Südkorea Verzeichnet Innerhalb Einer Woche 1.000 Neue Bestätigte Fälle Und Will KI Nutzen, Um Hustende Menschen Zu Orten
Die globale Entwicklung von COVID-19 zeigt keine Anzeichen einer Besserung. In Südkorea kam es in den letzten Tagen zu einer Erholung. Die Gesamtzahl der Neuinfektionen in den letzten sieben Tagen erreichte 1.576, darunter 288 Neuinfektionen heute. Ein Team des Korea Advanced Institute of Science and Technology hat ein auf Deep Learning basierendes Hustenerkennungsmodell entwickelt, um COVID-19-Patienten frühzeitig zu erkennen.
Aufgrund der Notwendigkeit der Prävention und Kontrolle von COVID-19 in diesem Jahr wurde schnell eine berührungslose Erkennungstechnologie implementiert. Vermutlich haben Sie verschiedene Arten von Temperaturmessgeräten gesehen, wie etwa Stirnthermometer, Ohrthermometer, KI-Infrarotthermometer und so weiter.
Neben Fieber ist auch Husten eines der Hauptsymptome von COVID-19. Allerdings gibt es derzeit noch keine Methode zur berührungslosen Hustenerkennung.
Kürzlich entwickelte eine Forschungsgruppe des Korea Advanced Institute of Science and Technology (KAIST) eineEin auf Deep-Learning-Methoden basierendes Hustenerkennungsmodell zur rechtzeitigen Erkennung von COVID-19-Verdachtsfällen.
Die Epidemie in Südkorea ist wieder aufgetaucht, mit mehr als 1.000 Neuinfektionen in der vergangenen Woche
Mehr als die Hälfte des Jahres 2020 ist bereits vergangen, und die Ausbreitung des neuen Coronavirus scheint noch nicht vorbei zu sein: Jeden Tag werden weltweit Hunderttausende neuer Fälle bestätigt. In jüngster Zeit hat sich die epidemische Lage in Ländern wie Südkorea, Deutschland und Japan wieder verschärft.
Berichten zufolge gab es in Südkorea vom 14. bis 20. August täglich 1.576 Neuinfektionen, allein am 20. August waren es insgesamt 288 Neuinfektionen.
Das Infektionsrisiko an öffentlichen Orten wie Kirchen, Restaurants und Schulen in Südkorea ist gestiegen. Südkorea steht als nächstes vor einem weiteren harten Kampf um die Epidemieprävention und die Kontrollmaßnahmen wurden vielerorts verstärkt.
Die „Früherkennung“ ist der erste Schritt zur Prävention und Kontrolle von Epidemien. In diesem ZusammenhangDas Forschungsteam des Korea Advanced Institute of Science and Technology glaubt, dassDerzeit sind berührungslose Temperaturerfassungsgeräte relativ vollständig, für Hustensymptome gibt es jedoch keine entsprechende Erfassungsmethode.
Um COVID-19-Patienten rechtzeitig zu erkennen und die Arbeitsbelastung des medizinischen Personals zu reduzieren, hat das Team von Professor Park Yong-Hwa von der Fakultät für Maschinenbau am Korea Advanced Institute of Science and Technology,Es wurde ein auf Deep Learning basierendes Hustenerkennungsmodell entwickelt, um Hustengeräusche in Echtzeit zu klassifizieren.
Das Forschungsteam geht davon aus, dass das Hustenerkennungsmodell als medizinisches Gerät eingesetzt wird, um das Vorkommen von Infektionskrankheiten an überfüllten öffentlichen Orten zu erkennen oder den Zustand von Patienten in Krankenhäusern rund um die Uhr zu überwachen.
Wer hustet? Dieses Modell ist genau.
Das Hustenklassifizierungsmodell wird mit einer Kamera kombiniert.Es kann Hustengeräusche an öffentlichen Orten, den Standort des Hustenden und die Anzahl der Huste in Echtzeit erkennen und in Echtzeit visualisieren.
Das Forschungsteam erklärte:Ihre beste Testgenauigkeit erreichte 87,4 %.
Um das Hustenerkennungsmodell zu entwickeln,Das Team von Professor Park verwendete Convolutional Neural Networks (CNN) für überwachtes Lernen.
