馬薩諸塞州大學阿默斯特分校的研究人員發(fā)明了一種由機器學習技術驅(qū)動的便攜式監(jiān)視設備，稱為FluSense，該設備可以實時檢測咳嗽和人群人數(shù)，然后分析數(shù)據(jù)以直接監(jiān)測流感樣疾病和流感趨勢。

FluSense的創(chuàng)建者說，新的邊緣計算平臺已計劃用于醫(yī)院，醫(yī)療候診室和較大的公共場所，它可能會擴展用于預測季節(jié)性流感和其他病毒性呼吸道疾病的健康監(jiān)測工具，例如COVID-19大流行或SARS。

通過在流感流行期間直接告知公共衛(wèi)生應對措施，這些模型可以成為救命稻草。這些數(shù)據(jù)源可以幫助確定流感疫苗運動的時間，潛在的旅行限制，醫(yī)療物資的分配等。

“這可能使我們能夠以更準確的方式預測流感的趨勢，”計算機與信息科學助理教授Tauhidur Ra??hman說。學生和主要作者Forsad Al Hossain。他們的FluSense研究結果于周三發(fā)表在計算機協(xié)會關于互動，移動，可穿戴和無處不在技術的會議論文集上。

為了給他們的發(fā)明一個現(xiàn)實世界的嘗試，F(xiàn)luSense發(fā)明者與大學衛(wèi)生服務執(zhí)行董事George Corey博士合作。生物統(tǒng)計學家Nicholas Reich，基于UMass的疾病預防控制中心流感預測中心的主任;傳染病專家和公共衛(wèi)生與健康科學學院的助理教授流行病學家安德魯·洛弗(Andrew Lover)。

FluSense平臺使用Raspberry Pi和神經(jīng)計算引擎處理低成本的麥克風陣列和熱成像數(shù)據(jù)。它不存儲任何個人身份信息，例如語音數(shù)據(jù)或區(qū)別圖像。在拉赫曼(Rahman)的馬賽克實驗室，計算機科學家在那里開發(fā)傳感器來觀察人類健康和行為，研究人員首先開發(fā)了基于實驗室的咳嗽模型。然后，他們訓練了深度神經(jīng)網(wǎng)絡分類器，在代表人的熱圖像上繪制邊界框，然后對其進行計數(shù)。拉赫曼說：“我們的主要目標是在人口水平而不是個人水平上建立預測模型。”

他們將FluSense設備裝在UMass大學健康服務診所的四個醫(yī)療候診室中，該設備裝在一個矩形盒中，矩形盒大小像一個大字典。

從2018年12月到2019年7月，F(xiàn)luSense平臺收集并分析了來自公共等候區(qū)的350,000多幅熱圖像和2100萬非語音音頻樣本。

研究人員發(fā)現(xiàn)，F(xiàn)luSense能夠準確地預測大學診所的日發(fā)病率。多組和互補的FluSense信號與針對類似流感的疾病和流感病毒本身的基于實驗室的測試“緊密相關”。

根據(jù)這項研究，“由FluSense捕獲的早期癥狀相關信息可以為當前的流感預測工作提供有價值的附加和補充信息”，例如FluSight Network，它是流感預測團隊的多學科聯(lián)合體，包括位于Reich Lab的Reich Lab。麻省大學阿默斯特分校。

拉赫曼說：“我很長時間以來一直對非語音的身體聲音感興趣。”“我認為，如果我們能夠從許多人自然聚集的公共場所捕捉到咳嗽或打噴嚏的聲音，我們可以利用這些信息作為預測流行病學趨勢的新數(shù)據(jù)來源。”

阿爾·侯賽因(Al Hossain)表示，F(xiàn)luSense是將人工智能與邊緣計算相結合的強大典范，這種前沿推動的趨勢使得可以在數(shù)據(jù)源處收集和分析數(shù)據(jù)。Al Hossain指出，“我們正在嘗試將機器學習系統(tǒng)帶到邊緣，”他指出FluSense設備內(nèi)部的緊湊型組件。“所有處理都在這里進行。這些系統(tǒng)越來越便宜，功能越來越強大。”

下一步是在其他公共區(qū)域和地理位置測試FluSense。

洛弗說：“我們初步確認咳嗽確實與流感相關疾病有關。”“現(xiàn)在，我們要在特定的醫(yī)院環(huán)境之外對其進行驗證，并表明我們可以對各個地點進行概括。”