醫院候診區流感性疾病的非接觸式綜合檢測平臺

流感是一種傳染性呼吸道病毒性疾病，會(huì )引發(fā)急性疾病，通常會(huì )影響患者的鼻子、喉嚨和肺部。疾病控制和預防中心（CDC）估計，在美國，每個(gè)季節有400-2300萬(wàn)人感染流感，并且會(huì )導致1.2-7.9萬(wàn)人死亡[1]，這嚴重影響了美國的經(jīng)濟。疾病控制和預防中心（CDC）當前的流感監測和預測主要來(lái)自于公共衛生機構的“流感樣疾病”報告，在整個(gè)傳播季節，疾病控制和預防中心每周都會(huì )監測各個(gè)州和區的流感病毒發(fā)展程度。然而，這些現有監視系統存在幾個(gè)問(wèn)題[2]。例如，常規門(mén)診的就診報告在就診后7-14天會(huì )提供給人們，在節假日期間時(shí)間會(huì )更長(cháng)，這主要是由于病毒學(xué)檢測方法和醫院患者報告處理需要相當長(cháng)的一段時(shí)間。這段時(shí)間是對公共衛生的一大威脅，因為在此期間，流行病可能在未被發(fā)現的情況下迅速傳播。

最近，為了解決傳統流行病學(xué)監測數據的不足，越來(lái)越多的研究將非傳統數據來(lái)源納入傳染病預測中。這些來(lái)源包括氣候數據[3]、社交媒體[4]、互聯(lián)網(wǎng)搜索[5]、衛星圖像[6]和智能手機數據[7]。對于基于互聯(lián)網(wǎng)的數據源，尚不清楚觀(guān)察到的“數據”在多大程度上反映了實(shí)際發(fā)病率的變化。例如，Google Flu Trends（GFT）在2012-13年流感季節期間，因高估了預測值而受到了外界的嚴厲批評[8]。這些非傳統的數據來(lái)源雖然展示了一些前景，但其內在的局限性在于它們不能直接測量生物學(xué)信號或相關(guān)的身體癥狀。如果假設流感流行軌跡(圖1)，在感染后1-3天內會(huì )出現各種癥狀，包括咳嗽、發(fā)燒(常常伴有寒顫)、咽喉痛和鼻腔癥狀，這些患者中有相當大一部分可能會(huì )在癥狀發(fā)作后的2-4天內前往醫療點(diǎn)治療。本研究旨在開(kāi)發(fā)和驗證一種新型監測系統，該系統可在醫院候診區內捕獲與流感樣疾病(ILI)的身體癥狀直接相關(guān)的生物臨床信號。

近期發(fā)表的論文“FluSense: A Contactless Syndromic SurveillancePlatform for Influenza-Like Illness in Hospital Waiting Areas”記錄了檢測平臺FluSense在大學(xué)醫療系統中的部署情況。呼吸道感染的常見(jiàn)癥狀包括鼻塞和流鼻涕、喉嚨痛、聲音嘶啞和咳嗽[9]。當流感在人群中傳播時(shí)，流感患者通常在初次感染后48小時(shí)內出現咳嗽癥狀。最近的一項研究發(fā)現，流感感染的最佳多變量預測因子是咳嗽和發(fā)燒，個(gè)體水平的陽(yáng)性預測值為79％（p <0.001）[10]。論文作者們發(fā)現，每天的總咳嗽次數與校園內實(shí)驗室確診的流感感染表現出很強的相關(guān)性。此外，與神經(jīng)網(wǎng)絡(luò )模型相結合的熱成像攝像機圖像能夠準確地估計每天在診所就診的患者總數，然后用這些圖像來(lái)量化發(fā)病率，這對于統計每日的“流感樣疾病”病例數和確診的流感病例數很有幫助。這項研究為這個(gè)新技術(shù)平臺提供了重要的驗證數據，并強調了大規模部署（即在醫院候診室以外）的重要性，以尋求切實(shí)可行的公共衛生應對措施。

FluSense檢測數據捕獲的早期癥狀相關(guān)信息可以為當前的流感預測工作提供有價(jià)值的信息。圖1說(shuō)明了這種FluSense檢測如何能夠在最短時(shí)間內捕獲與流感相關(guān)的早期癥狀。此外，該系統的總體目的是捕獲臨床環(huán)境之外的數據，以估計普通人群中的感染情況。FluSense平臺在處理麥克風(fēng)陣列和熱成像數據使用樹(shù)莓派和神經(jīng)計算引擎，同時(shí)不存儲任何個(gè)人身份信息。它能夠實(shí)時(shí)運行基于深度學(xué)習的聲學(xué)模型和基于熱成像的人群密度估計算法。該文作者實(shí)施了一項嚴格的實(shí)地研究，在擁有30000多名學(xué)生的馬斯·薩克塞茨·阿默斯特大學(xué)的四個(gè)公共候診室部署了FluSense。在這次部署中，收集了350多人，來(lái)自醫院候診室的350000張候診室熱圖像和21230450個(gè)非語(yǔ)音音頻片段。論文對這些音頻片段和熱圖像庫進(jìn)行了部分注釋?zhuān)�以便為社區公共衛生、計算機和信息科學(xué)應用提供豐富的數據集。

