⚡ electrical engineering

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

Dit artikel presenteert het ontwerp en de evaluatie van een regelgebaseerd IoT-wearable prototype met behulp van een ESP32, een MEMS-microfoon en een IMU om de gedragsstatussen van gezelschapsdieren te monitoren via realtime multimodale sensorfusie, terwijl de verschuiving van semantische emotieherkenning naar haalbare staatsschatting vanwege ingebedde computationele beperkingen kritisch wordt gedocumenteerd.

Oorspronkelijke auteurs: Muhammad Ali Siddiqui

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Muhammad Ali Siddiqui

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een huisdier halsband hebt die werkt als een kleine, super slimme detective. Zijn taak is om naar de stem van je huisdier te luisteren en te kijken hoe ze bewegen, en dan op je telefoon te vertellen wat je huisdier op dit moment aan het doen is. Dit is het verhaal van een prototype apparaat gebouwd door Muhammad Ali Siddiqui, ontworpen om mensen (vooral zij die misschien moeite hebben om de hele dag goed op hun huisdieren te letten) hun harige vrienden beter te laten begrijpen.

Hier is hoe het artikel deze uitvinding uiteenzet, met behulp van eenvoudige analogieën:

De Gereedschapskist van de Detective (De Hardware)

Zie het apparaat als een klein rugzakje voor een huisdier. In deze rugzak zitten drie belangrijke gereedschappen:

De Oren (Microfoon): Een kleine digitale microfoon (INMP441) die naar elk geluid luistert dat het huisdier maakt.
Het Binnenoor (Bewegingssensor): Een bewegingssensor (MPU6050) die werkt als het menselijk evenwichtsorgaan, en elke schok, sprong en stap die het huisdier zet, voelt.
Het Brein (Microcontroller): Een ESP32-chip die fungeert als het brein. Het is klein, goedkoop en krachtig genoeg om direct berekeningen uit te voeren zonder hulp nodig te hebben van een enorme computer in de cloud.

De Oorspronkelijke Droom versus de Realiteitscheck

De Droom: De maker wilde oorspronkelijk een "Huisdiervertaler" bouwen. Het idee was dat als de hond op een bepaalde manier blafte, het apparaat zou zeggen: "Hij heeft honger," of "Ze is verdrietig." Het was alsof je een vreemde taal direct probeerde te vertalen.

De Realiteitscheck: Na het bouwen van het prototype realiseerde de maker zich dat deze droom te groot was voor het kleine brein in het apparaat.

Het Probleem: Een harde blaf kan betekenen "Ik ben enthousiast!", of "Ik ben bang!", of "Ik wil een snoepje!". Alleen luisteren naar hoe hard de blaf is (het volume), is niet genoeg om te weten wat het huisdier voelt. Het is alsof je probeert te raden of een persoon blij of boos is door alleen te horen hoe hard ze schreeuwen; je kunt het verschil niet weten zonder hun gezicht te zien of de situatie te kennen.
De Koerswijziging: De maker moest het doel veranderen. In plaats van een "Huisdiervertaler" (die emoties raadt), werd het apparaat een "Huisdier Activiteitsmonitor" (die acties raadt). Het stopte met het proberen te raden van gevoelens en begon zich te richten op wat het huisdier daadwerkelijk aan het doen is.

Hoe het Nu Werkt (De Regels)

Omdat het apparaat te klein is om complexe "Artificiële Intelligentie" te gebruiken (zoals een brein dat leert van duizenden voorbeelden), gebruikt het een simpel "Als-Dan" regelboekje, zoals een verkeerslichtsysteem.

Luisteren (De Geluidsregels):
- Als het geluid heel zacht is $\rightarrow$ Het huisdier is Stil/Rustend.
- Als het geluid gemiddeld is $\rightarrow$ Het huisdier heeft Lage Activiteit (miss bent het gewoon aan het rondkijken).
- Als het geluid hard is $\rightarrow$ Het huisdier heeft Hoge Activiteit (het blaft of miauwt misschien hard).
Kijken (De Bewegingsregels):
- Als de sensor geen beweging voelt $\rightarrow$ Rustend.
- Als de sensor een constante, langzame schok voelt $\rightarrow$ Ijsberen (heen en weer lopen).
- Als de sensor snelle schokken voelt $\rightarrow$ Rennen.
- Als de sensor een plotselinge, scherpe ruk voelt $\rightarrow$ Springen.
De Magische Mix (Fusie):
De echte magie gebeurt wanneer het apparaat het geluid en de beweging combineert.
- Scenario A: Hard geluid + Rennen = Enthousiasme/Spelen.
- Scenario B: Hard geluid + Stilstaan = Noodgeval of Aandacht vragen (Het huisdier schreeuwt maar beweegt niet, wat kan betekenen dat het vastzit of overstuur is).
- Scenario C: Zacht geluid + Rusten = Kalm/Slapend.

De Proefrit (Resultaten)

De maker testte dit apparaat in een stille kamer met een kat (omdat katten het belangrijkste testonderwerp waren).

