⚡ electrical engineering

A Rule-Based IoT Wearable Prototype for Companion Animal Vocalization Monitoring: Design, Implementation, and Documented Limitations

Diese Arbeit präsentiert das Design und die Evaluierung eines regelbasierten IoT-Wearable-Prototyps unter Verwendung eines ESP32, eines MEMS-Mikrofons und einer IMU zur Überwachung der Verhaltenszustände von Begleittieren durch Echtzeit-Multimodal-Sensorfusion, während gleichzeitig der Übergang von der semantischen Emotionserkennung zur machbaren Zustandsabschätzung aufgrund eingebetteter Rechenbeschränkungen kritisch dokumentiert wird.

Ursprüngliche Autoren: Muhammad Ali Siddiqui

Veröffentlicht 2026-06-24

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Muhammad Ali Siddiqui

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen eine Haustierhalsband, das wie ein kleiner, superintelligenter Detektiv funktioniert. Seine Aufgabe ist es, die Stimme Ihres Haustiers zu hören und die Bewegungen zu beobachten, um Ihnen dann auf Ihr Handy zu melden, was Ihr Tier gerade macht. Dies ist die Geschichte eines Prototyp-Geräts, das von Muhammad Ali Siddiqui entwickelt wurde und darauf ausgelegt ist, Menschen (besonders jenen, die ihre Haustiere tagsüber nicht ständig im Blick behalten können) dabei zu helfen, ihre pelzigen Freunde besser zu verstehen.

Hier ist die Aufschlüsselung dieser Erfindung aus dem Fachbericht, unter Verwendung einfacher Analogien:

Das Werkzeugkasten des Detektivs (Die Hardware)

Stellen Sie sich das Gerät wie einen kleinen Rucksack für ein Haustier vor. In diesem Rucksack befinden sich drei Hauptwerkzeuge:

Die Ohren (Mikrofon): Ein winziges digitales Mikrofon (INMP441), das jedes Geräusch hört, das das Tier macht.
Das Innenohr (Bewegungssensor): Ein Bewegungssensor (MPU6050), der wie das menschliche Innenohr jedes Zittern, jeden Sprung und jeden Schritt des Tieres spürt.
Das Gehirn (Mikrocontroller): Ein ESP32-Chip, der als Gehirn fungiert. Er ist klein, günstig und leistungsstark genug, um Berechnungen direkt vor Ort durchzuführen, ohne Hilfe eines riesigen Computers in der Cloud zu benötigen.

Der ursprüngliche Traum vs. der Realitätscheck

Der Traum: Der Schöpfer wollte ursprünglich einen „Haustier-Übersetzer“ bauen. Die Idee war, dass das Gerät, wenn ein Hund auf eine bestimmte Weise bellt, sagt: „Er hat Hunger“ oder „Sie ist traurig“. Es war wie der Versuch, eine Fremdsprache sofort zu übersetzen.

Der Realitätscheck: Nachdem der Schöpfer den Prototyp gebaut hatte, erkannte er, dass dieser Traum zu groß für das winzige Gehirn innerhalb des Geräts war.

Das Problem: Ein lautes Bellen könnte bedeuten: „Ich bin aufgeregt!“, „Ich habe Angst!“ oder „Ich möchte ein Leckerli!“. Nur zu hören, wie laut das Bellen ist (die Lautstärke), reicht nicht aus, um zu wissen, was das Tier fühlt. Es ist wie der Versuch zu erraten, ob ein Mensch glücklich oder wütend ist, nur indem man hört, wie laut er schreit; man kann den Unterschied nicht erkennen, ohne das Gesicht zu sehen oder die Situation zu kennen.
Die Kurskorrektur: Der Schöpfer musste das Ziel ändern. Statt eines „Haustier-Übersetzers“ (der Emotionen errät), wurde das Gerät zu einem „Haustier-Aktivitätsmonitor“ (der Handlungen errät). Es hörte auf, Gefühle zu interpretieren, und konzentrierte sich stattdien darauf, was das Tier tatsächlich tut.

Wie es jetzt funktioniert (Die Regeln)

Da das Gerät zu klein ist, um komplexe „Künstliche Intelligenz“ (wie ein Gehirn, das aus tausenden Beispielen lernt) zu nutzen, verwendet es ein einfaches „Wenn-Dann“-Regelwerk, ähnlich einem Ampelsystem.