 

2、相關(guān)工作

2.1 基于人口水平信息的流感預測

準確實(shí)時(shí)預測傳染病暴發(fā)對醫務(wù)工作者、公共衛生專(zhuān)業(yè)人員至關(guān)重要，因為它可以為病情進(jìn)行有針對性的預防和干預。目前的傳染病預測工作依賴(lài)于統計模型來(lái)預測病情的發(fā)展，如某一周的發(fā)病率或一個(gè)季度的累計發(fā)病率。就流感而言，這些模型依賴(lài)于公共衛生組織ILI檢測的流行病學(xué)數據，這些數據具有很大的局限性，包括在收集臨床數據與隨后獲得流感預測之間時(shí)間上的滯后。

如上所述，為解決傳統流行病學(xué)檢測技術(shù)的缺點(diǎn)，研究人員引入了新的數字數據流，包括氣候數據，社交媒體[4][11]和互聯(lián)網(wǎng)搜索[3][12]衛星圖像[6]和智能手機數據[7]用于ILI建模。但它們本身具有局限性，因為它們不能直接觀(guān)測感染過(guò)程和癥狀。的方法通過(guò)使用非接觸式檢測系統直接從人群（即醫院候診室人群）中捕獲ILI身體的癥狀，然后根據信息確定ILI的嚴重性，從而避開(kāi)了這些問(wèn)題。

2.2 咳嗽建模

最近的一些研究探索了基于聲音的咳嗽識別算法。例如，Mel-frequency cepstral coefficient (MFCC)和Hidden Markov Model (HMM)被用來(lái)訓練咳嗽識別模型[13][14][15]。Larson等人、Amoh和Odame利用基于譜圖的特征訓練咳嗽識別模型[16][17]。最近，在此基礎上也探索了不同的卷積神經(jīng)網(wǎng)絡(luò )(CNN)架構[16]。但現有方法存在一些局限性，限制了這些模型在公共衛生應用中有效的使用。例如，在這些研究中使用的測試數據在參與者的規模和多樣性方面相當有限。參與測試的人數少于20人，并且咳嗽數據僅從特定患者人群（例如哮喘患者）中收集。在這項工作中已經(jīng)編譯并標記了一個(gè)大型音頻數據集，該數據集由不同的上呼吸道異常聲音組成，包括咳嗽，打噴嚏和清嗓。總體而言，已對大約170小時(shí)的音頻數據進(jìn)行了人工分類(lèi)，其中包括來(lái)自不同聲學(xué)環(huán)境中各種個(gè)體的咳嗽情況。此外，已經(jīng)使用不同的增強技術(shù)（模擬不同的場(chǎng)景）即考慮到不同的背景噪音和室內聲學(xué)，嚴格評估了這些咳嗽模型的性能。最后，在為期7個(gè)月的臨床部署研究中，收集了超過(guò)21,000,000個(gè)非語(yǔ)音音頻片段，其中包括四個(gè)醫院候診室實(shí)際咳嗽的聲音。

 

3、FLUSENSE:非接觸式檢測平臺

非接觸式檢測平臺FluSense由麥克風(fēng)陣列和熱成像攝像機組成，用于捕捉不同的候診室人群行為，包括咳嗽和語(yǔ)言活動(dòng)以及候診室病人數量(圖2)。Flusense平臺由多個(gè)模塊組成，包括：ReSpeaker麥克風(fēng)陣列(2.0版)[18]:帶有4個(gè)麥克風(fēng)和內置高性能芯片組的麥克風(fēng)陣列；Seek CompactPRO[19]:一款熱成像相機，能夠捕獲320*240像素分辨率和32度視野的熱圖像。Intel神經(jīng)計算棒[20]:一個(gè)使用Intel Movidius Myriad X Vision Processing Unit (VPU)的計算硬件，用于在邊緣上高效部署深度學(xué)習模型；樹(shù)莓派:一個(gè)控制平臺，用于同步所有附加的傳感器和設備。

3.1 音頻處理

為確保醫院候診區的隱私，所有音頻數據在采集原始音頻信號時(shí)被立即實(shí)時(shí)處理為1秒的數據塊。然后，針對語(yǔ)音和咳嗽的高保真二進(jìn)制分類(lèi)器對每1秒的音頻塊進(jìn)行分類(lèi)。如果在1秒的音頻片段中檢測到任何類(lèi)似語(yǔ)音聲音，則不會(huì )保留音頻數據。FluSense還使用兩級加密將所有非語(yǔ)音片段存儲到本地硬盤(pán)上。

