【英飞凌 CY8CKIT-062S2-AI评测】英飞凌PSOC6 AI评估套件的智能鼾声监测系统评测

1. 项目概述

英飞凌PSOC™6人工智能评估套件是一款专为边缘AI应用设计的创新开发平台。该套件有着完整的AI开发生态，使用配套的DEEPCRAFT**™Studio平台，可以完成端到端的AI模型开发、优化和部署。当然硬件本身也是很抗打。双核MCU，兼顾高性能和低功耗需求。除此之外，接口丰富，可以对接多种传感器，原生支持数字麦克风、雷达、压力传感器等多种传感器，免去很多硬件配置的麻烦。最重要的是，有这么多功能，这款板子仍然小巧，实在是适合很多硬件AI产品的开发。此次拿到评估套件后，使用了鼾声检测模型来检测开发板的性能，接下来就是该项目的详细内容，一起来看看吧。

2. 硬件平台深度评测

2.1 开发板规格参数

2.2 物料清单

• PSOC6开发套件
• 串口数据线
• 电脑主机

3. 相关平台软件安装步骤和使用

3.1 安装开发环境

1. 下载ModusToolbox（英飞凌官方开发工具）

访问：https://www.infineon.com/modustoolbox

下载对应操作系统的版本（约2GB）

2. 安装过程

• 双击安装包
• 选择默认安装路径
• 等待自动安装完成（约15分钟）

3.2 安装DEEPCRAFT**™**Studio

1. 注册英飞凌开发者账号

访问：https://www.infineon.com/deepcraft

点击"Sign Up"注册

2. 下载DEEPCRAFT™Studio

登录后进入控制台，下载AI开发平台

3.使用DEEPCRAFT™Studio创建项目

4.部署代码到硬件

• 打开modustoolbox
• 导入生成的项目：选择DEEPCRAFT™Studio生成的项目文件夹
• 配置硬件参数
• 编译项目
• 烧录到开发板

3连接开发板

• 用USB-C线连接开发板和电脑
• 等待电脑识别设备
• 检查设备管理器，确认串口出现

3.2 软件架构设计

采用分层架构和模块化设计，确保系统可维护性和扩展性：

• 数据采集层：串口通信、数据解析
• 业务逻辑层：鼾声检测算法、会话管理
• GUI层：GUI界面、数据可视化
• 服务层：数据持久化、报警管理

4. 软件系统实现

4.1 设计思路

• 硬件负责音频输入和AI运算，能够检测是否有鼾声；
• 数据通过串口上传给上位机软件；
• 上位机软件记录鼾声次数和持续时间，超过特定时间进行鼾声报警；

4.2 软件架构设计

采用分层架构和模块化设计，确保系统可维护性和扩展性：

• 数据采集层：串口通信、数据解析
• 业务逻辑层：鼾声检测算法、会话管理
• GUI层：GUI界面、数据可视化
• 服务层：数据持久化、报警管理

4.2 界面布局

• 开始停止功能
• 鼾声次数记录
• 持续鼾声报警功能
• 鼾声活动检测图像

4.3 核心功能模块

4.3.1 单次鼾声信号处理

每次检测到"snore"信号就记录当前时间戳

更新最后鼾声时间，用于超时检测

调用鼾声检测算法判断是否构成持续打鼾

def process_snore_signal(self):
    """处理snore信号"""
    current_time = time.time()
    self.snore_timestamps.append(current_time)  # 记录时间戳
    self.last_snore_time = current_time         # 更新最后鼾声时间
    self.total_snore_signals += 1               # 总计数+1
  
