⚡ electrical engineering

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

यह शोध पत्र एक ESP32, MEMS माइक्रोफ़ोन और IMU का उपयोग करके एक नियम-आधारित (rule-based) IoT वियरेबल प्रोटोटाइप के डिज़ाइन और मूल्यांकन को प्रस्तुत करता है, जो वास्तविक समय के मल्टीमॉडल सेंसर फ्यूजन के माध्यम से साथी जानवरों की व्यवहारिक अवस्थाओं की निगरानी करता है, और साथ ही एम्बेडेड कंप्यूटेशनल बाधाओं के कारण सिमेंटिक इमोशन रिकग्निशन (semantic emotion recognition) से व्यावहारिक स्टेट एस्टीमेशन (state estimation) की ओर बदलाव को महत्वपूर्ण रूप से प्रलेखित करता है।

मूल लेखक: Muhammad Ali Siddiqui

प्रकाशित 2026-06-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muhammad Ali Siddiqui

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक पालतू जानवर का कॉलर है जो एक छोटे, अत्यंत बुद्धिमान जासूस की तरह काम करता है। इसका काम आपके पालतू जानवर की आवाज़ को सुनना और उनके हिलने-डुलने के तरीके को देखना है, फिर आपके फोन पर यह बताना है कि आपका पालतू जानवर इस समय क्या कर रहा है। यह एक प्रोटोटाइप डिवाइस की कहानी है जिसे मुहम्मद अली सिद्दीकी द्वारा बनाया गया है, जिसे लोगों (विशेष रूप से उन लोगों के लिए जिन्हें दिन भर अपने पालतू जानवरों पर बारीकी से नज़र रखने में कठिनाई हो सकती है) को उनके प्यारे दोस्तों को बेहतर ढंग से समझने में मदद करने के लिए डिज़ाइन किया गया है।

यहाँ यह आविष्कार (पेपर) सरल उपमाओं का उपयोग करते हुए कैसे समझाता है:

जासूस का टूलकिट (हार्डवेयर)

इस डिवाइस को एक पालतू जानवर के लिए एक छोटे बैकपैक की तरह समझें। इस बैकपैक के अंदर तीन मुख्य उपकरण हैं:

कान (माइक्रोफोन): एक छोटा डिजिटल माइक्रोफोन (INMP441) जो पालतू जानवर द्वारा की जाने वाली हर आवाज़ को सुनता है।
आंतरिक कान (मोशन सेंसर): एक मोशन सेंसर (MPU6050) जो इंसान के आंतरिक कान की तरह काम करता है, जो पालतू जानवर के हर झटके, उछाल और कदम को महसूस करता है।
दिमाग (माइक्रोकंट्रोलर): एक ESP32 चिप जो दिमाग के रूप में कार्य करती है। यह छोटी, सस्ती और इतनी शक्तिशाली है कि बिना किसी बड़े क्लाउड कंप्यूटर की मदद लिए, मौके पर ही गणितीय गणनाएँ कर सके।

मूल सपना बनाम वास्तविकता की जाँच

सपना: निर्माता मूल रूप से एक "पेट ट्रांसलेटर" (पालतू जानवर का अनुवादक) बनाना चाहता था। विचार यह था कि यदि कुत्ता एक निश्चित तरीके से भौंकता है, तो डिवाइस कहेगा, "वह भूखा है," या "वह उदास है।" यह एक विदेशी भाषा को तुरंत अनुवाद करने की कोशिश जैसा था।

वास्तविकता की जाँच: प्रोटोटाइप बनाने के बाद, निर्माता को एहसास हुआ कि यह सपना इस छोटे से डिवाइस के भीतर मौजूद नन्हे दिमाग के लिए बहुत बड़ा था।

समस्या: एक ज़ोरदार भौंकना "मैं उत्साहित हूँ!" या "मैं डरा हुआ हूँ!" या "मुझे ट्रीट चाहिए!" का संकेत हो सकता है। केवल यह सुनना कि भौंकने की आवाज़ कितनी तेज़ (वॉल्यूम) है, यह जानने के लिए पर्याप्त नहीं है कि पालतू जानवर क्या महसूस कर रहा है। यह किसी व्यक्ति के चेहरे को देखे बिना या स्थिति को जाने बिना केवल उसकी आवाज़ की तीव्रता से यह अनुमान लगाने की कोशिश करने जैसा है कि वह खुश है या गुस्से में।
बदलाव (द पिवट): निर्माता को अपना लक्ष्य बदलना पड़ा। एक "पेट ट्रांसलेटर" (जो भावनाओं का अनुमान लगाता है) के बजाय, डिवाइस एक "पेट एक्टिविटी मॉनिटर" (जो गतिविधियों का अनुमान लगाता है) बन गया। इसने भावनाओं का अनुमान लगाना बंद कर दिया और इस बात पर ध्यान केंद्रित करना शुरू किया कि पालतू जानवर वास्तव में क्या कर रहा है।