3.2 熱成像

使用低成本的Seek CompactPRO熱成像相機，每分鐘收集一次熱圖像，然后將圖像以?xún)杉壖用艿姆绞酱鎯υ诒镜赜脖P(pán)上。

 

4、臨床試驗研究

IRB批準的非接觸式移動(dòng)傳感和邊緣計算平臺（如圖2所示）對大學(xué)衛生服務(wù)四個(gè)公共候診區的所有人員（包括病人、病人陪護、候診室服務(wù)員）進(jìn)行匿名數據收集。圖3展示了醫院內的三個(gè)候診區以及在這些空間中部署FLUSENSE的概覽。信息標語(yǔ)牌也放置在傳感器旁邊，以向公眾提供有關(guān)該研究的更多信息。

5、結果分析

這項工作已經(jīng)證明，在醫院候診區捕捉到咳嗽聲音提供了有關(guān)流感趨勢的重要流行病學(xué)信息。這驗證了FluSense平臺可以用于常規公共衛生監測。提供的結果還表明，與單純的患者計數相比，諸如咳嗽計數，以言語(yǔ)活動(dòng)次數表示的咳嗽次數和以人次計數的咳嗽次數等特征可以更好地預測流感疾病和流感患者的總數。其次，還展示了低成本，高效率的邊緣計算平臺，可以在嘈雜的環(huán)境中捕獲咳嗽聲音和潛在患者的同時(shí)確保個(gè)人隱私。綜上所述，這些發(fā)現說(shuō)明了這種邊緣計算傳感器平臺可用于提高當前流感樣疾病預測模型的及時(shí)性和有效性。

 

在這項工作中，得流感樣疾病患者計數和流感陽(yáng)性患者計數的非接觸式傳感平臺已經(jīng)在一所大學(xué)衛生診所/醫院的幾個(gè)候診區中得到驗證。然而，認為的技術(shù)可以適用于不同的公共場(chǎng)所。實(shí)驗結果證明了基于音頻的咳嗽模型在不同的噪聲環(huán)境下表現良好。例如，通過(guò)不同的增強技術(shù)模擬不同類(lèi)型的真實(shí)場(chǎng)景，總的來(lái)說(shuō)，這些結果表明的咳嗽分類(lèi)模型可以在擁擠的公共場(chǎng)所（包括餐廳、學(xué)校的大教室、公共辦公室、火車(chē)站或公共汽車(chē)站）實(shí)現良好的性能。

這種FluSense傳感器陣列也存在很多局限性。該系統設計用于在邊緣上運行所有機器學(xué)習計算，因此受到邊緣計算設備的計算能力、內存等限制。但是，隨著(zhù)邊緣計算設備功能的迅速提高，這種情況會(huì )有所改善，并且預計在聲音捕獲時(shí)會(huì )運行更復雜的模型。使用的熱成像相機也有局限性，因為它是一種視野有限的低分辨率相機。在最初的計劃階段，探索了其他具有更高分辨率、廣角和非常精確的具有皮膚溫度測量能力的熱成像相機。但是發(fā)現它們非常昂貴，不適合低成本的移動(dòng)部署設置。在本文中，證明了即使使用低成本的熱像機，也可以從根據熱圖像估算的personTime特征中準確估算出整個(gè)候診室的患者人數。優(yōu)化FluSense傳感器的部署位置是下一步的關(guān)鍵。設備位置應仔細選擇，以捕捉具有高度ILI癥狀可能性的人群。公眾對這類(lèi)設備的看法可能令人擔憂(yōu)，一些人可能會(huì )認為部署這類(lèi)設備是對他們隱私的侵犯。雖然從衛生機構收集了數據，但的結果證明了這個(gè)平臺可以用于常規綜合征監測。此外，需要在不同的季節進(jìn)行長(cháng)期研究，并在更具聲學(xué)和流行病學(xué)多樣性的環(huán)境中進(jìn)行全面驗證。

 

在現實(shí)世界環(huán)境中部署計算平臺的主要挑戰之一是在計算能力、大小、預算和不易于部署的約束下有效地分析各種噪聲信號集。借助的FluSense平臺，開(kāi)發(fā)了一個(gè)系統，可以使用低成本的邊緣計算平臺收集具有代表性和可操作性的公共衛生數據。對于這個(gè)FluSense平臺，開(kāi)發(fā)了音頻和圖像識別模型，這些模型隨后在實(shí)際環(huán)境中得到驗證，并可以部署在邊緣計算設備上。此外，已經(jīng)證明，基于的傳感器數據，可以預測具有0.65相關(guān)系數的總流感疾病患者人數，同時(shí)預測總流感陽(yáng)性患者(相關(guān)系數= 0.61)，這說(shuō)明FluSense為季節性流感監測和預測提供了新的有用信號。