    # 通知图表更新
    if self.chart_callback:
        self.chart_callback(current_time, 1.0)
  
    # 检测呼噜会话
    is_session, confidence, interval = self.detect_snore_session()
  
    if is_session and not self.is_snoring:
        # 开始新的呼噜会话
        self.is_snoring = True
        self.snore_session_start = current_time
        self.total_snore_sessions += 1
        print(f"检测到打鼾会话! 置信度: {confidence:.1f}%")
  
    elif self.is_snoring:
        # 更新正在进行的呼噜会话
        session_duration = current_time - self.snore_session_start
        print(f"持续打鼾中... 时长: {session_duration:.1f}秒")

4.3.2 鼾声持续检测

窗口大小：15秒

最小鼾声数：MIN_SNORES_FOR_SESSION（默认3次）

判断条件：在15秒窗口内至少有3次鼾声信号

def detect_snore_session(self):
    """检测呼噜持续"""
    if len(self.snore_timestamps) < self.MIN_SNORES_FOR_SESSION:
        return False, 0, 0

    current_time = time.time()
    time_window = 15.0  # 时间窗口大小

    # 获取时间窗口内的呼噜信号
    recent_snores = [t for t in self.snore_timestamps 
                    if current_time - t <= time_window]

    if len(recent_snores) >= self.MIN_SNORES_FOR_SESSION:
        # 简单置信度计算
        confidence = min(80 + (len(recent_snores) - self.MIN_SNORES_FOR_SESSION) * 10, 100)
  
        # 计算平均间隔
        intervals = []
        for i in range(1, len(recent_snores)):
            intervals.append(recent_snores[i] - recent_snores[i - 1])
        avg_interval = np.mean(intervals) if intervals else 0
  
        return True, confidence, avg_interval

    return False, 0, 0

4.3.3超时检测

最大间隔：MAX_SNORE_INTERVAL（默认5秒）

最小会话时长：MIN_SESSION_DURATION（默认10秒）

结束条件：超过5秒没有新的鼾声信号

def check_session_timeout(self):
    """检查会话超时"""
    if not self.is_snoring:
        return

    current_time = time.time()
    silence_duration = current_time - self.last_snore_time  # 静默时长

    if silence_duration > self.MAX_SNORE_INTERVAL:
        # 会话结束
        session_duration = current_time - self.snore_session_start
  
        if session_duration >= self.MIN_SESSION_DURATION and self.ui_callback:
            # 准备会话信息
            session_info = {
                'start_time': datetime.fromtimestamp(self.snore_session_start).isoformat(),
                'duration': session_duration,
                'snore_count': len([t for t in self.snore_timestamps
                                  if self.snore_session_start <= t <= current_time]),
                'end_time': datetime.fromtimestamp(current_time).isoformat(),
                'avg_interval': self.calculate_avg_interval()
            }
    
            # 回调UI触发报警
            self.ui_callback(session_info)
            print(f"呼噜会话结束: 持续{session_duration:.1f}秒")

        self.is_snoring = False

5.常见问题及解决方案

5.1 开发板无法连接

✅ 解决方案：

1. 检查USB线是否插好

2. 尝试不同的USB端口

3. 重启电脑

4. 检查设备管理器中的串口编号

5.2 AI模型不准确

✅ 解决方案：

1. 重新训练模型，使用更多数据

2. 调整模型参数

3. 收集真实的鼾声数据进行微调

4. 检查音频预处理步骤

6.实现结果和结论

最终效果：就是当检测到鼾声时会显示鼾声预警；当持续十秒检测到多于5次鼾声时会出现音频报警。

测试效果还算可以，不过由于我使用的的是已经训练好的模型，所以在测试的时候，使用了不同的鼾声数据来对比，发现模型在鼾声特殊频率时会有更高效的检测结果，而在鼾声呼气阶段时会无数据输出；并且模型有时会在持续鼾声下显示未检测到。

我猜测可能是两个原因：①鼾声检测可能主要以特殊频率为特征量数据，所以鼾声吸气时会比呼气易检测②设置的参数不是很好，需要多次调整来适应。不过就目前来看，这个检测率还是比较高的，可以配合适当的软件算法也可以有很好的效果