यह अब कैसे काम करता है (नियम)

चूंकि यह डिवाइस जटिल "आर्टिफिशियल इंटेलिजेंस" (जैसे कि एक मस्तिष्क जो हजारों उदाहरणों से सीखता है) का उपयोग करने के लिए बहुत छोटा है, इसलिए यह एक साधारण "यदि-तो" (If-Then) नियम पुस्तिका का उपयोग करता है, जो ट्रैफिक लाइट सिस्टम की तरह है।

सुनना (ध्वनि के नियम):
- यदि आवाज़ बहुत धीमी है $\rightarrow$ पालतू जानवर शांत/विश्राम (Silent/Resting) कर रहा है।
- यदि आवाज़ मध्यम है $\rightarrow$ कम गतिविधि (Low Activity) (शायद बस इधर-उधर देख रहा है)।
- यदि आवाज़ तेज़ है $\rightarrow$ उच्च गतिविधि (High Activity) (शायद ज़ोर से भौंक रहा है या म्याऊँ कर रहा है)।
देखना (गति के नियम):
- यदि सेंसर कोई हलचल महसूस नहीं करता $\rightarrow$ विश्राम (Resting)।
- यदि सेंसर एक स्थिर, धीमी थरथराहट महसूस करता है $\rightarrow$ टहलना (Pacing) (आगे-पीछे चलना)।
- यदि सेंसर तेज़ थरथराहट महसूस करता है $\rightarrow$ दौड़ना (Running)।
- यदि सेंसर अचानक, तेज़ झटका महसूस करता है $\rightarrow$ कूदना (Jumping)।
जादुई मिश्रण (फ्यूजन):
असली जादू तब होता है जब डिवाइस ध्वनि और गति को एक साथ जोड़ता है।
- परिदृश्य A: तेज़ आवाज़ + दौड़ना = उत्साह/खेल (Excitement/Play)।
- परिदृश्य B: तेज़ आवाज़ + स्थिर खड़ा होना = कष्ट या ध्यान आकर्षित करना (Distress or Attention Seeking) (पालतू जानवर चिल्ला रहा है लेकिन हिल नहीं रहा है, जिसका अर्थ हो सकता है कि वह फंस गया है या परेशान है)।
- परिदृश्य C: शांत आवाज़ + विश्राम = शांत/सोना (Calm/Sleeping)।

टेस्ट ड्राइव (परिणाम)

निर्माता ने एक शांत कमरे में एक बिल्ली (क्योंकि बिल्लियाँ मुख्य परीक्षण विषय थीं) के साथ इस डिवाइस का परीक्षण किया।

गति (Motion): डिवाइस सोने, चलने, दौड़ने और कूदने के बीच अंतर बताने में बहुत अच्छा था। इसने 90% बार सही परिणाम दिया।
ध्वनि (Sound): डिवाइस "शांत" और "तेज़" के बीच अंतर बताने में ठीक था, लेकिन यह बैकग्राउंड शोर (जैसे टीवी चालू होना) से धोखा खा जाता था। इसने ध्वनि को लगभग 82.5% बार सही पहचाना।
संयुक्त (Combined): जब इसने ध्वनि और गति दोनों का एक साथ उपयोग किया, तो इसने 92.5% बार अंतिम उत्तर सही दिया। यह तेज़ था, फोन को यह बताने में केवल 1 से 2 सेकंड का समय लेता था कि क्या हो रहा है।

"लेकिन..." (सीमाएँ)

यह पेपर इस बारे में बहुत ईमानदार है कि यह डिवाइस अभी क्या नहीं कर सकता:

