本文轉(zhuǎn)載自：大數(shù)據(jù)文摘 | BigDataDigest；結(jié)合跨象乘云原創(chuàng)發(fā)布的：新冠肺炎咳嗽實(shí)時(shí)檢測(cè) - 人工智能垂直領(lǐng)域工程項(xiàng)目案例分享視頻，進(jìn)一步闡述將咳嗽聲音分析，用于對(duì)新型冠狀病毒肺炎檢測(cè)的可行性。本案例源自聯(lián)合國(guó) COVID-19 檢測(cè)和保護(hù)競(jìng)賽，演示一個(gè)完整的智能應(yīng)用端到端開發(fā)閉環(huán)流程，從借助開發(fā)板上的麥克風(fēng)采集數(shù)據(jù)，上傳數(shù)據(jù)至自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)，完成特征工程，模型訓(xùn)練，模型測(cè)試，模型壓縮一系列機(jī)器學(xué)習(xí)的核心流程。之后，將微型化機(jī)器學(xué)習(xí)模型部署到開發(fā)板上進(jìn)行模型推理。再次借助麥克風(fēng)實(shí)現(xiàn)實(shí)時(shí)的咳嗽檢測(cè)。對(duì)新冠肺炎和其他流感相關(guān)疾病早期檢測(cè)，提供一套低功耗、高性價(jià)比、易于部署的解決方案。

10 月 25 日，喀什地區(qū)疏附縣 24 日發(fā)現(xiàn) 1?例新冠肺炎無(wú)癥狀感染者后，新疆迅速對(duì)其密切接觸者、密切接觸者的接觸者進(jìn)行核酸檢測(cè)，截至 10 月 25 日 14 時(shí)，檢測(cè)出 137 人呈陽(yáng)性，經(jīng)專家診斷，均為無(wú)癥狀感染者。后疫情時(shí)代，無(wú)癥狀感染者正成為疫情復(fù)發(fā)最大的威脅。沒(méi)有任何胸悶發(fā)熱癥狀，你和同伴可能很難區(qū)分是否感染了新冠。但人工智能可以，只要你給它聽聽你的咳嗽聲。

在最近發(fā)表在《IEEE 醫(yī)學(xué)與生物學(xué)工程學(xué)雜志》上的一篇論文中，麻省理工學(xué)院的研究人員表示，他們已經(jīng)開發(fā)出可以識(shí)別 COVID-19 感染者咳嗽聲的 AI。

據(jù)論文顯示，研究小組開發(fā)了一種 AI 模型，該模型通過(guò)分析你的咳嗽錄音，可以將無(wú)癥狀感染者與健康的人區(qū)分開來(lái)。所有人都可以通過(guò)網(wǎng)絡(luò)瀏覽器以及手機(jī)和筆記本電腦等設(shè)備自愿提交的錄音。研究人員稱，該模型由他們一直以來(lái)進(jìn)行的 “咳嗽檢測(cè)阿爾茲海默早期癥狀” 演變而來(lái)，疫情以來(lái)，研究者通過(guò) “網(wǎng)絡(luò)眾籌” 的方式，已經(jīng)在全球搜集了 20 多萬(wàn)的咳嗽樣本，建立了有史以來(lái)最大的 “咳嗽數(shù)據(jù)庫(kù)”。通過(guò)這些咳嗽樣本和錄入的相關(guān)感染、性別、情緒數(shù)據(jù)，對(duì)該模型進(jìn)行了聲音訓(xùn)練。

目前，該模型識(shí)別出確診為 Covid-19 的人的咳嗽的準(zhǔn)確率為 98.5％，其中，利用咳嗽聲識(shí)別無(wú)癥狀感染者的準(zhǔn)確度高達(dá) 100％。麻省理工的研究小組正在努力將該模型整合到一個(gè)用戶友好的應(yīng)用程序中，如果獲得 FDA 的批準(zhǔn)并被大規(guī)模采用，該程序?qū)⒂锌赡艹蔀橐环N免費(fèi)、便捷、無(wú)創(chuàng)的預(yù)篩查工具，以識(shí)別可能對(duì) Covid-19 無(wú)癥狀的人。用戶可以每天登錄，錄下咳嗽聲到他們的手機(jī)中，并立即獲得有關(guān)他們是否可能被感染的信息。

