在人员全球流动频繁的现代社会，如何避免病毒扩散?首要问题是发现找到感染人群。日前，马萨诸塞州大学阿默斯特分校的研究人员发明了一种由机器学习提供支持的便携式监视设备，取名为FluSense，该设备可以实时检测咳嗽情况和人群人数，然后分析数据，判断流感类疾病的发展趋势。

研究人员表示，这种依托于机器学习技术的新型边缘计算平台计划用于医院、医疗候诊室和更大的公共场所，它可以扩大医疗人员预测、监测季节性流感和其他病毒性呼吸道疾病(如新冠病毒、流感或SARS)暴发的工具库。

设备用到的算法模型可以在病毒流行期间直接告知公共卫生部门应对措施，还可以细化到帮助医疗人员确定流感疫苗接种活动的时间、实施可能的旅行限制、医疗用品的分配等等。

“这可能使我们能够以更准确的方式预测流感趋势，”Rahman称。这项研究结果发表在《互动、移动、可穿戴和无所不在技术计算机械协会》(Proceedings of the Association for Computing Machinery on Interactive, Mobile, Wearable and Ubiquitous Technologies)杂志上。

流感感应平台使用树莓派和神经计算引擎，处理的对象是麦克风阵列和热成像数据。它不需要语音数据或可识别图像等个人身份信息。在实验室中，计算机科学家首先开发了一个基于实验室的咳嗽模型，使用大量传感器来观察人类健康情况和行为数据。

他们将FluSense设备装在马萨诸塞大学健康服务诊所的四个医疗候诊室中，该设备装在一个矩形盒中，矩形盒大小像一个大字典。

随后，他们训练深度神经网络分类器热成像图像上画出代表人的边界盒，再进行计数。之所以不描绘个人图像，是因为他们的“主要目标是在人口层面上建立预测模型，而不是基于个人层面上”。

从2018年12月至2019年7月，流感感应平台从公共等候区收集并分析了超过35万张热图像和2100万份非语音音频样本。结果显示，该平台能够准确预测大学诊所每日发病率。多重互补的冲洗信号与实验室检测流感类疾病和流感本身“紧密相关”。

“我对非语言的人体音频信号感兴趣已经有很长一段时间了，”研究团队成员Tauhidur Rahman说，“我认为，如果能够捕捉到人群自然聚集场所的咳嗽或喷嚏声，我们就可以利用这些信息作为预测流行病学趋势的数据来源。”

研究主要作者Forsad Al Hossain表示，流感感应设备是AI和边缘计算能力结合的一个例子。边缘计算是一种前沿推动趋势，它使数据能够在数据的源头被收集和分析。“我们正试图将机器学习系统推向边缘，”Al Hossain指着冲洗装置内部的紧凑组件说，“所有的过程都发生在这里。这些系统正变得更便宜、更强大。”

下一步，研究团队准备在其他公共区域和地理位置测试FluSense。

论文链接：Forsad Al Hossain et al, FluSense, Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (2020). DOI: 10.1145/3381014

本文由广州佳誉医疗器械有限公司/佛山浩扬医疗器械有限公司联合编辑