEEE Xplore: 15 August 2022.จาก https://ieeexplore.ieee.org/document/9846023?fbclid=IwAR0Z98MgvIalRkm3KIW0r9_Q4RDGp7DK9ikWYbycX-GutNe2W2DYRX7-G94
[3] ET Infinity. ชื่อเรื่อง แจ้งเตือนคนล้ม ผ่าน Line Notify. [ออนไลน์] 2566. [10 ต.ค. 2566].จาก https://www.youtube.com/watch?v=a3ke5ZNshp4
