描述

Walabot 睡眠質(zhì)量追蹤器

亞歷克斯技能

該技能發(fā)布在 alexa 技能版塊，請(qǐng)隨意按照指南并監(jiān)控自己的睡眠

?

Walabot 睡眠追蹤器 Alexa Skill Store

?

您可以按照系統(tǒng)指南中的用戶鏈接 alexa 來(lái)使用您的指南設(shè)置多個(gè)用戶。

問(wèn)題

CDC最近將睡眠不足??列為公共衛(wèi)生問(wèn)題。嗜睡是增加事故和其他職業(yè)錯(cuò)誤風(fēng)險(xiǎn)的根本原因。它還可能引起健康問(wèn)題，如糖尿病、抑郁癥和高血壓。

根據(jù)美國(guó)國(guó)家睡眠基金會(huì)和消費(fèi)電子協(xié)會(huì)最近的一項(xiàng)調(diào)查，超過(guò) 60% 的睡眠追蹤技術(shù)擁有者在睡眠追蹤后更加了解自己的睡眠模式。51% 的睡眠追蹤技術(shù)擁有者表示，他們知道這項(xiàng)技術(shù)正在幫助他們睡得更好，而 49% 的人表示，自從開(kāi)始使用這項(xiàng)技術(shù)后，他們感覺(jué)更健康了。

盡管大多數(shù)睡眠跟蹤技術(shù)是手表和手環(huán)等非侵入性設(shè)備，但它們?nèi)匀恍枰罅咳粘＞S護(hù)以保持衛(wèi)生和持續(xù)充電。使用可穿戴設(shè)備的頻繁充電和衛(wèi)生維護(hù)的紀(jì)律已經(jīng)讓很多人不再使用它們。

我們的解決方案

使用 Walabot，我們可以構(gòu)建一個(gè)始終開(kāi)啟的非侵入式睡眠跟蹤系統(tǒng)。通過(guò)這種方式，用戶不必?fù)?dān)心為可穿戴設(shè)備充電、清洗衛(wèi)生，并且仍然能夠跟蹤良好的睡眠。

解決方案分為三個(gè)部分：

• Walabot部分

• Walabot 服務(wù)器部分

• Alexa部分

Walabot 可以在任何 Linux 或 IoT 機(jī)器上使用；在這種情況下，我們將使用筆記本電腦作為基礎(chǔ)。我們還將在本地實(shí)施人工智能，以向用戶識(shí)別模式。

Walabot服務(wù)器將用于存儲(chǔ)信息；這可用于顯示移動(dòng)設(shè)備、物聯(lián)網(wǎng)顯示設(shè)備以及 Alexa 的額外信息。

Alexa 是我們可以使用的眾多輸出選項(xiàng)之一；在這種情況下，它是最容易實(shí)現(xiàn)的，并且可以快速了解您的夜間睡眠情況。

第 1 步：使用 Ubuntu 設(shè)置 Walabot

我們首先必須設(shè)置 Walabot。在這種情況下，我們正在檢測(cè)睡眠時(shí)使用的能量。我們以呼吸的例子為基礎(chǔ)，因?yàn)榭雌饋?lái) Walabot 不僅在檢測(cè)運(yùn)動(dòng)方面非常有效，而且在檢測(cè)運(yùn)動(dòng)中使用了多少能量方面非常有效，因此非常適合跟蹤睡眠。

我們可以使用任何運(yùn)行 Ubuntu 和 Python 的物聯(lián)網(wǎng)設(shè)備（例如 Raspberry Pi）來(lái)構(gòu)建它，但對(duì)于這個(gè)原型的案例，我們將使用便宜的筆記本電腦，因?yàn)槲覀冇幸粋€(gè)可以監(jiān)控正在發(fā)生的事情的屏幕。