Beweging: Het apparaat was erg goed in het onderscheiden van slapen, lopen, rennen en springen. Het had het in 90% van de gevallen goed.
Geluid: Het apparaat was redelijk in het onderscheiden van "zacht" en "hard", maar kon soms in de war worden gebracht door achtergrondgeluiden (zoals een tv die aangaat). Het had het geluid in ongeveer 82,5% van de gevallen goed.
Gecombineerd: Wanneer het zowel geluid als beweging samen gebruikte, had het het uiteindelijke antwoord in 92,5% van de gevallen goed. Het was snel en deed er slechts 1 tot 2 seconden over om de telefoon te vertellen wat er aan de hand was.

De "Maar..." (Beperkingen)

Het artikel is zeer eerlijk over wat dit apparaat nog niet kan:

Het is geen gedachtenlezer: Het kan niet vertellen of je huisdier "verdrietig" of "blij" is. Het kan alleen vertellen of ze "snel bewegen" of "geluid maken".
Het heeft afstelling nodig: De regels (zoals hoe hard is "hard") werden handmatig ingesteld. Als je dit bij een ander dier zou dragen (zoals een grote hond versus een kleine kat), moeten de regels mogelijk handmatig worden aangepast.
Het is gevoelig voor geluid: Als je huis erg luidruchtig is, kan het apparaat denken dat je huisdier blaft terwijl dat niet zo is.
Het is een prototype: Dit is een werkend model, geen afgewerkt product dat je vandaag kunt kopen. Het werkt goed in een laboratorium, maar de maker geeft toe dat er meer testen nodig zijn in echte, rommelige huishoudens.

De Kernboodschap

Dit artikel is het verhaal van een slimme ingenieur die probeerde een "Huisdiervertaler" te bouwen, besefte dat de technologie nog niet klaar was voor die specifieke taak, en in plaats daarvan een zeer nuttige "Huisdier Activiteitstracker" bouwde die geluid en beweging combineert. Het bewijst dat je een slimme sensor aan de halsband van een huisdier kunt bevestigen om je in realtime te vertellen wat ze aan het doen zijn, maar voor nu is het beter in het beschrijven van acties dan van emoties.

Technische Samenvatting: Regelgebaseerd IoT-prototype voor de monitoring van vocalisaties bij gezelschapsdieren

Probleemstelling
Het artikel behandelt de uitdaging van het ontwikkelen van een goedkoop, lichtgewicht en met beperkte middelen uitgerust draagbaar systeem voor de realtime monitoring van het gedrag van gezelschapsdieren. Terwijl bestaand onderzoek succesvol versnellingsmeters heeft gebruikt voor activiteitsclassificatie en deep learning voor de analyse van vocalisaties bij dieren, is er een aanzienlijke kloof in geïntegreerde, multimodale systemen die specifiek zijn ontworpen voor huisdieren en die volledig op embedded hardware werken zonder cloud-offloading.

Een kritiek probleem dat wordt geïdentificeerd, is de moeilijkheid van het uitvoeren van semantische emotionele inferentie (bijv. het onderscheiden van honger van stress) vanuit de vocalisaties van huisdieren op microcontrollersystemen. Het oorspronkelijke ontwerpdoel be aimed op het creëren van een "vertaler voor de taal van huisdieren" die vocalisaties koppelt aan emotionele toestanden. De auteurs merken echter op dat dit doel fundamentele barrières ondervindt: het gebrek aan gestandaardiseerde, geannoteerde datasets voor dierlijke emoties, een hoge intra-soort variabiliteit in vocale patronen, interferentie door omgevingsgeluid en de computationele beperkingen van energiezuinige microcontrollers, wat het gebruik van complexe deep learning-modellen die nodig zijn voor betrouwbare akoestische semantische decodering verhindert.

Methodologie
De voorgestelde oplossing is een modulair vierlaags IoT-framework gecentreerd rond een ESP32-WROOM-32 microcontroller. Het systeem integreert twee primaire sensormodaliteiten:

Akoestische detectie: Een INMP441 digitale MEMS-microfoon legt audio vast op 16 kHz. Het systeem berekent de gemiddelde absolute amplitude ( $A_{avg}$ ) over een buffer van 256 samples.
Bewegingsdetectie: Een MPU6050 6-assige IMU (versnellingsmeter en gyroscoop) samplet op 100 Hz. Het systeem berekent scalaire grootheden voor versnelling en gyroscoopgegevens, samen met statistische kenmerken zoals de standaarddeviatie ( $\sigma_a$ ) en de piek-tot-piek range ( $P_{pp}$ ) over een verschuivend venster van 50 samples.