Zuhören (Die Sound-Regeln):
- Wenn das Geräusch sehr leise ist $\rightarrow$ Das Tier ist Still / Ruhend.
- Wenn das Geräusch mittellaut ist $\rightarrow$ Das Tier hat geringe Aktivität (vielleicht schaut es nur umher).
- Wenn das Geräusch laut ist $\rightarrow$ Das Tier hat hohe Aktivität (vielleicht bellt oder miaut laut).
Beobachten (Die Bewegungs-Regeln):
- Wenn der Sensor keine Bewegung spürt $\rightarrow$ Ruhend.
- Wenn der Sensor ein stetiges, langsames Zittern spürt $\rightarrow$ Umherwandern (Auf und Ab gehen).
- Wenn der Sensor schnelles Zittern spürt $\rightarrow$ Rennen.
- Wenn der Sensor einen plötzlichen, scharfen Stoß spürt $\rightarrow$ Springen.
Die magische Mischung (Fusion):
Die wahre Magie geschieht, wenn das Gerät den Sound und die Bewegung kombiniert.
- Szenario A: Lauter Sound + Rennen = Aufregung/Spiel.
- Szenario B: Lauter Sound + Stillstehen = Notlage oder Aufmerksamkeit suchend (Das Tier schreit, bewegt sich aber nicht, was bedeuten könnte, dass es feststeckt oder aufgelöst ist).
- Szenario C: Leiser Sound + Ruhen = Ruhig/Schlafend.

Die Testfahrt (Ergebnisse)

Der Schöpfer testete dieses Gerät in einem ruhigen Raum mit einer Katze (da Katzen die Haupttestobjekte waren).

Bewegung: Das Gerät war sehr gut darin, zwischen Schlafen, Gehen, Rennen und Springen zu unterscheiden. Es lag in 90 % der Fälle richtig.
Sound: Das Gerät war okay darin, zwischen „leise“ und „laut“ zu unterscheiden, aber es wurde manchmal durch Hintergrundgeräusche (wie einen eingeschalteten Fernseher) getäuscht. Es erkannte den Sound in etwa 82,5 % der Fälle korrekt.
Kombiniert: Wenn es sowohl Sound als auch Bewegung gleichzeitig nutzte, lieferte es in 92,5 % der Fälle die richtige Antwort. Es arbeitete schnell und benötigte nur 1 bis 2 Sekunden, um dem Handy mitzuteilen, was gerade passiert.

Das „Aber...“ (Einschränkungen)

Der Fachbericht ist sehr ehrlich darüber, was dieses Gerät noch nicht kann:

Es ist kein Gedankenleser: Es kann nicht sagen, ob Ihr Haustier „traurig“ oder „glücklich“ ist. Es kann nur sagen, ob es sich „schnell bewegt“ oder „Lärm macht“.
Es benötigt Feinabstimmung: Die Regeln (wie laut ist „laut“) wurden manuell festgelegt. Wenn man es einem anderen Tier anlegt (wie einem großen Hund gegenüber einer kleinen Katze), müssen die Regeln eventuell manuell geändert werden.
Es ist geräuschempfindlich: Wenn Ihr Haus sehr laut ist, könnte das Gerät denken, Ihr Haustier bellt, obwohl es das gar nicht tut.
Es ist ein Prototyp: Dies ist ein Arbeitsmodell, kein fertiges Produkt, das man heute kaufen kann. Es funktioniert gut in einem Labor, aber der Schöpfer gibt zu, dass es noch mehr Tests in echten, unordentlichen Haushalten benötigt.

Das Fazit

Dieser Bericht ist die Geschichte eines klugen Ingenieurs, der versuchte, einen „Haustier-Übersetzer“ zu bauen, erkannte, dass die Technologie für diese spezifische Aufgabe noch nicht bereit war, und stattdin einen sehr nützlichen „Haustier-Aktivitäts-Tracker“ baute, der Sound und Bewegung kombiniert. Er beweist, dass man einen intelligenten Sensor an das Halsband eines Haustiers setzen kann, um Ihnen in Echtzeit zu sagen, was es tut, aber vorerst ist es besser darin, Handlungen als Emotionen zu beschreiben.