#!/usr/bin/env python3 
from __future__ import print_function # WalabotAPI works on both Python 2 an 3. 
from sys import platform 
from os import system 
from imp import load_source 
from os.path import join 
import time, random 
import math 
from collections import deque 
import urllib.request 
modulePath = join('/usr', 'share', 'walabot', 'python', 'WalabotAPI.py')      
wlbt = load_source('WalabotAPI', modulePath) 
wlbt.Init() 
start = time.time() 
class RealtimePlot: 
   def __init__(self, axes, max_entries =100): 
       self.axis_x = deque(maxlen=max_entries) 
       self.axis_y = deque(maxlen=max_entries) 
       self.axes = axes 
       self.max_entries = max_entries 
       self.lineplot, = axes.plot([], [], "ro-") 
       self.axes.set_autoscaley_on(True) 
   def add(self, x, y): 
       self.axis_x.append(x) 
       self.axis_y.append(y) 
       self.lineplot.set_data(self.axis_x, self.axis_y) 
       self.axes.set_xlim(self.axis_x[0], self.axis_x[-1] + 1e-15) 
       self.axes.set_ylim(0, 0.2) 
       self.axes.relim(); self.axes.autoscale_view() # rescale the y-axis 
   def animate(self, figure, callback, interval = 50): 
       import matplotlib.animation as animation 
       def wrapper(frame_index): 
           self.add(*callback(frame_index)) 
           self.axes.relim(); self.axes.autoscale_view() # rescale the y-axis 
           return self.lineplot 
       animation.FuncAnimation(figure, wrapper, interval=interval) 
def main(): 
   from matplotlib import pyplot as plt 
   # Walabot_SetArenaR - input parameters 
   minInCm, maxInCm, resInCm = 30, 150, 1 
   # Walabot_SetArenaTheta - input parameters 
   minIndegrees, maxIndegrees, resIndegrees = -4, 4, 2 
   # Walabot_SetArenaPhi - input parameters 
   minPhiInDegrees, maxPhiInDegrees, resPhiInDegrees = -4, 4, 2 
   # Configure Walabot database install location (for windows) 
   wlbt.SetSettingsFolder() 
   # 1) Connect : Establish communication with walabot. 
   wlbt.ConnectAny() 
   # 2) Configure: Set scan profile and arena 
   # Set Profile - to Sensor-Narrow. 
   wlbt.SetProfile(wlbt.PROF_SENSOR_NARROW) 
   # Setup arena - specify it by Cartesian coordinates. 
   wlbt.SetArenaR(minInCm, maxInCm, resInCm) 
   # Sets polar range and resolution of arena (parameters in degrees). 
   wlbt.SetArenaTheta(minIndegrees, maxIndegrees, resIndegrees) 
   # Sets azimuth range and resolution of arena.(parameters in degrees). 
   wlbt.SetArenaPhi(minPhiInDegrees, maxPhiInDegrees, resPhiInDegrees) 
   # Dynamic-imaging filter for the specific frequencies typical of breathing 
   wlbt.SetDynamicImageFilter(wlbt.FILTER_TYPE_DERIVATIVE) 
   # 3) Start: Start the system in preparation for scanning. 
   wlbt.Start() 
   fig, axes = plt.subplots() 
   display = RealtimePlot(axes) 
   display.animate(fig, lambda frame_index: (time.time() - start, random.random() * 100)) 
   #plt.show() 
   #fig, axes = plt.subplots() 
   #display = RealtimePlot(axes) 
   while True: 
       appStatus, calibrationProcess = wlbt.GetStatus() 
       # 5) Trigger: Scan(sense) according to profile and record signals 
       # to be available for processing and retrieval. 
       wlbt.Trigger() 
       # 6) Get action: retrieve the last completed triggered recording 
       energy = wlbt.GetImageEnergy() 
       display.add(time.time() - start, energy * 100) 
       #This is just for prototype purposes, we will gather the data in bulk and send them to the server in the future 
       if energy * 100 > 0.05 and  energy * 100 <= 0.15: 
       	urllib.request.urlopen("http://{your_server_link}/input?medium=1&high=0").read() 
       elif energy * 100 > 0.15: 
       	urllib.request.urlopen("http://{your_server_link}/medium=0&high=1").read() 
       plt.pause(0.001) 
if __name__ == "__main__": main()  

第二步：Walabot Server 數(shù)據(jù)存儲(chǔ)

為了隨著時(shí)間的推移跟蹤睡眠，我們將數(shù)據(jù)存儲(chǔ)在云中是一個(gè)好主意。在這個(gè)例子中，我們?cè)谝粋€(gè)文件中設(shè)置了一個(gè)簡(jiǎn)單的文件存儲(chǔ)，但將來(lái)我們可以將它存儲(chǔ)到 mongodb 中。

