«Дослідники калу»: вчені використали машинне навчання, щоб виявити хвороби кишечника по звуку виділення. Їм це вдалося
Датчик із мікрофоном та алгоритми машинного навчання можуть ідентифікувати холеру та інші захворювання кишечника просто за звуком.
Датчик із мікрофоном та алгоритми машинного навчання можуть ідентифікувати холеру та інші захворювання кишечника просто за звуком.
Холера — це бактеріальне захворювання, яке викликає діарею. Воно вражає мільйони людей і призводить до 150 000 смертей щороку.
Якщо раптом вдасться виявити потенційний спалах хвороби та її поширення, це допоможе завчасно попередити медичних працівників і покращить розподіл ресурсів та допомоги. Однак, зі зрозумілих причин, моніторинг цього та інших захворювань кишечника є делікатною справою.
У своїй презентації «Теза про кал: використання машинного навчання для виявлення діареї» Мая Гетлін із Технологічного інституту Джорджії описує, як неінвазивний (тобто, той, що знаходиться не в організмі) мікрофонний датчик може ідентифікувати захворювання кишечника, не збираючи жодної ідентифікаційної інформації. Про це повідомляється на зустрічі Акустичного товариства Америки.
Гетлін та її команда перевірили цю техніку на аудіоданих з онлайн-джерел.
Кожен аудіозразок події виділення був перетворений на спектрограму, яка, фактично, фіксує звук на зображенні.
Різні події створюють різні характеристики в аудіо та спектрограмі. Сечовипускання створює постійний звук, тоді як дефекація може мати одиничний звук. Навпаки, діарея створює більш рендомні звуки.
Зображення спектрограм передавали в алгоритм машинного навчання, який навчився класифікувати кожну подію на основі її особливостей. Продуктивність алгоритму перевіряли на даних із фоновими шумами та без них, щоб переконатися, що він вивчає правильні звукові характеристики, незалежно від середовища датчика.
«Ми сподіваємось, що цей датчик, який займає невелику площу та є неінвазивним, може бути розгорнутий у регіонах, де спалахи холери становлять постійний ризик, — каже Гетлін:
«Датчик також можна використовувати в зонах лиха (де забруднення води призводить до поширення патогенних мікроорганізмів), або навіть у медсестринських/хоспісних установах для автоматичного моніторингу випорожнень пацієнтів. Можливо, колись наш алгоритм можна буде використовувати з існуючими домашніми розумними пристроями для контролю власного випорожнення та здоров’я!»
У майбутньому Гетлін та її колеги планують збирати реальні акустичні дані, щоб їхня модель машинного навчання могла адаптуватися для роботи в різноманітних середовищах ванної кімнати.
Український стартап перевірив 600 000 харчових продуктів на вміст шкідливих добавок
Український стартап перевірив 600 000 харчових продуктів на вміст шкідливих добавок
Читайте головні IT-новини країни в нашому Telegram
Читайте головні IT-новини країни в нашому Telegram
