Перспектива створення бюджетного робота-асистента для медичних закладів на базі платформи Waffle PI4 зі сканером венозного рисунка долоні

Автор(и)

  • В. В. Ануфрієв Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0009-0003-3178-8873
  • О. О. Левченко Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0000-0003-2263-9991
  • Є. В. Левченко Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0000-0002-9807-3325
  • В. А. Чекубашева Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0000-0002-9238-9628
  • О. В. Глухов Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0000-0003-2453-5504
  • О. Б. Галат Харківський національний університет радіоелектроніки, м. Харків, Україна https://orcid.org/0000-0002-8843-7949

DOI:

https://doi.org/10.20535/RADAP.2024.98.46-54

Ключові слова:

робот, TurtleBot, Raspberry Pi, біометричний сканер, скелетонізація зображення, згорткова нейронна мережа

Анотація

Розроблено комплекс модифікацій для роботизованої платформи TurtleBot 3 Waffle Pi. Одним із ключових досягнень даної роботи є створення системи біометричної ідентифікації на основі венозного рисунка долоні. Робота системи ідентифікації заснована на використанні інфрачервоного випромінювання, що поглинається гемоглобіном венозної системи долоні. Поглинуте випромінювання створює чіткий візерунок, який можна зафіксувати за допомогою камери без інфрачервоного фільтра. Отримане зображення попередньо обробляється для зменшення шуму та уніфікації з іншими зображеннями для подальшого їх використання у тренуванні згорткової нейронної мережі, що використовується для ідентифікації пацієнта. Даний метод ідентифікації дозволяє з високою швидкістю і точністю ідентифікувати пацієнта, навіть при наявності бруду або подряпин на долоні. Описані модифікації спрямовані на розширення можливостей платформи для військово-медичного застосування. Інтегруючи ці модифікації в роботизовану платформу TurtleBot 3 Waffle Pi, військові та цивільні госпіталі можуть покращити свої можливості з надання своєчасної та точної медичної допомоги тим, хто її потребує.

Посилання

References

Liu, G.-D. et al. (2021). Military medical research on internal diseases in modern warfare: new concepts, demands, challenges, and opportunities. Military medical research, Vol. 8, Article number: 20. DOI:10.1186/s40779-021-00313-8.

Chekubasheva, V. et al. (2022). Possibility of Creating a Low-Cost Robot Assistant for Use in General Medical Institutions During the COVID-19 Pandemic. In: Blaschke, D., Firsov, D., Papoyan, A., Sarkisyan, H.A. (eds) Optics and Its Applications. Springer Proceedings in Physics, Vol 281, pp. 203–213. DOI:10.1007/978-3-031-11287-4_16.

Chekubasheva, V. A. et al. (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, Vol. 11, 100215. DOI:10.1016/j.biosx.2022.100215.

Yao, Z., Ma, N. and Chen, Y. (2023). An Autonomous Mobile Combination Disinfection System. Sensors, Vol. 24 (1), 53. DOI:10.3390/s24010053.

Chelvam, Y. K., Zamin, N. and Steele, G. S. (2014). A Preliminary Investigation of M3DITRACK3R: A Medicine Dispensing Mobile Robot for Senior Citizens. Procedia computer science, Vol. 42, pp. 240–246. DOI:10.1016/j.procs.2014.11.058.

Fauzi, R., Mustari, A. та Lutfiyana. (2023). Medical Assistant Robot With Patient Trajectory Reading Based on Odometry using Photovoltaic source. IOP Conference Series: Earth and Environmental Science, 1157, 012043. DOI:10.1088/1755-1315/1157/1/012043.

Vasco, V. et al. (2022). HR1 Robot: An Assistant for Healthcare Applications. Frontiers in Robotics and AI, Vol. 9, 813843. DOI:10.3389/frobt.2022.813843.

Bathirappan, K. et al. (2022). Patient monitoring and medicine dispenser robot. AIP Conf. Proc., Vol. 2494, Iss. 1, 030004. DOI:10.1063/5.0106604.

Choi, K.-S. and Lee, S.-G. (2010). Enhanced SLAM for a mobile robot using extended Kalman Filter and neural networks. International journal of precision engineering and manufacturing, Vol. 11, Iss. 2, pp. 255–264. DOI:10.1007/s12541-010-0029-9.

Xu, Y. et al. (2021). Distributed Kalman filter for UWB/INS integrated pedestrian localization under colored measurement noise. Satellite navigation, Vol. 2, Article number: 22. DOI:10.1186/s43020-021-00053-z.

Beresnev, V. et al. (2021). Creation of a Prototype of a Multi-function Remote Presence Robot for Physical Research in Electronics. Journal of Nano- and Electronic Physics, Vol. 13, Num. 5, p. 05039-1. DOI:10.21272/jnep.13(5).05039.

Yang, S. et al. (2021). Intelligent Health Care: Applications of Deep Learning in Computational Medicine. Frontiers in Genetics, Vol. 12:607471. DOI:10.3389/fgene.2021.607471.

Knok, Ž., Pap, K. and Hrnčić, M. (2019). Implementation of intelligent model for pneumonia detection. Tehnički glasnik, Vol. 13, Iss. 4, pp. 315–322. DOI:10.31803/tg-20191023102807.

Stanuch, M., Wodzinski, M. and Skalski, A. (2020). Contact-Free Multispectral Identity Verification System Using Palm Veins and Deep Neural Network. Sensors, Vol. 20, Iss. 19, 5695. DOI:10.3390/s20195695.

Alzubaidi, L. et al. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, Vol. 8, Article number: 53. DOI:10.1186/s40537-021-00444-8.

Wu, W. et al. (2020). Review of palm vein recognition. IET Biometrics, Vol. 9(1), pp. 1–10. DOI:10.1049/iet-bmt.2019.0034.

Crisan, S. et al. (2007). Vein pattern recognition. Image enhancement and feature extraction algorithms. IMEKO, 5 p.

Althnian, A. et al. (2021). Impact of Dataset Size on Classification Performance: An Empirical Evaluation in the Medical Domain. Applied sciences, Vol. 11, Iss. 2, 796. DOI: 10.3390/app11020796.

Hirahara, D. et al. (2020). Effects of data count and image scaling on Deep Learning training. PeerJ. Computer science, 6(e312), p. e312. DOI: 10.7717/peerj-cs.312.

##submission.downloads##

Опубліковано

2024-12-30

Як цитувати

Anufriiev , V. V., Levchenko , O. O., Levchenko, Y. V., Chekubasheva , V. A., Glukhov , O. V. і Galat , O. B. (2024) «Перспектива створення бюджетного робота-асистента для медичних закладів на базі платформи Waffle PI4 зі сканером венозного рисунка долоні», Вісник НТУУ "КПІ". Серія Радіотехніка, Радіоапаратобудування, (98), с. 46-54. doi: 10.20535/RADAP.2024.98.46-54.

Номер

№ 98 (2024)

Розділ

Радіоелектроніка біомедичних технологій

Ліцензія

Авторське право (c) 2024 Валентин Ануфрієв, Ольга Кравчук, Євгеній Левченко, Олег Глухов, Олена Лінник, Олександр Галат

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

1.  Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.

2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.

3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах).  Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це:  The Effect of Open Access.