Technisches Resümee: Regelbasiertes IoT-Wearable-Prototyp zur Überwachung der Vokalisation von Begleittieren

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, ein kostengünstiges, leichtes und ressourcenbeschränktes Wearable-System zur Echtzeitüberwachung des Verhaltens von Begleittieren zu entwickeln. Während die bestehende Forschung erfolgreich Beschleunigungssensoren zur Aktivitätsklassifizierung und Deep Learning zur Analyse der Vokalisation von Tieren eingesetzt hat, besteht eine signifikante Lücke bei integrierten, multimodalen Systemen, die speziell für Haustiere konzipiert sind und vollständig auf eingebetteter Hardware ohne Cloud-Offloading operieren.

Ein kritisches Problem ist die Schwierigkeit, aus den Vokalisationen von Haustieren eine semantische Emotionsinferenz (z. B. Unterscheidung zwischen Hunger und Stress) auf Mikrocontroller-Klasse-Geräten durchzuführen. Das ursprüngliche Designziel zielte darauf ab, einen „Sprachtranslator für Haustiere“ zu schaffen, der Vokalisationen auf emotionale Zustände abbildet. Die Autoren stellen jedoch fest, dass dieses Ziel vor fundamentalen Barrieren steht: dem Mangel an standardisierten, annotierten Datensätzen für Tieremotionen, der hohen intra-spezifischen Variabilität in Vokalationsmustern, Interferenzen durch Umgebungsgeräusche sowie den Rechenbeschränkungen von stromsparenden Mikrocontrollern, die die Verwendung komplexer Deep-Learning-Modelle, die für eine zuverlässige akustische semantische Dekodierung erforderlich wären, ausschließen.

Methodik
Die vorgeschlagene Lösung ist ein vierschichtiges, modulares IoT-Framework, das auf einem ESP32-WROOM-32 Mikrocontroller basiert. Das System integriert zwei primäre Erfassungmodalitäten:

Akustische Erfassung: Ein digitales INMP441 MEMS-Mikrofon erfasst Audio mit 16 kHz. Das System berechnet die durchschnittliche absolute Amplitude ( $A_{avg}$ ) über einen 256-Sample-Buffer.
Bewegungserfassung: Ein MPU6050 6-Achsen-IMU (Beschleunigungssensor und Gyroskop) tastet mit 100 Hz ab. Das System berechnet Skalarbeträge für Beschleunigungs- und Gyroskopdaten sowie statistische Merkmale wie die Standardabweichung ( $\sigma_a$ ) und die Peak-to-Peak-Spannweite ( $P_{pp}$ ) über ein 50-Sample-Gleitfenster.

Klassifizierungs- und Fusionslogik
Aufgrund der Unfähigkeit, Deep-Learning-Modelle auf der Zielhardware auszuführen, implementierten die Autoren ein regelbasiertes Klassifizierungsframework:

Akustische Regeln: Hierarchische Schwellenwerte ( $T_1=1200, T_2=2500, T_3=4000$ ) bilden die durchschnittliche Amplitude auf heuristische Zustände ab (Stillstand, Niedrige Aktivität, Moderate Aktivität, Hohe Aktivität). Die Autoren räumen explizit ein, dass dies Intensitätsproxys und keine semantischen Emotionslabels sind.
Bewegungsregeln: Entscheidungsbäume basierend auf $\sigma_a$ , $g_{std}$ , $P_{pp}$ und der minimalen Beschleunigung ( $a_{min}$ ) klassifizieren Aktivitäten in Ruhen, Patrouillieren, Laufen und Springen.
Multimodale Fusion: Eine deterministische Nachschlagetabelle kombiniert die akustischen und Bewegungs-Outputs, um einen zusammengesetzten Verhaltenszustand zu generieren. Beispielsweise wird „Hohe Aktivität“ (akustisch) kombiniert mit „Laufen“ (Bewegung) als „Erregung“ interpretiert, während „Hohe Aktivität“ mit „Ruhen“ als „Stress“ oder „Aufmerksamkeitsuche“ interpretiert wird.

Das System überträgt Daten via Bluetooth Classic (SPP) an eine begleitende mobile Applikation (erstellt mit MIT App Inventor) mit einer durchschnittlichen End-zu-End-Latenz von 1–2 Sekunden.

