⚡ electrical engineering

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

本文介绍了利用 ESP32、MEMS 微型麦克风和惯性测量单元（IMU）设计并评估的一种基于规则的物联网可穿戴原型，该原型通过实时多模态传感器融合来监测伴侣动物的行为状态，同时批判性地记录了由于嵌入式计算限制而从语义情感识别向可行状态估计的转变。

原作者： Muhammad Ali Siddiqui

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Muhammad Ali Siddiqui

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你有一个宠物项圈，它就像一个微型、超智能的小侦探。它的工作是倾听你宠物的声音并观察它们的动作，然后通过手机告诉你它们现在正在做什么。这就是由 Muhammad Ali Siddiqui 设计的这款原型设备的故事，旨在帮助那些（尤其是那些可能无法整天密切观察宠物的人）更好地了解他们的毛茸茸朋友。

以下是该论文使用简单类比对这项发明进行的拆解：

侦探的工具箱（硬件）

把这个设备想象成宠物的一个小背包。在这个背包里有三种主要工具：

耳朵（麦克风）： 一个微型数字麦克风 (INMP441)，负责倾听宠物发出的每一种声音。
内耳（运动传感器）： 一个运动传感器 (MPU6050)，它就像人类的内耳一样，能感知宠物每一次的摇晃、跳跃和迈步。
大脑（微控制器）： 一个 ESP32 芯片，它充当大脑。它体积小、成本低且功能强大，足以在本地进行即时数学运算，而不需要向云端的巨型计算机求助。

最初的梦想 vs. 现实的检查

梦想： 创造者最初想打造一个“宠物翻译官”。其构想是，如果狗以某种方式吠叫，设备就会说：“它饿了，”或者“它很伤心。”这就像是在尝试即时翻译一种外语。

现实检查： 在制作出原型设备后，创造者意识到这个梦想对于设备内部那颗微小的“大脑”来说太宏大了。

问题所在： 一声大叫可能意味着“我很兴奋！”，也可能意味着“我害怕了！”，或者“我想吃零食！”仅仅通过监听声音的大小（音量）并不足以了解宠物的感受。这就像试图仅凭一个人喊叫的声音有多大来猜测他是开心还是愤怒一样；如果不看表情或了解具体情况，你无法分辨其中的区别。
转型： 创造者不得不改变目标。该设备不再是一个“宠物翻译官”（猜测情绪），而变成了一个“宠物活动监测器”（猜测动作）。它不再试图猜测“感受”，而是开始专注于宠物“实际在做什么”。

现在是如何工作的（规则）

由于该设备过于微小，无法使用复杂的“人工智能”（类似于从数千个案例中学习的大脑），它使用的是一套简单的“如果-那么”规则集，就像交通信号灯系统一样。

倾听（声音规则）：
- 如果声音非常轻 $\rightarrow$ 宠物处于 安静/休息 状态。
- 如果声音中等 $\rightarrow$ 宠物处于 低活动量 状态（可能只是在四处张望）。
- 如果声音很大 $\rightarrow$ 宠物处于 高活动量 状态（可能正在大声吠叫或喵喵叫）。
观察（运动规则）：
- 如果传感器感觉不到移动 $\rightarrow$ 休息。
- 如果传感器感觉到持续、缓慢的摇晃 $\rightarrow$ 踱步（来回走动）。
- 如果传感器感觉到快速的抖动 $\rightarrow$ 奔跑。
- 如果传感器感觉到突然、剧烈的冲击 $\rightarrow$ 跳跃。
神奇的融合（融合）：
真正的魔力发生在设备结合声音和运动的时候。
- 场景 A： 大声 + 奔跑 = 兴奋/玩耍。
- 场景 B： 大声 + 站立不动 = 困扰或寻求关注（宠物在叫喊但没有移动，这可能意味着它们被困住了或感到不安）。
- 场景 C： 轻微声音 + 休息 = 平静/睡眠。

实测阶段（结果）

创造者在一个安静的房间里用一只猫测试了这个设备（因为猫是主要的测试对象）。

运动： 设备在区分睡眠、行走、奔跑和跳跃方面表现得非常好，准确率达到了 90%。
声音： 设备在区分“安静”和“大声”方面表现尚可，但有时会被背景噪音（如电视开机）所迷惑。它识别声音的准确率约为 82.5%。
结合： 当同时使用声音和运动时，它得出最终答案的准确率达到了 92.5%。它反应很快，只需 1 到 2 秒就能将发生的情况告知手机。

“但是……”（局限性）

这篇论文非常诚实地说明了该设备目前不能做什么：

它不是读心者： 它无法告诉你你的宠物是“伤心”还是“开心”。它只能告诉你它们是“动作很快”还是“发出噪音”。
它需要调优： 规则（例如多大声音算“大声”）是手动设置的。如果你把它戴在不同的动物身上（比如大狗对比小猫），规则可能需要手动更改。
它对噪音很敏感： 如果你的家里很吵，设备可能会误以为你的宠物在吠叫，而实际上并没有。
它是一个原型： 这是一个工作模型，而不是今天就能买到的成品。它在实验室里表现良好，但创造者承认它需要在真实的、杂乱的家庭环境中进行更多测试。

总结

这篇论文讲述了一位聪明的工程师如何尝试构建一个“宠物翻译官”，意识到技术在处理该特定任务时尚未成熟，转而构建了一个非常实用的“宠物活动追踪器”，它结合了声音与运动。它证明了你可以通过在宠物项圈上安装智能传感器来实时告知你它们的活动，但就目前而言，它更擅长描述“动作”而非“情绪”。

