Tengo un sensor de dióxido de carbono MH-Z14 y lo he estado usando para tratar de detectar cuándo una habitación puede necesitar aire fresco. Pero también noté que la lectura del sensor aumenta drásticamente cuando un humano está presente en una habitación y especialmente si está cerca del sensor.
Me pregunto si alguien intentó usar el valor actual de CO2 en una habitación para detectar un número aproximado de personas en una habitación y qué tan posible y preciso podría ser.
El comentario de @ jsotola (algo así como: "Suena como algo que el aprendizaje automático podría hacer") es probablemente la respuesta correcta, pero lo ampliaré un poco.
Dependerá al menos de los siguientes factores:
He usado datos de un sensor de CO 2 para estimar aproximadamente la ocupación de la habitación en el pasado para una habitación individual, no terminé siguiendo la ruta de aprendizaje automático en ese momento, sino que utilicé cosas como la tasa de cambio de CO 2 para dar un indicador (más personas más rápido subió el valor). Pero si lo volviera a hacer, probablemente comenzaría a recopilar datos para usarlos como material de capacitación.
También podría valer la pena fusionar los datos con otro sensor, por ejemplo, un sensor de humedad relativa, ya que también es probable que aumente al mismo tiempo.
Parece que ya se han realizado algunas investigaciones sobre esto: Sensing by Proxy: Detección de ocupación basada en concentración de CO 2 en interiores describe un modelo desarrollado en la Universidad de California, Berkeley, para detectar la ocupación basada en la concentración de CO 2 .
Proponemos un modelo de enlace que relaciona las mediciones proxy con tasas de emisión humanas desconocidas basadas en un modelo basado en datos que consiste en un sistema de ecuación diferencial parcial (PDE) acoplado - ecuación diferencial ordinaria (ODE).
Aparentemente, su modelo es más preciso que otros modelos de aprendizaje automático que probaron:
La inferencia de la cantidad de ocupantes en la habitación basada en las mediciones de CO2 en los respiraderos de retorno de aire y suministro de aire mediante la detección por proxy supera a una gama de algoritmos de aprendizaje automático y logra un error cuadrático medio general de 0.6569 (persona fraccional), mientras que la mejor alternativa de Bayes net es 1.2061 (persona fraccionaria).
El algoritmo 1 (p. 3) en el documento puede dar alguna dirección sobre cómo implementar un sistema similar al suyo, lo que parece ser sorprendentemente confiable dada la naturaleza simplista del sensor de CO 2 .