Classificatie- en Fusielogica
Vanwege het onvermogen om deep learning-modellen op de beoogde hardware uit te voeren, hebben de auteurs een regelgebaseerd classificatieframework geïmplementeerd:

Akoestische regels: Hiërarchische drempelwaarden ( $T_1=1200, T_2=2500, T_3=4000$ ) koppelen de gemiddelde amplitude aan heuristische toestanden (Stil, Lage activiteit, Matige activiteit, Hoge activiteit). De auteurs erkennen expliciet dat dit intensiteitsindicatoren zijn, en geen semantische emotionele labels.
Bewegingsregels: Beslissingsbomen gebaseerd op $\sigma_a$ , $g_{std}$ , $P_{pp}$ en minimale versnelling ( $a_{min}$ ) classificeren activiteiten in Rusten, Wandelen, Rennen en Springen.
Multimodale Fusie: Een deterministische lookup-tabel combineert de akoestische en bewegingsoutputs om een samengestelde gedragstoestand te genereren. Bijvoorbeeld, "Hoge activiteit" (akoestisch) gecombineerd met "Rennen" (beweging) wordt geïnterpreteerd als "Opwinding", terwijl "Hoge activiteit" met "Rusten" wordt geïnterpreteerd als "Stress" of "Aandacht zoeken".

Het systeem verzendt gegevens via Bluetooth Classic (SPP) naar een begeleidende mobiele applicatie (gebouwd met MIT App Inventor) met een gemiddelde end-to-end latentie van 1–2 seconden.

Belangrijkste Bijdragen

Prototypeontwikkeling: Creatie van een zelfstandig, goedkoop draagbaar apparaat dat akoestische en inertiële detectie integreert op een ESP32-platform, in staat tot lokale verwerking en draadloze transmissie.
Regelgebaseerd Multimodaal Framework: Implementatie van een lichtgewicht classificatiesysteem dat akoestische intensiteit en bewegingsstatistieken fuseert om de contextuele robuustheid te verbeteren ten opzichte van single-sensor benaderingen.
Kritische Ontwerpevolutie: Een transparante documentatie van de ontwerpwijziging van een onhaalbaar doel van "semantische emotieherkenning" naar een praktisch paradigma van "gedragsstaat-schatting". Dit omvat een foutanalyse van waarom amplitude-gebaseerde akoestische kenmerken niet betrouwbaar emotionele valentie kunnen decoderen op embedded hardware.
Experimentele Validatie: Een systematische evaluatie in drie fasen (alleen akoestisch, alleen beweging en gecombineerd) die de prestaties van het systeem onder gecontroleerde omstandigheden aantoont.

Experimentele Resultaten
Het prototype werd geëvalueerd in een gecontroleerde binnenomgeving met een huiskat als primair onderwerp voor kalibratie.

Bewegingssubsysteem: Toonde een hoge consistentie (90% totaal) en classificeerde correct Rusten, Wandelen, Rennen en Springen. Het vertoonde geen valse triggers tijdens baseline rustproeven.
Akoestisch subsysteem: Behaalde een consistentie van 82,5%. Hoewel de staten "Stil" en "Hoge activiteit" met hoge nauwkeurigheid werden gedetecteerd (95–100%), leden de klassen "Lage" en "Matige" activiteit onder grenswaarde-problemen. Cruciaal was dat het akoestische subsysteem een foutieve trigger-rate van 15% vertoonde tijdens baseline-proeven door omgevingsgeluid, wat de beperking van amplitude-alleen analyse bevestigt.
Multimodale Fusie: Het gecombineerde systeem bereikte een gecombineerde staat-nauwkeurigheid van 92,5%. De fusielogica slaagde erin ambiguïteit te verminderen door akoestische gebeurtenissen te kruisverwijzen met de bewegingscontext.
Latentie: Het systeem behield een reactietijd van ongeveer 1–2 seconden, wat geschikt is voor real-time monitoring.

Betekenis en Claims
Het artikel claimt vooral betekenis te hebben als een proof-of-concept op Technology Readiness Level (TRL) 4, waarbij wordt aangetoond dat real-time, embedded, multimodale gedragsmonitoring haalbaar is op hardware met beperkte middelen.

De auteurs kaderen de bruikbaarheid van het systeem bescheiden, niet als een definitieve "vertaler voor de taal van huisdieren", maar als een ondersteunend monitoringsinstrument voor ouderen en gebruikers met beperkte mobiliteit. Door de focus te verleggen van semantische emotie-decodering naar gedragsstaat-schatting (bijv. het detecteren van stress, opwinding of inactiviteit), beoogt het systeem de last van constante menselijke observatie te verminderen en tijdige zorgrespons mogelijk te maken.

De studie benadrukt dat hoewel de huidige regelgebaseerde aanpak functioneel is, deze beperkt wordt door handmatige drempelkalibratie en gevoeligheid voor ruis. De auteurs stellen dat toekomstige iteraties machine learning (bijv. TensorFlow Lite Micro) en grotere, geannoteerde datasets moeten integreren om de robuustheid van de akoestische classificatie en de generalisatie over verschillende honden- en kattenrassen en omgevingen te verbeteren. Het artikel concludeert dat de overgang van een ambitieus semantisch doel naar een praktisch systeem voor gedragschatting waardevolle empirische begeleiding biedt aan de embedded systems gemeenschap met betrekking tot de grenzen van haalbaarheid in akoestische emotionele inferentie.