Diese Methode extrahiert Merkmale durch mehrere Datenfilterebenen und findet den nächstgelegenen Wert. Als Trainings- und Evaluierungsdaten nutzten sie das Audio Set, einen offenen Audio-Datensatz von Google und YouTube für die Forschung.
Das Modell führt schließlich eine binäre Klassifizierung durch, indem es eine Sekunde an Tonprofilmerkmalen eingibt und dann ein Hustenereignis oder andere Ausgabeergebnisse generiert.
Der konkrete Forschungsprozess gliedert sich in folgende drei Teile:
Schritt 1: Erfassen des Datensatzes
Während der Schulung und EvaluierungDas Team sammelte verschiedene Datensätze von Audioset, DEMAND, ETSI und TIMIT.
Sie extrahierten Husten und andere Geräusche aus Audioset und nutzten den Rest des Datensatzes als Hintergrundgeräusch zur Datenerweiterung, sodass das Modell auf öffentliche Orte mit verschiedenen Hintergrundgeräuschen verallgemeinert werden kann.
Damit das Hustenerkennungsmodell verschiedene Hintergrundgeräusche lernen kann, trainierten die Forscher den Computer, indem sie Hintergrundgeräusche in einem Verhältnis von 15 % bis 75 % in das „Audioset“ mischten und die Lautstärke um das 0,25- bis 1,0-fache anpassten.
Schritt 2: Modelloptimierung und kombiniertes Training
Bei der Optimierung des Netzwerkmodells verwendete das Team von Professor Park 7 Optimierer.Es wurden verschiedene Kombinationen aus fünf akustischen Merkmalen trainiert, darunter Spektrogramm, Mel-Skala-Spektrogramm und Mel-Frequenz-Cepstrum-Koeffizienten.
Die Leistung jeder Kombination wird dann mit einem Testdatensatz verglichen, wobei die höchste Testgenauigkeit 87,4% beträgt, wenn Mel-Scale-Spektrogramme als akustische Merkmale und ASGD als Optimierer verwendet werden.
Schritt 3: Kombinieren Sie Audio- und Videokameras, um Echtzeit-Tracking zu erreichen
Kombinieren Sie das trainierte Hustenerkennungsmodell mit der Audio- und Videokamera.
Die Kamera besteht aus einem Mikrofon-Array und einem Kameramodul, das anhand der gesammelten akustischen Daten eine Strahlformung durchführt, um die Richtung der eingehenden Schallquelle zu bestimmen.
Als nächstes ermittelt das Hustenerkennungsmodell, ob es sich bei dem Geräusch um einen Husten handelt. Wenn dies der Fall ist, wird der Ort des Hustens als Videobild visualisiert und die Position der Hustenquelle im Videobild mit „Husten“ gekennzeichnet.
Das Forschungsteam fand heraus, dassSelbst in lauten Umgebungen kann das Modell Husten und andere Geräusche erfolgreich erkennen.
Die Genauigkeit könnte sogar noch höher sein, wenn mehr Training in Umgebungen wie Krankenhäusern und Klassenzimmern durchgeführt würde. Diese Technologie wird derzeit vom südkoreanischen Ministerium für Energietechnologie unterstützt.
Professor Park sagte: „Bei einer Epidemie wie COVID-19 können Hustenerkennungskameras dazu beitragen, Epidemien an öffentlichen Orten zu verhindern und frühzeitig zu erkennen.Insbesondere bei der Anwendung auf Krankenhausstationen kann der Zustand des Patienten rund um die Uhr verfolgt werden.Unterstützt eine genauere Diagnose und reduziert gleichzeitig die Arbeitsbelastung des medizinischen Personals. "
Allerdings ist der Standard für Fieber sehr klar. Eine Körpertemperatur über 37,3 °C wird als Fieber angesehen.
Es gibt jedoch viele Arten von Husten, wie etwa trockenen Husten, feuchten Husten, Wind-Kälte-Husten, Wind-Hitze-Husten, Räusperhusten und unangenehmen Husten zur Linderung der Symptome ...
Es besteht die Hoffnung, dass dieses Modell weiter untersucht werden kann, um verschiedene Hustenarten zu identifizieren oder es mit Temperaturmessungen zu kombinieren. Schließlich husten auch gesunde Menschen gelegentlich.
Quellen:
-- über--