流感是一種傳染性呼吸道病毒性疾病，會引發急性疾病，通常會影響患者的鼻子、喉嚨和肺部。疾病控制和預防中心（CDC）估計，在美國，每個季節有400-2300萬人感染流感，并且會導致1.2-7.9萬人死亡[1]，這嚴重影響了美國的經濟。疾病控制和預防中心（CDC）當前的流感監測和預測主要來自于國家級公共衛生機構的“流感樣疾病”報告，在整個傳播季節，疾病控制和預防中心每周都會監測各個州和區的流感病毒發展程度。然而，這些現有監視系統存在幾個問題[2]。例如，常規門診的就診報告在就診后7-14天會提供給人們，在節假日期間時間會更長，這主要是由于病毒學檢測方法和醫院患者報告處理需要相當長的一段時間。這段時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現的情況下迅速傳播。

最近，為了解決傳統流行病學監測數據的不足，越來越多的研究將非傳統數據來源納入傳染病預測中。這些來源包括氣候數據[3]、社交媒體[4]、互聯網搜索[5]、衛星圖像[6]和智能手機數據[7]。對于基于互聯網的數據源，尚不清楚觀察到的“數據”在多大程度上反映了實際發病率的變化。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信號或相關的身體癥狀。如果假設流感流行軌跡(圖1)，在感染后1-3天內會出現各種癥狀，包括咳嗽、發燒(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在癥狀發作后的2-4天內前往醫療點治療。本研究旨在開發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的生物臨床信號。

近期發表的論文“FluSense: A Contactless Syndromic SurveillancePlatform for Influenza-Like Illness in Hospital Waiting Areas”記錄了檢測平臺FluSense在大學醫療系統中的部署情況。呼吸道感染的常見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，流感患者通常在初次感染后48小時內出現咳嗽癥狀。最近的一項研究發現，流感感染的最佳多變量預測因子是咳嗽和發燒，個體水平的陽性預測值為79％（p <0.001）[10]。論文作者們發現，每天的總咳嗽次數與校園內實驗室確診的流感感染表現出很強的相關性。此外，與神經網絡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，然后用這些圖像來量化發病率，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。這項研究為這個新技術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信息可以為當前的流感預測工作提供有價值的信息。圖1說明了這種FluSense檢測如何能夠在最短時間內捕獲與流感相關的早期癥狀。此外，該系統的總體目的是捕獲臨床環境之外的數據，以估計普通人群中的感染情況。FluSense平臺在處理麥克風陣列和熱成像數據使用樹莓派和神經計算引擎，同時不存儲任何個人身份信息。它能夠實時運行基于深度學習的聲學模型和基于熱成像的人群密度估計算法。該文作者實施了一項嚴格的實地研究，在擁有30000多名學生的馬斯·薩克塞茨·阿默斯特大學的四個公共候診室部署了FluSense。在這次部署中，收集了350多人，來自醫院候診室的350000張候診室熱圖像和21230450個非語音音頻片段。論文對這些音頻片段和熱圖像庫進行了部分注釋，以便為社區公共衛生、計算機和信息科學應用提供豐富的數據集。

 

2、相關工作

2.1 基于人口水平信息的流感預測

準確實時預測傳染病暴發對醫務工作者、公共衛生專業人員至關重要，因為它可以為病情進行有針對性的預防和干預。目前的傳染病預測工作依賴于統計模型來預測病情的發展，如某一周的發病率或一個季度的累計發病率。就流感而言，這些模型依賴于公共衛生組織ILI檢測的流行病學數據，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間上的滯后。

如上所述，為解決傳統流行病學檢測技術的缺點，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]和互聯網搜索[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測感染過程和癥狀。的方法通過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，從而避開了這些問題。

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網絡(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。在這項工作中已經編譯并標記了一個大型音頻數據集，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小時的音頻數據進行了人工分類，其中包括來自不同聲學環境中各種個體的咳嗽情況。此外，已經使用不同的增強技術（模擬不同的場景）即考慮到不同的背景噪音和室內聲學，嚴格評估了這些咳嗽模型的性能。最后，在為期7個月的臨床部署研究中，收集了超過21,000,000個非語音音頻片段，其中包括四個醫院候診室實際咳嗽的聲音。

 

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，包括咳嗽和語言活動以及候診室病人數量(圖2)。Flusense平臺由多個模塊組成，包括：ReSpeaker麥克風陣列(2.0版)[18]:帶有4個麥克風和內置高性能芯片組的麥克風陣列；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神經計算棒[20]:一個使用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習模型；樹莓派:一個控制平臺，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被立即實時處理為1秒的數據塊。然后，針對語音和咳嗽的高保真二進制分類器對每1秒的音頻塊進行分類。如果在1秒的音頻片段中檢測到任何類似語音聲音，則不會保留音頻數據。FluSense還使用兩級加密將所有非語音片段存儲到本地硬盤上。

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，然后將圖像以兩級加密的方式存儲在本地硬盤上。

 

4、臨床試驗研究

IRB批準的非接觸式移動傳感和邊緣計算平臺（如圖2所示）對大學衛生服務四個公共候診區的所有人員（包括病人、病人陪護、候診室服務員）進行匿名數據收集。圖3展示了醫院內的三個候診區以及在這些空間中部署FLUSENSE的概覽。信息標語牌也放置在傳感器旁邊，以向公眾提供有關該研究的更多信息。

5、結果分析

這項工作已經證明，在醫院候診區捕捉到咳嗽聲音提供了有關流感趨勢的重要流行病學信息。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，以言語活動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，可以在嘈雜的環境中捕獲咳嗽聲音和潛在患者的同時確保個人隱私。綜上所述，這些發現說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性患者計數的非接觸式傳感平臺已經在一所大學衛生診所/醫院的幾個候診區中得到驗證。然而，認為的技術可以適用于不同的公共場所。實驗結果證明了基于音頻的咳嗽模型在不同的噪聲環境下表現良好。例如，通過不同的增強技術模擬不同類型的真實場景，總的來說，這些結果表明的咳嗽分類模型可以在擁擠的公共場所（包括餐廳、學校的大教室、公共辦公室、火車站或公共汽車站）實現良好的性能。

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，隨著邊緣計算設備功能的迅速提高，這種情況會有所改善，并且預計在聲音捕獲時會運行更復雜的模型。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。但是發現它們非常昂貴，不適合低成本的移動部署設置。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候診室的患者人數。優化FluSense傳感器的部署位置是下一步的關鍵。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。公眾對這類設備的看法可能令人擔憂，一些人可能會認為部署這類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平臺可以用于常規綜合征監測。此外，需要在不同的季節進行長期研究，并在更具聲學和流行病學多樣性的環境中進行全面驗證。

 

在現實世界環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，開發了一個系統，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FluSense平臺，開發了音頻和圖像識別模型，這些模型隨后在實際環境中得到驗證，并可以部署在邊緣計算設備上。此外，已經證明，基于的傳感器數據，可以預測具有0.65相關系數的總流感疾病患者人數，同時預測總流感陽性患者(相關系數= 0.61)，這說明FluSense為季節性流感監測和預測提供了新的有用信號。