Створення бюджетного робота-асистента для медичних закладів

Размещено на http://www.allbest.ru/

Харківський національний університет радіоелектроніки, Україна

Створення бюджетного робота-асистента для медичних закладів

Ануфрієв Валентин Валерійович

здобувач вищої освіти

факультету електронної та біомедичної інженерії

Глухов Олег Вікторович

канд. фіз.-мат. наук, доцент

доцент кафедри мікроелектроніки,

електронних приладів та пристроїв

Кравчук Ольга Олександрівна

асистент кафедри біомедичної інженерії

Левченко Євгеній Васильович

аспірант кафедри мікроелектроніки,

електронних приладів та пристроїв

Анотація

військовий госпіталь робот-асистент

Військово-медична служба є важливою складовою збройних сил будь-якої країни. У воєнний час медичні сили виконують найважливіші функції медичного забезпечення військових операцій, надаючи ефективну та кваліфіковану допомогу пораненим і хворим. Саме тому необхідно забезпечити військові госпіталі новітнім матеріально-технічним забезпеченням відповідно до існуючих потреб. У цій статті авторами запропоновано набір модифікацій робота-асистента TurtleBot Waffle Pi для використання у військових госпіталях.

Ключові слова: Robot, TurtleBot, Raspberry Pi, Biometrical scanner, Convolutional Neural Network

Військово-медичні заклади та персонал, який їх обслуговує, відіграють особливо важливу роль в умовах воєнного стану. Наразі військова медицина в Україні є досить розвиненою галуззю, яка відповідає всім сучасним тенденціям, що притаманні розвиненим країнам Європи та світу. Проте, враховуючи переповненість лікарень, персоналу дуже складно надавати своєчасну та належну допомогу всім постраждалим. Проаналізувавши інфекційні захворювання, які найбільше розповсюджені серед військових (такі як туберкульоз легень, вірусні геморагічні лихоманки тощо) [1], було вирішено розробити роботизовану систему, з використанням попередніх досліджень нашої групи [2, 3]. Вона здатна автономно виконувати типові функції медперсоналу, дозволяючи працівникам надавати невідкладну допомогу солдатам, які зазнали серйозних поранень, наприклад, осколкових.

TurtleBot Waffle Pi був обраний в якості платформи для модифікації через:

відкрите програмне забезпечення;

портативність конструкції;

сумісність з ROS (Robot Operating System);

модульність.

У попередніх роботах використовувався мікрокомп'ютер Raspberry Pi 3b у якості центрального контролеру (доступ до дистанційного керування, моніторинг датчиків, модуль дезінфекції та інтерфейс користувача) у поєднанні з модулем OpenCR (живлення, орієнтація у просторі) [2, 3]. У даній статті пропонується заміна Raspberry Pi 3 на Raspberry Pi 4, що дає наступні переваги [4, 5]:

збільшення обчислювальної потужності та швидкості передачі даних [6, 7];

прискорення обробки графічної інформації [6, 7];

вища швидкість передачі даних за рахунок використання чіпа Ethernet 1 Gb та багатоканального Wi-Fi зв'язку 802.11b/g/n/ac [8, 9];

прискорення передачі даних та збільшення кількості зв'язаних пристроїв за допомогою технології BLE 5.0 [10].

Модуль OpenCR з використанням SLAM (simultaneous localization and mapping) [11] для навігації у просторі залишається без змін.

У платформу також може бути інтегрований механізм поштучної дозованої видачі ліків. Він представлений блоком матриці капсул з розміщеними в них медикаментами, видача яких запроваджується за допомогою поворотного механізму, реалізованого на основі сервоприводу, що виштовхує нижню пігулку. Зокрема, для виключення помилкової видачі ліків реалізована система контролю видачі, на основі оптопар (рис. 1).

Рис. 1. Блок-схема робота помічника

Науковою групою досліджені існуючі методи безконтактної біометричної ідентифікації та розроблений прототип сканеру венозного рисунку долоні (рис. 2). Цей тип біометричної ідентифікації обрано через високий рівень точності ідентифікації (до 100%) [12], високу стійкість до змін з часом та травм долоні. Система ідентифікації складається з обчислювального модулю, камери без ІЧ- фільтру та блоку ІЧ-світлодіодів. У нашій розробці в якості обчислювального модулю використовується центральний контролер робота (Raspberry Pi 4), а в якості камери - Raspberry Pi Camera module 3 NoIR.

Рис. 2. Блок-схема модулю безконтактної ідентифікації

Експериментальна установка виглядає наступним чином (рис. 3) і складається з: Raspberry Pi 4B (1), Raspberry Pi Camera module 3 NoIR (2), ІЧ-світлодіодів (3), резисторів (4) та джерела напруги (6LR61) (5) (рис. 3).

