Датчик с микрофоном и алгоритмы машинного обучения могут идентифицировать холеру и другие заболевания кишечника прямо по звуку.
Датчик с микрофоном и алгоритмы машинного обучения могут идентифицировать холеру и другие заболевания кишечника прямо по звуку.
Холера — это бактериальное заболевание, вызывающее диарею. Оно поражает миллионы людей и приводит к 150 000 смертям каждый год.
Если вдруг удастся выявить потенциальную вспышку болезни и ее распространение, это поможет заблаговременно предупредить медицинских работников и улучшить распределение ресурсов и помощи. Однако по понятным причинам мониторинг этого и других заболеваний кишечника является деликатным делом.
В своей презентации «Тезис о кале: использование машинного обучения для выявления диареи» Майя Гетлин из Технологического института Джорджии описывает, как неинвазивный (т.е. находящийся не в организме) микрофонный датчик может идентифицировать заболевание кишечника, не собирая никакой идентификационной информации. Об этом сообщается на встрече Акустического общества Америки.
Гэтлин и ее команда проверили эту технику на аудиоданных из онлайн-источников.
Каждый аудиообразец события выделения был преобразован в спектрограмму, которая фактически фиксирует звук на изображении.
Различные события создают разные характеристики в аудио и спектрограмме. Мочеиспускание создает постоянный звук, в то время как дефекация может иметь единичный звук. Напротив, диарея создает более рендомные звуки.
Изображения спектрограммы передавали в алгоритм машинного обучения, который научился классифицировать каждое событие на основе его особенностей. Производительность алгоритма проверялась на данных с фоновыми шумами и без них, чтобы убедиться, что он изучает правильные звуковые характеристики, независимо от среды датчика.
«Мы надеемся, что этот датчик, занимающий небольшую площадь и неинвазивный, может быть развернут в регионах, где вспышки холеры представляют постоянный риск, — говорит Гетлин:
Датчик также можно использовать в зонах бедствия (где загрязнение воды приводит к распространению патогенных микроорганизмов), или даже в медсестринских/хосписных учреждениях для автоматического мониторинга стула пациентов. Возможно, когда-нибудь наш алгоритм можно будет использовать с существующими домашними умными устройствами для контроля собственного стула и здоровья!»
В будущем Гэтлин и его коллеги планируют собирать реальные акустические данные, чтобы их модель машинного обучения могла адаптироваться к работе в различных средах ванной комнаты.
