医院候诊区流感性疾病的非接触式综合检测平台

流感是一种传染性呼吸道病毒性疾病，会引发急性疾病，通常会影响患者的鼻子、喉咙和肺部。疾病控制和预防中心（CDC）估计，在美国，每个季节有400-2300万人感染流感，并且会导致1.2-7.9万人死亡[1]，这严重影响了美国的经济。疾病控制和预防中心（CDC）当前的流感监测和预测主要来自于J公共卫生机构的“流感样疾病”报告，在整个传播季节，疾病控制和预防中心每周都会监测各个州和区的流感病毒发展程度。然而，这些现有监视系统存在几个问题[2]。例如，常规门诊的就诊报告在就诊后7-14天会提供给人们，在节假日期间时间会更长，这主要是由于病毒学检测方法和医院患者报告处理需要相当长的一段时间。这段时间是对公共卫生的一大威胁，因为在此期间，流行病可能在未被发现的情况下迅速传播。

近，为了解决传统流行病学监测数据的不足，越来越多的研究将非传统数据来源纳入传染病预测中。这些来源包括气候数据[3]、社交媒体[4]、互联网搜索[5]、卫星图像[6]和智能手机数据[7]。对于基于互联网的数据源，尚不清楚观察到的“数据”在多大程度上反映了实际发病率的变化。例如，Google Flu Trends（GFT）在2012-13年流感季节期间，因G估了预测值而受到了外界的严厉批评[8]。这些非传统的数据来源虽然展示了一些前景，但其内在的局限性在于它们不能直接测量生物学信号或相关的身体症状。如果假设流感流行轨迹(图1)，在感染后1-3天内会出现各种症状，包括咳嗽、发烧(常常伴有寒颤)、咽喉痛和鼻腔症状，这些患者中有相当大一部分可能会在症状发作后的2-4天内前往医疗点治疗。本研究旨在开发和验证一种新型监测系统，该系统可在医院候诊区内捕获与流感样疾病(ILI)的身体症状直接相关的生物临床信号。

近期发表的论文“FluSense: A Contactless Syndromic SurveillancePlatform for Influenza-Like Illness in Hospital Waiting Areas”记录了检测平台FluSense在大学医疗系统中的部署情况。呼吸道感染的常见症状包括鼻塞和流鼻涕、喉咙痛、声音嘶哑和咳嗽[9]。当流感在人群中传播时，流感患者通常在初次感染后48小时内出现咳嗽症状。近的一项研究发现，流感感染的佳多变量预测因子是咳嗽和发烧，个体水平的阳性预测值为79％（p <0.001）[10]。论文作者们发现，每天的总咳嗽次数与校园内实验室确诊的流感感染表现出很强的相关性。此外，与神经网络模型相结合的热成像摄像机图像能够准确地估计每天在诊所就诊的患者总数，然后用这些图像来量化发病率，这对于统计每日的“流感样疾病”病例数和确诊的流感病例数很有帮助。这项研究为这个新技术平台提供了重要的验证数据，并强调了大规模部署（即在医院候诊室以外）的重要性，以寻求切实可行的公共卫生应对措施。

FluSense检测数据捕获的早期症状相关信息可以为当前的流感预测工作提供有价值的信息。图1说明了这种FluSense检测如何能够在短时间内捕获与流感相关的早期症状。此外，该系统的总体目的是捕获临床环境之外的数据，以估计普通人群中的感染情况。FluSense平台在处理麦克风阵列和热成像数据使用树莓派和神经计算引擎，同时不存储任何个人身份信息。它能够实时运行基于深度学习的声学模型和基于热成像的人群密度估计算法。该文作者实施了一项严格的实地研究，在拥有30000多名学生的马斯·萨克塞茨·阿默斯特大学的四个公共候诊室部署了FluSense。在这次部署中，收集了350多人，来自医院候诊室的350000张候诊室热图像和21230450个非语音音频片段。论文对这些音频片段和热图像库进行了部分注释，以便为社区公共卫生、计算机和信息科学应用提供丰富的数据集。

 

2、相关工作

2.1 基于人口水平信息的流感预测

准确实时预测传染病暴发对医务工作者、公共卫生专业人员至关重要，因为它可以为病情进行有针对性的预防和干预。目前的传染病预测工作依赖于统计模型来预测病情的发展，如某一周的发病率或一个季度的累计发病率。就流感而言，这些模型依赖于公共卫生组织ILI检测的流行病学数据，这些数据具有很大的局限性，包括在收集临床数据与随后获得流感预测之间时间上的滞后。

如上所述，为解决传统流行病学检测技术的缺点，研究人员引入了新的数字数据流，包括气候数据，社交媒体[4][11]和互联网搜索[3][12]卫星图像[6]和智能手机数据[7]用于ILI建模。但它们本身具有局限性，因为它们不能直接观测感染过程和症状。的方法通过使用非接触式检测系统直接从人群（即医院候诊室人群）中捕获ILI身体的症状，然后根据信息确定ILI的严重性，从而避开了这些问题。