Zentrale Beiträge

Prototypenentwicklung: Erstellung eines eigenständigen, kostengünstigen Wearable-Geräts, das akustische und inertiale Sensorik auf einer ESP32-Plattform integriert und zur lokalen Verarbeitung sowie drahtlosen Übertragung fähig ist.
Regelbasiertes multimodales Framework: Implementierung eines leichtgewichtigen Klassifizierungssystems, das akustische Intensität und Bewegungsstatistiken fusioniert, um die kontextuelle Robustheit gegenüber Single-Sensor-Ansätzen zu verbessern.
Kritische Designentwicklung: Eine transparente Dokumentation des Design-Pivots von einem nicht realisierbaren Ziel der „semantischen Emotionserkennung“ hin zu einem praktischen Paradigma der „Verhaltenszustandsschätzung“. Dies beinhaltet eine Fehleranalyse darüber, warum amplitudenbasierte akustische Merkmale keine zuverlässige Dekodierung der emotionalen Valenz auf eingebetteter Hardware ermöglichen.
Experimentelle Validierung: Eine systematische dreiphasige Evaluierung (nur akustisch, nur Bewegung und kombiniert), die die Leistungsfähigkeit des Systems unter kontrollierten Bedingungen demonstriert.

Experimentelle Ergebnisse
Der Prototyp wurde in einer kontrollierten Innenumgebung unter Verwendung einer Hauskatze als primäres Subjekt zur Kalibrierung evaluiert.

Bewegungssubsystem: Demonstrierte eine hohe Konsistenz (90 % insgesamt) und klassifizierte korrekt Ruhen, Patrouillieren, Laufen und Springen. Es traten keine Fehlaktivierungen während der Basislinien-Ruheversuche auf.
Akustisches Subsystem: Erreichte eine Konsistenz von 82,5 %. Während die Zustände „Stillstand“ und „Hohe Aktivität“ mit hoher Genauigkeit (95–100 %) erkannt wurden, litten die Klassen „Niedrige“ und „Moderate“ Aktivität unter grenzwertigen Schwellenwertproblemen. Entscheidend war, dass das akustische Subsystem während der Basislinien-Versuche eine Fehlaktivierungsrate von 15 % aufgrund von Umgebungsgeräuschen aufwies, was die Einschränkung der rein amplitudenbasierten Analyse bestätigt.
Multimodale Fusion: Das kombinierte System erreichte eine zusammengesetzte Zustandsgenauigkeit von 92,5 %. Die Fusionslogik konnte Ambiguitäten erfolgreich reduzieren, indem sie akustische Ereignisse mit dem Bewegungskontext abglich.
Latenz: Das System hielt eine Antwortlatenz von etwa 1–2 Sekunden ein, was für die Echtzeitüberwachung geeignet ist.

Bedeutung und Ansprüche
Das Paper beansprucht seine Bedeutung primär als Proof-of-Concept auf technologischem Reifegrad (TRL) 4, welches zeigt, dass eine Echtzeit-, eingebettete, multimodale Verhaltensüberwachung auf ressourcenbeschränkter Hardware machbar ist.

Die Autoren rahmen den Nutzen des Systems bescheiden nicht als definitiven „Sprachtranslator für Haustiere“, sondern als assistives Überwachungswerkzeug für ältere Menschen und Nutzer mit eingeschränkter Mobilität. Durch die Verschiebung des Fokus von der semantischen Emotionsdekodierung zur Verhaltenszustandsschätzung (z. B. Erkennung von Stress, Erregung oder Inaktivität) zielt das System darauf ab, die Belastung der ständigen menschlichen Beobachtung zu verringern und rechtzeitige pflegerische Reaktionen zu ermöglichen.

Die Studie betont, dass der aktuelle regelbasierte Ansatz zwar funktional, aber durch manuelle Schwellenwertkalibrierung und Geräuschempfindlichkeit begrenzt ist. Die Autoren postulieren, dass zukünftige Iterationen maschinelles Lernen (z. B. TensorFlow Lite Micro) und größere, annotierte Datensätze integrieren sollten, um die Robustheit der akustischen Klassifizierung und die Generalisierung über verschiedene Hunderassen und Umgebungen hinweg zu verbessern. Das Paper schließt mit dem Hinweis, dass der Übergang von einem ehrgeizigen semantischen Ziel zu einem praktischen Verhaltensschätzsystem wertvolle empirische Leitlinien für die Embedded-Systems-Community hinsichtlich der Grenzen der Machbarkeit bei der akustischen Emotionsinferenz liefert.