對(duì)于這個(gè)例子，我們將使用node.js并通過(guò)heroku托管。

設(shè)置服務(wù)器后，使用附加的以下代碼作為您的基礎(chǔ)。您可以選擇托管在其他地方，例如 Amazon、Azure 或 IBM Bluemix；這只是啟動(dòng)服務(wù)器的一個(gè)簡(jiǎn)單示例。

var fs = require('fs'); 
var app = express() 
// respond with "hello world" when a GET request is made to the homepage 
app.get('/', function (req, res) { 
	fs.readFile('data.txt', 'utf8', function readFileCallback(err, data){ 
	    if (err){ 
	        console.log(err); 
	    } else { 
	    obj = JSON.parse(data); //now it an object 
	    res.send(JSON.stringify(obj)); 
	}}); 
}) 
app.get('/input', function (req, res)  
{	var fs = require('fs'); 
	var high = req.query.high; 
	var medium = req.query.medium; 
	fs.readFile('data.txt', 'utf8', function readFileCallback(err, data){ 
	    if (err){ 
	        console.log(err); 
	    } else { 
	    obj = JSON.parse(data); //now it an object 
	    obj.high += parseInt(high); 
	    obj.medium += parseInt(medium); //add some data 
	    json = JSON.stringify(obj); //convert it back to json 
	    fs.writeFile('data.txt', json, 'utf8', null); // write it back 
	    res.send('success')  
	}}); 
}) 

一旦達(dá)到閾值，讓 Walabot 更新服務(wù)器。

if energy * 100 > 0.05 and  energy * 100 <= 0.15: 
    urllib.request.urlopen("http://{your_server_link}/input?medium=1&high=0").read() 
elif energy * 100 > 0.15: 
    urllib.request.urlopen("http://{your_server_link}/medium=0&high=1").read() 

第 3 步：亞歷克斯

用戶現(xiàn)在可以使用 Alexa 來(lái)了解您的睡眠質(zhì)量。我們將按照本指南使用 Alexa 快速技能套件

該指南將教您：

• 在 AWS 上創(chuàng)建 Lambda 函數(shù)

• 在 Alexa 技能上創(chuàng)建 Alexa 技能

Lambda 托管 Alexa 可以與之交互的無(wú)服務(wù)器函數(shù)。使用 node.js 而不是按照指南創(chuàng)建一個(gè)空的。我們可以從下面復(fù)制/粘貼 Alexa node.js 代碼。

?

拉姆達(dá)函數(shù)

?

創(chuàng)建函數(shù)后，我們將獲得 ARN 編號(hào)。把它寫下來(lái)，這樣我們就可以在 Alexa Skill 工具包的配置中使用它。我們還必須將 Alexa Skill 工具包添加到睡眠跟蹤器中 - 復(fù)制并粘貼整個(gè) node.js 代碼。

目前的情報(bào)托管在 Alexa 中，它會(huì)檢查是否四處走動(dòng)和是否經(jīng)常移動(dòng)，例如起床。這樣我們就可以減輕服務(wù)器的負(fù)擔(dān)。

?

ARN 和 alexa 技能包

?

現(xiàn)在我們正在轉(zhuǎn)向 Alexa 技能套件：

?

創(chuàng)建 Alexa 技能

?

在交互模型中，將以下睡眠跟蹤意圖模式放在那里：

Intent Schema: 
{ 
 "intents": [ 
   { 
     "intent": "SleepTrackIntent" 
   }, 
   { 
     "intent": "AMAZON.HelpIntent" 
   } 
 ] 
} 
Sample Utterances: 
SleepTrackIntent How was my sleep 
SleepTrackIntent How was my sleep tracking 

之后，在配置中，我們可以把我們之前使用的 ARN：

?

將 ARN 放入 ARN 部分

?

Walabot 睡眠追蹤器技能

第 4 步：一切準(zhǔn)備就緒，開(kāi)始測(cè)試

現(xiàn)在您可以通過(guò)詢問(wèn)“Alexa，問(wèn) Sleep Tracker 我的睡眠如何？”來(lái)測(cè)試您的 Alexa 技能。

下一步是什么？

我們可以對(duì)睡眠質(zhì)量進(jìn)行機(jī)器學(xué)習(xí)，而不是編寫自己的算法。將來(lái)會(huì)這樣做。

?