यह मन पढ़ने वाला यंत्र नहीं है: यह आपको यह नहीं बता सकता कि आपका पालतू जानवर "दुखी" है या "खुश" है। यह केवल यह बता सकता है कि वे "तेज़ी से हिल रहे हैं" या "शोर कर रहे हैं"।
इसे ट्यूनिंग की आवश्यकता है: नियम (जैसे कि कितनी तेज़ आवाज़ "तेज़" है) हाथ से सेट किए गए थे। यदि आप इसे किसी अन्य जानवर (जैसे एक बड़े कुत्ते बनाम एक छोटी बिल्ली) पर लगाते हैं, तो नियमों को मैन्युअल रूप से बदलने की आवश्यकता हो सकती है।
यह शोर के प्रति संवेदनशील है: यदि आपका घर बहुत शोर वाला है, तो डिवाइस सोच सकता है कि आपका पालतू जानवर भौंक रहा है जबकि वह नहीं है।
यह एक प्रोटोटाइप है: यह एक काम करने वाला मॉडल है, कोई अंतिम उत्पाद नहीं जिसे आप आज खरीद सकें। यह लैब में अच्छा काम करता है, लेकिन निर्माता स्वीकार करता है कि इसे वास्तविक, व्यस्त घरों में और अधिक परीक्षण की आवश्यकता है।

निचोड़

यह पेपर एक स्मार्ट इंजीनियर की कहानी है जिसने एक "पेट ट्रांसलेटर" बनाने की कोशिश की, महसूस किया कि तकनीक उस विशिष्ट कार्य के लिए तैयार नहीं है, और इसके बजाय एक बहुत ही उपयोगी "पेट एक्टिविटी ट्रैकर" बनाया जो ध्वनि और गति को जोड़ता है। यह साबित करता है कि आप अपने पालतू जानवर के कॉलर पर एक स्मार्ट सेंसर लगा सकते हैं ताकि आपको वास्तविक समय में पता चल सके कि वे क्या कर रहे हैं, लेकिन फिलहाल, यह भावनाओं के बजाय कार्यों का वर्णन करने में बेहतर है।

तकनीकी सारांश: साथी पशु स्वरलहरी निगरानी के लिए नियम-आधारित IoT वियरेबल प्रोटोटाइप

समस्या विवरण
यह शोध पत्र पालतू जानवरों के व्यवहार की वास्तविक समय में निगरानी के लिए एक कम लागत वाले, हल्के और संसाधन-सीमित वियरेबल सिस्टम विकसित करने की चुनौती को संबोधित करता है। जबकि मौजूदा शोध ने गतिविधि वर्गीकरण के लिए एक्सेलेरोमीटर और पशु स्वरलहरी विश्लेषण के लिए डीप लर्निंग का सफलतापूर्वक उपयोग किया है, विशेष रूप से घरेलू पालतू जानवरों के लिए डिज़ाइन किए गए एकीकृत, मल्टी-मोडल सिस्टमों में एक महत्वपूर्ण अंतर है जो क्लाउड ऑफलोडिंग के बिना पूरी तरह से एम्बेडेड हार्डवेयर पर संचालित होते हैं।

पहचाना गया एक महत्वपूर्ण मुद्दा यह है कि माइक्रोकंट्रोलर-श्रेणी के उपकरणों पर पशु स्वरलहरियों से अर्थपूर्ण भावनात्मक अनुमान (जैसे, भूख और संकट के बीच अंतर करना) लगाना कठिन है। मूल डिजाइन उद्देश्य एक "पेट लैंग्वेज ट्रांसलेटर" (पालतू भाषा अनुवादक) बनाने का था जो स्वरलहरियों को भावनात्मक अवस्थाओं से जोड़ सके। हालांकि, लेखक नोट करते हैं कि यह लक्ष्य मौलिक बाधाओं का सामना करता है: पशु भावनाओं के लिए मानकीकृत, एनोटेटेड डेटासेट की कमी, स्वरलहरियों में उच्च अंतः-प्रजाति परिवर्तनशीलता, पर्यावरणीय शोर का हस्तक्षेप, और कम-शक्ति वाले माइक्रोकंट्रोलर की कम्प्यूटेशनल सीमाएं जो विश्वसनीय ऑडियो सिमेंटिक डिकोडिंग के लिए आवश्यक जटिल डीप लर्निंग मॉडल के उपयोग को रोकती हैं।

कार्यप्रणाली (मेथोडोलॉजी)
प्रस्तावित समाधान एक चार-स्तरीय मॉड्यूलर IoT फ्रेमवर्क है जो ESP32-WROOM-32 माइक्रोकंट्रोलर पर केंद्रित है। यह सिस्टम दो प्राथमिक संवेदन मोड (sensing modalities) को एकीकृत करता है:

