TinyML 咳嗽检测：Arduino Nano 33 BLE Sense 实现早期流感筛查

项目背景与意义

本项目源自 UN Covid Detect & Protect Challenge，旨在开发低成本、易部署的咳嗽声检测系统，用于流感/新冠等呼吸道疾病的早期筛查。利用 Edge Impulse 平台训练 TinyML 模型，部署在 Arduino Nano 33 BLE Sense（Cortex-M4F, 64MHz, 256KB RAM, 内置 PDM 麦克风）上，实现 实时、离线、<20KB RAM 的咳嗽/背景噪声二分类。

硬件要求

• Arduino Nano 33 BLE Sense ×1（或同级 Cortex-M4+ 麦克风板卡）
• Android/iOS 手机（可选，用于数据采集/现场推理验证）
• PC（运行 Edge Impulse CLI、Arduino IDE）

完整开发流程

阶段 1：数据集构建

1. 获取种子数据集：下载 cough.zip（含 10 分钟「咳嗽」/「噪声」标注样本）
2. Edge Impulse CLI 上传：

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

3. 扩充数据（关键）：通过手机浏览器扫码连接 Edge Impulse，现场录制更多咳嗽、语音、环境噪音，平衡类别分布，提升泛化能力

阶段 2：Impulse 设计（信号处理 + 学习模块）

• 时间窗：1000ms 窗长，500ms 步长（50% 重叠）
• 处理块：Audio (MFCC) - 提取 13 维梅尔频率倒谱系数，生成频谱图
• 学习块：Neural Network (Keras) - 2D CNN 分类器

阶段 3：模型架构（Keras 专家模式）

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import *

model = Sequential([
    InputLayer(input_shape=(X_train.shape[1],), name='x_input'),
    Reshape((int(X_train.shape[1]/13), 13, 1)),
    Conv2D(10, 5, activation='relu', padding='same', kernel_constraint=MaxNorm(3)),
    AveragePooling2D(2, padding='same'),
    Conv2D(5, 5, activation='relu', padding='same', kernel_constraint=MaxNorm(3)),
    AveragePooling2D(2, padding='same'),
    Flatten(),
    Dense(classes, activation='softmax', name='y_pred', kernel_constraint=MaxNorm(3))
])
opt = Adam(lr=0.005, beta_1=0.9, beta_2=0.999)
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)

设计要点：

• 2D Conv 处理频谱图，类比图像分类，捕捉时频局部模式
• MaxNorm(3) 权重约束防止过拟合，适配量化部署
• 最小置信度 0.70 抑制低置信误报

阶段 4：训练与验证

• 训练集性能：Accuracy ~95%+（视数据质量）
• 设备端性能估算：DSP 495ms + 分类 84ms + 异常检测 0ms = ~580ms/推理周期，RAM < 20KB，Flash ~100KB
• 实测混淆矩阵：重点关注「咳嗽→噪声」漏报率与「噪声→咳嗽」误报率

阶段 5：部署与实测

手机端 (WebAssembly)

1. 手机浏览器刷新 Edge Impulse 项目页
2. 点击 "Switch to classification mode" → 自动编译 WASM 包 → 离线持续推理（飞行模式可用）

Nano 33 BLE Sense 固件烧录

1. Deployment 页面选择 "Arduino Nano 33 BLE Sense" → Build
2. 按提示进入 Bootloader 模式（双击复位）烧录 .bin
3. 串口 115200 波特率，发送 AT+RUNIMPULSE 启动持续推理

串口实时输出示例

> 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
...
Predictions ...:
 cough: 0.86719   ← 检测到咳嗽
 noise: 0.13281

关键技术指标

进阶优化方向

• 数据增强：时移、加噪、音高变换、混合背景噪声，提升鲁棒性
• 新增类别：语音、打喷嚏、清喉咙、笑声等，转为多类分类
• 模型压缩：量化感知训练 (QAT) → INT8 模型，推理加速 3-4×，精度损失 <1%
• 异常检测：引入 GMM/自编码器识别分布外样本（如麦克风故障、异常环境音）
• 多模态融合：结合 3 轴加速度计（体动/体位）提升特异性
• 联邦学习：多设备本地训练 + 云端聚合，保护隐私持续迭代

工程化落地清单

1. 外壳设计：声学透声腔 + 防风棉，固定麦克风位置，减少摩擦噪声
2. 供电方案：18650 锂电池 + 低压差 LDO，或太阳能充电板
3. 数据上报：LoRaWAN/NB-IoT/WiFi 定时上传检测事件与统计摘要
4. 固件 OTA：Arduino OTA 或 Edge Impulse 模型热更新机制
5. 合规认证：医疗器械分类确认、数据隐私合规 (GDPR/HIPAA)、EMC 测试

同类应用迁移指南

同套流程可直接迁移至：

• 工业设备故障声纹识别（轴承异响、泵气蚀、电机啸叫）
• 老人跌倒/呼救声检测
• 野生动物鸣叫监测（鸟类、蝙蝠超声）
• 城市声环境监测（施工噪音、车辆鸣笛、广场舞）

仅需替换数据集、调整标签、微调预处理参数（采样率、窗长、MFCC 系数数），核心流程 100% 复用。

完整教程、数据集、模型文件请访问 Edge Impulse Studio 项目页或 Hackster.io 原文链接。