麻省理工學(xué)院自動(dòng)識(shí)別實(shí)驗(yàn)室的研究科學(xué)家布萊恩·蘇比拉納（Brian Subirana）與麻省理工學(xué)院自動(dòng) ID 實(shí)驗(yàn)室的 Jordi Laguarta 和 Ferran Hueto 聯(lián)合完成了這項(xiàng)研究。

從阿茲海默癥檢測(cè)到新冠檢測(cè)

其實(shí)這項(xiàng)算法并非為新冠定制。早在疫情爆發(fā)之前，這個(gè)研究小組已經(jīng)在咳嗽的手機(jī)錄音中訓(xùn)練算法，以準(zhǔn)確診斷肺炎和哮喘等疾病。麻省理工學(xué)院的團(tuán)隊(duì)正在以類似的方式開發(fā) AI 模型，以分析強(qiáng)迫咳嗽記錄，以查看它們是否可以檢測(cè)出阿爾茨海默氏癥的體征，這種疾病不僅與記憶力下降有關(guān)，而且還與神經(jīng)肌肉退化（如聲帶減弱）有關(guān)。

他們首先訓(xùn)練了一種通用的機(jī)器學(xué)習(xí)算法或稱為 ResNet50 的神經(jīng)網(wǎng)絡(luò)，以區(qū)分與不同聲帶強(qiáng)度相關(guān)的聲音。研究表明，聲音 “mmmm” 的質(zhì)量可以表明一個(gè)人的聲帶有多弱。Subirana 在包含了 1000 多個(gè)小時(shí)語(yǔ)音的有聲讀物數(shù)據(jù)集上訓(xùn)練了神經(jīng)網(wǎng)絡(luò)，以從 “the” 和 “then” 等其他詞中挑選出 “them” 一詞。該小組訓(xùn)練了第二個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)區(qū)分言語(yǔ)中明顯的情緒狀態(tài)，因?yàn)橐炎C明阿爾茨海默氏癥患者以及神經(jīng)系統(tǒng)較弱的人表現(xiàn)出某些情緒，例如沮喪或平淡無(wú)奇，比他們表達(dá)快樂(lè)還是冷靜的情緒更高。研究人員通過(guò)在大型演員數(shù)據(jù)集上訓(xùn)練情緒情感分類器（例如中性，平靜，快樂(lè)和悲傷）來(lái)開發(fā)情緒語(yǔ)音分類器模型。

然后，研究人員在咳嗽數(shù)據(jù)庫(kù)上訓(xùn)練了第三個(gè)神經(jīng)網(wǎng)絡(luò)，以辨別肺和呼吸功能的變化。

最后，該團(tuán)隊(duì)將這三個(gè)模型結(jié)合在一起，并疊加了一種算法來(lái)檢測(cè)肌肉退化。該算法通過(guò)實(shí)質(zhì)上模擬音頻蒙版或噪聲層，并區(qū)分強(qiáng)咳嗽（通過(guò)噪聲可以聽到的咳嗽）與較弱的咳嗽，來(lái)做到這一點(diǎn)。

通過(guò)新的 AI 框架，該團(tuán)隊(duì)提供了包括阿爾茨海默氏癥患者在內(nèi)的音頻記錄，發(fā)現(xiàn)與現(xiàn)有模型相比，它可以更好地識(shí)別阿爾茨海默氏癥的樣本。結(jié)果表明，聲帶強(qiáng)度、情緒、肺和呼吸功能以及肌肉退化是診斷該疾病的有效生物標(biāo)志物。

當(dāng)冠狀病毒大流行開始蔓延時(shí)，Subirana 想知道他們針對(duì)阿爾茨海默氏癥的 AI 框架是否也可以用于診斷 Covid-19，因?yàn)樵絹?lái)越多的證據(jù)表明感染的患者會(huì)經(jīng)歷一些類似的神經(jīng)系統(tǒng)癥狀，例如暫時(shí)性神經(jīng)肌肉損傷。

“說(shuō)話和咳嗽的聲音都受到聲帶和周圍器官的影響。這意味著當(dāng)講話時(shí)，部分講話就像是咳嗽，反之亦然。這也意味著我們很容易從流利的言語(yǔ)中衍生出一些東西，人工智能可以簡(jiǎn)單地從咳嗽中發(fā)現(xiàn)一些信息，包括人的性別、母語(yǔ)甚至情緒狀態(tài)。實(shí)際上，您的咳嗽中蘊(yùn)含著情感。” Subirana 說(shuō)?！八晕覀冋J(rèn)為，為什么我們不嘗試探究這些阿茲海默癥的生物標(biāo)志物（以及看它們是否與 Covid 相關(guān)）”。