ध्वनिक संवेदन (Acoustic Sensing): एक INMP441 डिजिटल MEMS माइक्रोफोन 16 kHz पर ऑडियो कैप्चर करता है। सिस्टम एक 256-सैंपल बफर पर औसत पूर्ण आयाम ( $A_{avg}$ ) की गणना करता है।
गति संवेदन (Motion Sensing): एक MPU6050 6-एक्सिस IMU (एक्सेलेरोमीटर और जायरोस्कोप) 100 Hz पर नमूने लेता है। सिस्टम त्वरण और जायरोस्कोप डेटा के लिए स्केलर मैग्नीट्यूड, साथ ही 50-सैंपल स्लाइडिंग विंडो पर सांख्यिकीय विशेषताओं जैसे कि मानक विचलन ( $\sigma_a$ ) और पीक-टू-पीक रेंज ( $P_{pp}$ ) की गणना करता है।

वर्गीकरण और फ्यूजन लॉजिक
लक्ष्य हार्डवेयर पर डीप लर्निंग मॉडल चलाने में असमर्थता के कारण, लेखकों ने एक नियम-आधारित वर्गीकरण फ्रेमवर्क लागू किया:

ध्वनिक नियम (Acoustic Rules): पदानुक्रमित थ्रेशोल्ड ( $T_1=1200, T_2=2500, T_3=4000$ ) औसत आयाम को ह्यूरिस्टिक अवस्थाओं (शांत, निम्न, मध्यम, उच्च गतिविधि) में मैप करते हैं। लेखक स्पष्ट रूप से स्वीकार करते हैं कि ये तीव्रता के प्रॉक्सी हैं, न कि अर्थपूर्ण भावनात्मक लेबल।
गति नियम (Motion Rules): $\sigma_a, g_{std}, P_{pp}$ और न्यूनतम त्वरण ( $a_{min}$ ) पर आधारित निर्णय वृक्ष (decision trees) गतिविधियों को विश्राम (Resting), टहलना (Pacing), दौड़ना (Running) और कूदना (Jumping) में वर्गीकृत करते हैं।
मल्टी-मोडल फ्यूजन (Multi-Modal Fusion): एक नियत लुकअप टेबल ध्वनिक और गति आउटपुट को जोड़कर एक संयुक्त व्यवहारिक अवस्था उत्पन्न करती है। उदाहरण के लिए, "उच्च गतिविधि" (ध्वनिक) को "दौड़ना" (गति) के साथ मिलाने पर इसे "उत्साह" (Excitement) के रूप में व्याख्यायित किया जाता है, जबकि "उच्च गतिविधि" को "विश्राम" के साथ मिलाने पर इसे "संकट" (Distress) या "ध्यान आकर्षित करना" (Attention Seeking) के रूप में व्याख्यायित किया जाता है।

सिस्टम ब्लूटूथ क्लासिक (SPP) के माध्यम से एक साथी मोबाइल एप्लिकेशन (MIT App Inventor के साथ निर्मित) को डेटा प्रसारित करता है, जिसका औसत एंड-टू-एंड विलंबता (latency) 1-2 सेकंड है।

प्रमुख योगदान

प्रोटोटाइप विकास: ESP32 प्लेटफॉर्म पर ध्वनिक और जड़त्वीय (inertial) संवेदन को एकीकृत करने वाले एक स्व-निहित, कम लागत वाले वियरेबल डिवाइस का निर्माण, जो स्थानीय प्रसंस्करण और वायरलेस ट्रांसमिशन में सक्षम है।
नियम-आधारित मल्टी-मोडल फ्रेमवर्क: एक हल्का वर्गीकरण सिस्टम जो एकल-सेंसर दृष्टिकोणों की तुलना में संदर्भ संबंधी मजबूती (contextual robustness) में सुधार करने के लिए ध्वनिक तीव्रता और गति सांख्यिकी को फ्यूज करता है।
महत्वपूर्ण डिजाइन विकास: एक "अर्थपूर्ण भावना पहचान" लक्ष्य से एक व्यावहारिक "व्यवहार अवस्था अनुमान" प्रतिमान की ओर डिजाइन परिवर्तन का पारदर्शी दस्तावेजीकरण। इसमें इस बात का विफलता विश्लेषण शामिल है कि क्यों आयाम-आधारित ध्वनिक विशेषताएं एम्बेडेड हार्डवेयर पर भावनात्मक वैलेंस को विश्वसनीय रूप से डिकोड नहीं कर सकती हैं।
प्रायोगिक सत्यापन: एक व्यवस्थित तीन-चरणीय मूल्यांकन (केवल ध्वनिक, केवल गति, और संयुक्त) जो नियंत्रित स्थितियों के तहत सिस्टम के प्रदर्शन को प्रदर्शित करता है।