2.2 咳嗽建模

近的一些研究探索了基于声音的咳嗽识别算法。例如，Mel-frequency cepstral coefficient (MFCC)和Hidden Markov Model (HMM)被用来训练咳嗽识别模型[13][14][15]。Larson等人、Amoh和Odame利用基于谱图的特征训练咳嗽识别模型[16][17]。近，在此基础上也探索了不同的卷积神经网络(CNN)架构[16]。但现有方法存在一些局限性，限制了这些模型在公共卫生应用中有效的使用。例如，在这些研究中使用的测试数据在参与者的规模和多样性方面相当有限。参与测试的人数少于20人，并且咳嗽数据仅从特定患者人群（例如哮喘患者）中收集。在这项工作中已经编译并标记了一个大型音频数据集，该数据集由不同的上呼吸道异常声音组成，包括咳嗽，打喷嚏和清嗓。总体而言，已对大约170小时的音频数据进行了人工分类，其中包括来自不同声学环境中各种个体的咳嗽情况。此外，已经使用不同的增强技术（模拟不同的场景）即考虑到不同的背景噪音和室内声学，严格评估了这些咳嗽模型的性能。后，在为期7个月的临床部署研究中，收集了超过21,000,000个非语音音频片段，其中包括四个医院候诊室实际咳嗽的声音。

 

3、FLUSENSE:非接触式检测平台

非接触式检测平台FluSense由麦克风阵列和热成像摄像机组成，用于捕捉不同的候诊室人群行为，包括咳嗽和语言活动以及候诊室病人数量(图2)。Flusense平台由多个模块组成，包括：ReSpeaker麦克风阵列(2.0版)[18]:带有4个麦克风和内置G性能芯片组的麦克风阵列；Seek CompactPRO[19]:一款热成像相机，能够捕获320*240像素分辨率和32度视野的热图像。Intel神经计算棒[20]:一个使用Intel Movidius Myriad X Vision Processing Unit (VPU)的计算硬件，用于在边缘上G效部署深度学习模型；树莓派:一个控制平台，用于同步所有附加的传感器和设备。

3.1 音频处理

为确保医院候诊区的隐私，所有音频数据在采集原始音频信号时被立即实时处理为1秒的数据块。然后，针对语音和咳嗽的G保真二进制分类器对每1秒的音频块进行分类。如果在1秒的音频片段中检测到任何类似语音声音，则不会保留音频数据。FluSense还使用两J加密将所有非语音片段存储到本地硬盘上。

3.2 热成像

使用低成本的Seek CompactPRO热成像相机，每分钟收集一次热图像，然后将图像以两J加密的方式存储在本地硬盘上。

 

4、临床试验研究

IRB批准的非接触式移动传感和边缘计算平台（如图2所示）对大学卫生服务四个公共候诊区的所有人员（包括病人、病人陪护、候诊室服务员）进行匿名数据收集。图3展示了医院内的三个候诊区以及在这些空间中部署FLUSENSE的概览。信息标语牌也放置在传感器旁边，以向公众提供有关该研究的更多信息。

5、结果分析

这项工作已经证明，在医院候诊区捕捉到咳嗽声音提供了有关流感趋势的重要流行病学信息。这验证了FluSense平台可以用于常规公共卫生监测。提供的结果还表明，与单纯的患者计数相比，诸如咳嗽计数，以言语活动次数表示的咳嗽次数和以人次计数的咳嗽次数等特征可以更好地预测流感疾病和流感患者的总数。其次，还展示了低成本，G效率的边缘计算平台，可以在嘈杂的环境中捕获咳嗽声音和潜在患者的同时确保个人隐私。综上所述，这些发现说明了这种边缘计算传感器平台可用于提G当前流感样疾病预测模型的及时性和有效性。

 

在这项工作中，得流感样疾病患者计数和流感阳性患者计数的非接触式传感平台已经在一所大学卫生诊所/医院的几个候诊区中得到验证。然而，认为的技术可以适用于不同的公共场所。实验结果证明了基于音频的咳嗽模型在不同的噪声环境下表现良好。例如，通过不同的增强技术模拟不同类型的真实场景，总的来说，这些结果表明的咳嗽分类模型可以在拥挤的公共场所（包括餐厅、学校的大教室、公共办公室、火车站或公共汽车站）实现良好的性能。

这种FluSense传感器阵列也存在很多局限性。该系统设计用于在边缘上运行所有机器学习计算，因此受到边缘计算设备的计算能力、内存等限制。但是，随着边缘计算设备功能的迅速提G，这种情况会有所改善，并且预计在声音捕获时会运行更复杂的模型。使用的热成像相机也有局限性，因为它是一种视野有限的低分辨率相机。在初的计划阶段，探索了其他具有更G分辨率、广角和非常准确的具有皮肤温度测量能力的热成像相机。但是发现它们非常昂贵，不适合低成本的移动部署设置。在本文中，证明了即使使用低成本的热像机，也可以从根据热图像估算的personTime特征中准确估算出整个候诊室的患者人数。优化FluSense传感器的部署位置是下一步的关键。设备位置应仔细选择，以捕捉具有G度ILI症状可能性的人群。公众对这类设备的看法可能令人担忧，一些人可能会认为部署这类设备是对他们隐私的侵犯。虽然从卫生机构收集了数据，但的结果证明了这个平台可以用于常规综合征监测。此外，需要在不同的季节进行长期研究，并在更具声学和流行病学多样性的环境中进行多面验证。

 

在现实世界环境中部署计算平台的主要挑战之一是在计算能力、大小、预算和不易于部署的约束下有效地分析各种噪声信号集。借助的FluSense平台，开发了一个系统，可以使用低成本的边缘计算平台收集具有代表性和可操作性的公共卫生数据。对于这个FluSense平台，开发了音频和图像识别模型，这些模型随后在实际环境中得到验证，并可以部署在边缘计算设备上。此外，已经证明，基于的传感器数据，可以预测具有0.65相关系数的总流感疾病患者人数，同时预测总流感阳性患者(相关系数= 0.61)，这说明FluSense为季节性流感监测和预测提供了新的有用信号。