20 萬(wàn)+ 咳嗽樣本，已知最大的咳嗽研究數(shù)據(jù)集

在 4 月，研究小組著手收集盡可能多的咳嗽記錄，包括來(lái)自 Covid-19 患者的咳嗽記錄。他們建立了一個(gè)網(wǎng)站，人們可以通過(guò)手機(jī)或其他支持網(wǎng)絡(luò)的設(shè)備記錄一系列咳嗽。參與者還填寫了他們正在經(jīng)歷的癥狀的調(diào)查表，無(wú)論他們是否患有 Covid-19，是否通過(guò)官方測(cè)試，通過(guò)醫(yī)生對(duì)其癥狀的評(píng)估或是否經(jīng)過(guò)自我診斷而得到了診斷。他們還可以記錄自己的性別，地理位置和母語(yǔ)。

迄今為止，研究人員已經(jīng)收集了 70,000 多條錄音，每條錄音包含多個(gè)咳嗽聲，總計(jì)約 200,000 咳嗽音頻樣本，Subirana 說(shuō)這是 “已知最大的咳嗽研究數(shù)據(jù)集”。確認(rèn)患有 Covid-19 的人（包括無(wú)癥狀的人）提交了大約 2500 份錄音。

該團(tuán)隊(duì)使用了 2,500 個(gè)與 Covid 相關(guān)的記錄，以及他們從集合中隨機(jī)選擇的另外 2500 個(gè)記錄來(lái)平衡數(shù)據(jù)集。他們使用了 4,000 個(gè)樣本來(lái)訓(xùn)練 AI 模型。然后將其余的 1,000 個(gè)記錄輸入模型中，以查看它能否準(zhǔn)確區(qū)分出 Covid 患者和健康個(gè)體的咳嗽。

令人驚訝的是，正如研究人員在論文中所寫的那樣，他們的努力揭示了 “阿爾茨海默氏癥和新冠咳嗽算法之間驚人的相似之處”。他們發(fā)現(xiàn)，在原本用于阿爾茨海默氏癥的 AI 框架內(nèi)無(wú)需進(jìn)行大量調(diào)整，他們就能找到針對(duì) Covid-19 的四種生物標(biāo)志物的模式-聲帶強(qiáng)度、情緒、肺和呼吸功能以及肌肉退化。該模型從 Covid-19 確診的人中識(shí)別出 98.5 ％的咳嗽，并準(zhǔn)確地檢測(cè)到了所有無(wú)癥狀的咳嗽。Subirana 說(shuō)：“我們認(rèn)為這表明，即使您沒(méi)有癥狀，當(dāng)您擁有 Covid 時(shí)，您產(chǎn)生聲音的方式也會(huì)改變。”

100%檢測(cè)到無(wú)癥狀感染者

Subirana 強(qiáng)調(diào)，這種 AI 模型的優(yōu)勢(shì)不在于檢測(cè)有癥狀的新冠患者，不管他們的癥狀是由于 Covid-19 還是其他癥狀（如流感或哮喘）引起的。該工具的優(yōu)勢(shì)在于它能夠分辨無(wú)癥狀新冠感染者的咳嗽和健康的咳嗽。?

MIT 的團(tuán)隊(duì)正在與一家公司合作，根據(jù)他們的 AI 模型開發(fā)免費(fèi)的預(yù)檢應(yīng)用程序。他們還與世界各地的多家醫(yī)院合作，收集更大，更多樣化的咳嗽記錄集，這將有助于訓(xùn)練和增強(qiáng)模型的準(zhǔn)確性。正如他們?cè)谡撐闹刑岢龅哪菢?，“如果預(yù)篩查工具始終在后臺(tái)并且不斷改進(jìn)，那么泛濫癥就可能成為過(guò)去?！弊罱K，他們?cè)O(shè)想可以將他們開發(fā)的音頻 AI 模型集成到智能揚(yáng)聲器和其他聽音設(shè)備中，以便人們可以方便地（也許每天）對(duì)他們的疾病風(fēng)險(xiǎn)進(jìn)行初步評(píng)估。