Рис. 3. Експериментальна установка

Робота приладу включає в себе наступні етапи:

ініціалізація камери та подача живлення на світлодіоди;

фотографування долоні;

обробка зображення;

ідентифікація пацієнта.

Для обробки зображення створено програму з використанням мови програмування Python та бібліотек OpenCV та NumPy (рис. 4).

Рис. 4. Процес обробки зображення

У якості алгоритму для розпізнавання венозних рисунків користувачів використовується згорткова нейронна мережа (рис. 5).

Згорткова нейронна мережа є спеціалізованою архітектурою нейронних мереж, яка широко використовується для обробки та аналізу зображень і відео. Вона має властивості, які роблять її особливо ефективною в розпізнаванні образів [13, 14].

Нейронна мережа реалізована за допомогою Python з використанням відкритої програмної бібліотеки для машинного навчання TensorFlow Keras.

Рис. 5. Структура згорткової нейронної мережі

Висновки

У цій статті доведена можливість створення бюджетного робота-помічника на основі мікрокомп'ютера Raspberry Pi для військового та цивільного використання. Продемонстровані переваги заміни Raspberry Pi 3b на Raspberry Pi 4b. Також наведений можливий механізм для видачі ліків.

Науковою групою розроблений робочій прототип для безконтактної ідентифікації пацієнтів за допомогою венозного рисунка долоні та згортокової нейронної мережі та показана перспективність використання цієї технології у роботах-асистентах.

Представлений пристрій дозволить збільшити пропускну здатність медичного закладу та спростити роботу медичного персоналу в лікарнях і поліклініках.

Список використаних джерел

1. Liu, G.D., Wang, N., Wang, H.M., Li, X., Shao, J.J., Liu, Z.F., Jiang, M., Wang, L., Wang, Z.K., Li, M., Cao, X.Y., Wang, J., Zhang, R., & Chen, Y.D. (2021). Military medical research on internal diseases in modern warfare: new concepts, demands, challenges, and opportunities. Military Medical Research, 8(1), 20. https://doi.org/10.1186/s40779-021-00313-8.

2. Chekubasheva, V., Glukhov, O., Kravchuk, O., Levchenko, Y., Linnyk, E., & Rohovets, V. (2022). Possibility of Creating a Low-Cost Robot Assistant for Use in General Medical Institutions During the COVID-19 Pandemic. У Springer Proceedings in Physics (с. 203213). Springer International Publishing. https://doi.org/10.1007/978-3-031-11287-4_16.

3. Chekubasheva, V.A., Kravchuk, O.A., Hlukhova, H., & Glukhov, O.V. (2022). Creating of a remote-presence robot based on the development board Texas Instruments to monitor the status of infected patients. Biosensors and Bioelectronics: X, 100215. https://doi.org/10.1016/j.biosx.2022.100215.

4. The Raspberry Pi Foundation, "Raspberry Pi 3 Computer Model B Product Brief", лют. 2016.

5. The Raspberry Pi Foundation, "Raspberry Pi 4 Computer Model B Product Brief", січ. 2021.

6. Broadcom, "ARM Peripherals", BCM2837B0 даташит, лют. 2012.

7. Broadcom, "ARM Peripherals", BCM2711 даташит, лют. 2020.

8. MICROCHIP, "Hi-Speed USB 2.0 to 10/100/1000 Ethernet Controller", LAN7515 даташит, 2014.

9. Broadcom, "Single Port RGMII Gigabit Ethernet Transceivers", BCM54213 даташит, Квіт. 2021.

10. Cypress, "Single-Chip 5G WiFi IEEE 802.11n/ac MAC/Baseband/Radio", CYW43455, бер. 2019.

11. Karlsson, N., Bernardo, E., Ostrowski, J., Goncalves, L., Pirjanian, P., Munich,M.: The vSLAM Algorithm for Robust Localization and Mapping. In: Proceedings of the 2005 IEEE International Conference on Robotics and Automation, pp. 24-29, Barcelona, ICRA (2005).

12. Htet, A.S.M., & Lee, H.J. (2023). Contactless Palm Vein Recognition Based on Attention Gated Residual U-Net and ECA-ResNet. Applied Sciences, 13(11), 6363. https://doi.org/10.3390/app13116363.

13. Rasheed, T. (2016). Make Your Own Neural Network. CreateSpace Independent Publishing Platform.

14. Yang, S., Zhu, F., Ling, X., Liu, Q., & Zhao, P. (2021). Intelligent Health Care: Applications of Deep Learning in Computational Medicine. Frontiers in Genetics, 12. https://doi.org/10.3389/fgene.2021.607471.

Размещено на Allbest.ru