技术摘要：基于规则的伴侣动物鸣叫监测物联网可穿戴原型

问题陈述
本文探讨了开发一种低成本、轻量化且资源受限的物联网可穿戴系统，用于实时监测伴侣动物行为所面临的挑战。虽然现有的研究已成功利用加速度计进行活动分类，并利用深度学习进行动物鸣叫分析，但在专门为宠物设计、且完全在嵌入式硬件上运行而不依赖云端卸载的集成多模态系统方面，仍存在显著空白。

文中识别出的一个关键问题是，在微控制器类设备上难以从宠物鸣叫中进行语义情感推理（例如，区分饥饿与痛苦）。最初的设计目标旨在创建一个将鸣叫映射到情感状态的“宠物语言翻译器”。然而，作者指出这一目标面临着根本性的障碍：缺乏标准化的、带有情感标注的宠物数据集；物种内部鸣叫模式的高度变异性；环境噪声的干扰；以及低功耗微控制器的计算能力限制，这使得无法使用复杂的深度学习模型来进行可靠的音频语义解码。

方法论
所提出的解决方案是一个以 ESP32-WROOM-32 微控制器为核心的四层模块化物联网框架。该系统集成了两种主要的感知模态：

声学感知： 使用 INMP441 数字 MEMS 麦克风以 16 kHz 的频率采集音频。系统计算 256 个采样缓冲区的平均绝对振幅 ( $A_{avg}$ )。
运动感知： 使用 MPU6050 六轴惯性测量单元（IMU，包含加速度计和陀螺仪），采样频率为 100 Hz。系统计算加速度和陀螺仪数据的标量大小，并计算 50 个采样点的滑动窗口内的统计特征，如标准差 ( $\sigma_a$ ) 和峰峰值范围 ( $P_{pp}$ )。

分类与融合逻辑
由于目标硬件无法运行深度学习模型，作者实现了一个基于规则的分类框架：

声学规则： 通过分层阈值（ $T_1=1200, T_2=2500, T_3=4000$ ）将平均振幅映射为启发式状态（静默、低度、中度、高度活动）。作者明确承认这些仅是强度代理指标，而非语义情感标签。
运动规则： 基于 $\sigma_a$ 、 $g_{std}$ 、 $P_{pp}$ 和最小加速度 ( $a_{min}$ ) 的决策树，将活动分类为静止、踱步、奔跑和跳跃。
多模态融合： 使用确定性查找表结合声学和运动输出，生成复合行为状态。例如，“高度活动”（声学）结合“奔跑”（运动）被解释为“兴奋”；而“高度活动”结合“静止”则被解释为“痛苦”或“寻求关注”。

系统通过蓝牙经典（SPK）将数据传输至配套的移动应用程序（使用 MIT App Inventor 构建），平均端到端延迟为 1–2 秒。

核心贡献

原型开发： 创建了一个集成了声学和惯性感知的自包含、低成本可穿戴设备，基于 ESP32 平台，具备本地处理和无线传输能力。
基于规则的多模态框架： 实现了一个轻量级分类系统，通过融合声学强度和运动统计数据，提高了相比单传感器方法的上下文鲁棒性。
批判性的设计演进： 透明地记录了设计目标从不可行的“语义情感识别”向实用的“行为状态估计”范式的转变。这包括对为何基于振幅的声学特征无法在嵌入式硬件上可靠解码情感效价进行的失效分析。
实验验证： 通过系统的三阶段评估（仅声学、仅运动和组合模式），证明了该系统在受控条件下的性能。

实验结果
原型在受控的室内环境中使用一只家猫作为主要校准对象进行了评估。

运动子系统： 展示了高度的一致性（总体 90%），能够正确分类静止、踱步、奔跑和跳跃。在基准静止试验中未出现误触发。
声学子系统： 实现了 82.5% 的一致性。虽然“静默”和“高度活动”状态检测准确率较高（95–100%），但“低度”和“中度”活动类别受到了边界阈值问题的影响。至关重要的是，声学子系统在基准试验期间出现了 15% 的误触发率，这归因于环境噪声，证实了仅基于振幅分析的局限性。
多模态融合： 组合系统达到了 92.5% 的复合状态准确率。融合逻辑通过交叉引用声学事件与运动上下文，成功降低了歧义。
延迟： 系统保持了约 1–2 秒的响应延迟，适用于实时监测。

意义与主张
本文的主张主要在于其作为技术成熟度等级（TRL）为 4 的概念验证的意义，证明了在资源受限的硬件上实现实时、嵌入式、多模态行为监测是可行的。

作者谦逊地将该系统的用途定位为辅助监测工具，而非确定的“宠物语言翻译器”，主要面向老年人及行动不便的用户。通过将重点从语义情感解码转向行为状态估计（例如，检测痛苦、兴奋或不活动），该系统旨在减轻持续人工观察的负担，并实现及时的护理响应。

研究强调，虽然目前的基于规则的方法是有效的，但受限于手动阈值校准和噪声敏感性。作者认为，未来的迭代应引入机器学习（例如 TensorFlow Lite Micro）和更大的带标注数据集，以提高声学分类的鲁棒性和在不同动物品种及环境中的泛化能力。论文总结道，从宏大的语义目标向实用的行为估计系统的转变，为嵌入式系统领域关于声学情感推理可行性边界的研究提供了宝贵的经验指导。