प्रायोगिक परिणाम
प्रोटोटाइप का मूल्यांकन अंशांकन (calibration) के लिए एक घरेलू बिल्ली को प्राथमिक विषय के रूप में उपयोग करते हुए एक नियंत्रित इनडोर वातावरण में किया गया था।

मोशन सबसिस्टम: उच्च निरंतरता (90% समग्र) प्रदर्शित किया, जिसने विश्राम, टहलना, दौड़ना और कूदना को सही ढंग से वर्गीकृत किया। इसने बेसलाइन विश्राम परीक्षणों के दौरान कोई गलत ट्रिगर नहीं दिखाया।
ध्वनिक सबसिस्टम: 82.5% निरंतरता प्राप्त की। जबकि "शांत" और "उच्च गतिविधि" अवस्थाओं को उच्च सटीकता (95-100%) के साथ पता लगाया गया, "निम्न" और "मध्यम" गतिविधि वर्गों को सीमावर्ती थ्रेशोल्ड समस्याओं का सामना करना पड़ा। महत्वपूर्ण रूप से, ध्वनिक सबसिस्टम ने बेसलाइन परीक्षणों के दौरान परिवेशी शोर के कारण 15% गलत ट्रिगर दर प्रदर्शित की, जो आयाम-मात्र विश्लेषण की सीमा की पुष्टि करती है।
मल्टी-मोडल फ्यूजन: संयुक्त सिस्टम ने 92.5% समग्र अवस्था सटीकता प्राप्त की। फ्यूजन लॉजिक ने ध्वनिक घटनाओं को गति संदर्भ के साथ क्रॉस-रेफरेंस करके अस्पष्टता को सफलतापूर्वक कम किया।
विलंबता (Latency): सिस्टम ने लगभग 1-2 सेकंड की प्रतिक्रिया विलंबता बनाए रखी, जो वास्तविक समय की निगरानी के लिए उपयुक्त है।

महत्व और दावे
यह शोध पत्र मुख्य रूप से एक टेक्नोलॉजी रेडीनेस लेवल (TRL) 4 के रूप में अपनी महत्ता का दावा करता है, जो यह प्रदर्शित करता है कि संसाधन-सीमित हार्डवेयर पर वास्तविक समय की, एम्बेडेड, मल्टी-मोडल व्यवहारिक निगरानी संभव है।

लेखक इस प्रणाली की उपयोगिता को एक निश्चित "पेट लैंग्वेज ट्रांसलेटर" के बजाय एक सहायक निगरानी उपकरण के रूप में विनम्रतापूर्वक प्रस्तुत करते हैं, जो बुजुर्ग व्यक्तियों और सीमित गतिशीलता वाले उपयोगकर्ताओं के लिए उपयोगी है। अर्थपूर्ण भावना डिकोडिंग से व्यवहार अवस्था अनुमान (जैसे, संकट, उत्साह या निष्क्रियता का पता लगाना) पर ध्यान केंद्रित करके, सिस्टम निरंतर मानवीय अवलोकन के बोझ को कम करने और समय पर देखभाल प्रतिक्रियाओं को सक्षम करने का लक्ष्य रखता है।

अध्ययन इस बात पर जोर देता है कि हालांकि वर्तमान नियम-आधारित दृष्टिकोण कार्यात्मक है, लेकिन यह मैनुअल थ्रेशोल्ड अंशांकन और शोर संवेदनशीलता से सीमित है। लेखक तर्क देते हैं कि भविष्य के संस्करणों को ध्वनिक वर्गीकरण की मजबूती और विभिन्न पशु नस्लों और वातावरणों में सामान्यीकरण में सुधार के लिए मशीन लर्निंग (जैसे, TensorFlow Lite Micro) और बड़े, एनोटेटेड डेटासेट को शामिल करना चाहिए। शोध पत्र निष्कर्ष निकालता है कि एक महत्वाकांक्षी अर्थपूर्ण लक्ष्य से एक व्यावहारिक व्यवहार अनुमान प्रणाली की ओर संक्रमण, एम्बेडेड सिस्टम समुदाय को ध्वनिक भावनात्मक अनुमान की व्यवहार्यता की सीमाओं के संबंध में मूल्यवान अनुभवजन्य मार्गदर्शन प्रदान करता है।