Est-il possible d'utiliser un capteur de CO2 pour détecter le nombre de personnes dans une pièce?

J'ai un capteur de dioxyde de carbone MH-Z14 et je l'ai utilisé pour essayer de détecter quand une pièce peut avoir besoin d'air frais. Mais, j'ai également remarqué que la lecture du capteur augmente considérablement lorsqu'un humain est présent dans une pièce et surtout s'il est proche du capteur lui-même.

Je me demande si quelqu'un a essayé d'utiliser la valeur actuelle de CO2 dans une pièce pour détecter un nombre approximatif de personnes dans une pièce et comment cela pourrait-il être possible et précis?

Le commentaire de @ jsotola (quelque chose comme: "Cela ressemble à quelque chose que l'apprentissage automatique pourrait faire") est probablement la bonne réponse, mais je vais développer un peu.

Cela dépendra au moins des facteurs suivants:

• Taille de la chambre
• Nombre de personnes
• Type d'activité que les gens font
• Ventilation de la pièce (fenêtres / ac / ...)
• Précision et temps de réponse du capteur utilisé
• Nombre et position des capteurs

J'ai utilisé des données provenant d'un capteur de CO ₂ pour estimer approximativement l'occupation de la pièce dans le passé pour une seule pièce, je n'ai pas fini par suivre l'itinéraire d'apprentissage automatique à l'époque, plutôt en utilisant des choses comme le taux de changement de CO ₂ à donner un indicateur (plus il y a de personnes, plus la valeur augmente rapidement). Mais si je recommençais, je commencerais probablement à collecter des données à utiliser comme matériel de formation.

Il peut également être utile de fusionner les données avec un autre capteur, par exemple un capteur d'humidité relative, car il est également susceptible d'augmenter en même temps.

Il semble que des recherches aient déjà été effectuées à ce sujet - Détection par proxy: détection d'occupation basée sur la concentration de CO ₂ intérieure décrit un modèle développé à l'Université de Californie à Berkeley pour détecter l'occupation basée sur la concentration de CO ₂ .

Nous proposons un modèle de lien qui relie les mesures indirectes à des taux d'émission humains inconnus sur la base d'un modèle basé sur les données qui consiste en un système couplé d'équation différentielle partielle (PDE) - équation différentielle ordinaire (ODE).

Leur modèle est apparemment plus précis que les autres modèles d'apprentissage automatique qu'ils ont testés:

L'inférence du nombre d'occupants dans la pièce sur la base des mesures de CO2 aux entrées et sorties d'air de retour d'air par détection par proxy surpasse une gamme d'algorithmes d'apprentissage automatique et atteint une erreur quadratique moyenne globale de 0,6569 (personne fractionnaire), tandis que la la meilleure alternative par Bayes net est 1,2061 (personne fractionnée).

L'algorithme 1 (p. 3) du document peut donner des indications sur la façon de mettre en œuvre un système similaire au leur, ce qui semble étonnamment fiable étant donné la nature simpliste du capteur de CO ₂ .