محققان دانشگاه ماساچوست آمرسست دستگاهی نظارتی قابل حمل را که توسط یادگیری ماشینی — بنام FluSense ered ایجاد شده است ، اختراع کرده اند که می تواند سرفه و اندازه جمعیت را در زمان واقعی تشخیص دهد ، سپس داده ها را تجزیه و تحلیل کند تا مستقیماً بر بیماریهای شبه آنفلوانزا و روند آنفلوانزا نظارت کند.
سازندگان FluSense می گویند که پلتفرم جدید محاسباتی لبه ، پیش بینی شده برای استفاده در بیمارستان ها ، اتاق های انتظار مراقبت های بهداشتی و فضاهای عمومی بزرگتر ، ممکن است زرادخانه ابزارهای بهداشتی و درمانی را که برای پیش بینی آنفولانزای فصلی و سایر شیوعهای تنفسی ویروسی ، مانند COVID-19 استفاده می شود ، گسترش دهد. همه گیر یا SARS.
مدل هایی مانند این می توانند با اطلاع مستقیم از پاسخ بهداشت عمومی هنگام بروز بیماری آنفولانزا ، نجات دهنده باشند. این منابع داده می توانند به تعیین زمان فعالیتهای واکسن آنفولانزا ، محدودیتهای احتمالی سفر ، تخصیص منابع پزشکی و موارد دیگر کمک کنند.
طاهیدور رحمان ، استادیار علوم کامپیوتر و اطلاعات ، که مشاوره دکتری را می گوید ، می گوید: "این ممکن است به ما اجازه دهد روند آنفلوآنزا را به شکلی دقیق تر پیش بینی کنیم." دانشجو و نویسنده پیشکسوت Forsad Al Hossain. نتایج مطالعه FluSense آنها چهارشنبه در مجموعه مقالات انجمن ماشین آلات رایانه در زمینه فن آوری های تعاملی ، موبایل ، پوشیدنی و بی اندازه منتشر شد.
مخترعین FluSense برای ارائه اختراع خود در دنیای واقعی ، با دکتر جورج کوری ، مدیر اجرایی خدمات بهداشتی دانشگاه همکاری کردند. نیکلاس ریچ ، زیست شناس ، مدیر مرکز پیش بینی آنفلوانزا CDC مبتنی بر UMass. و اندرو لور ، اپیدمیولوژیست ، متخصص بیماری بردار و استادیار دانشکده بهداشت و علوم عمومی.
پلت فرم FluSense یک آرایه میکروفون کم هزینه و داده های تصویربرداری حرارتی را با یک Raspberry Pi و یک موتور محاسباتی عصبی پردازش می کند. این اطلاعات هیچگونه اطلاعات شخصی را مانند داده های گفتاری یا تصاویر متمایز را ذخیره نمی کند. در آزمایشگاه موزائیک رحمان ، که دانشمندان رایانه حسگرهایی را برای رعایت بهداشت و رفتار انسان ایجاد می کنند ، محققان ابتدا یک مدل سرفه مبتنی بر آزمایشگاه تهیه کردند. سپس آنها طبقه بندی کننده شبکه عصبی عمیق را آموزش دادند تا جعبه های محدود کننده را بر روی تصاویر حرارتی به نمایندگی از مردم ترسیم کنند ، و سپس آنها را بشمارند. رحمان می گوید: "هدف اصلی ما ساختن مدل های پیش بینی در سطح جمعیت بود نه سطح فردی."
آنها دستگاههای FluSense را که در یک جعبه مستطیل شکل در باره اندازه یک فرهنگ لغت بزرگ محصور شده بود ، در چهار اتاق انتظار مراقبت های بهداشتی در کلینیک خدمات خدمات دانشگاه UMass قرار دادند.
دستگاه FluSense این اجزا را در خود جای داده است. اعتبار: UMass Amherst
از دسامبر سال 2018 تا ژوئیه 2019 ، پلت فرم FluSense بیش از 350،000 تصویر حرارتی و 21 میلیون نمونه صوتی غیر گفتاری را از مناطق انتظار عمومی جمع آوری و تجزیه و تحلیل کرد.
محققان دریافتند که FluSense قادر به پیش بینی دقیق میزان بیماری روزانه در کلینیک دانشگاه است. مجموعه های متعدد و مکمل سیگنال های FluSense با آزمایش های آزمایشگاهی مبتنی بر بیماری های آنفولانزا و خود آنفلوانزا "به شدت" همبستگی "دارند.
طبق این مطالعه ، "اطلاعات اولیه مربوط به علائم گرفته شده توسط FluSense می تواند اطلاعات اضافی و مکمل ارزشمندی را برای تلاش های پیش بینی آنفولانزای جاری فراهم کند" ، مانند شبکه FluSight که یک کنسرسیوم چند رشته ای از تیم های پیش بینی آنفولانزا ، از جمله آزمایشگاه رایش در است. UMass Amherst.
- ۹۹/۰۲/۲۷