گاتلین می‌گوید استفاده از این رویکرد برای ردیابی شیوع بیماری شامل قرار دادن میکروفون‌ها در نزدیکی دستشویی‌های عمومی و تغذیه داده‌ها به هوش مصنوعی است.
مایا گاتلین در موسسه فناوری جورجیا و همکارانش 350 صدای ضبط شده از صدای توالت را از یوتیوب و یک پایگاه داده صدا جمع آوری کردند. Soundsnap – پوشاندن مدفوع استاندارد، اسهال، ادرار و نفخ.
سپس محققان از 70 درصد ضبط‌ها برای آموزش هوش مصنوعی برای تشخیص تفاوت‌های شنیداری بین چهار نوع دفع استفاده کردند. هنگامی که آنها تأیید کردند که هوش مصنوعی می تواند این کار را به طور مداوم با 10٪ از داده های اضافی انجام دهد، آنها عملکرد هوش مصنوعی را با استفاده از 20٪ باقی مانده از سوابق آزمایش کردند.
محققان دستگاهی را ایجاد کردند که می‌توان آن را در توالت نصب کرد. یک میکروفون صدای استفاده از توالت را دریافت می کند، که روی یک ریزپردازنده در جعبه “Diarrhea Detector” (تصویر بالا) که دارای یک مدل هوش مصنوعی یادگیری ماشینی است، ضبط می شود. سیگنال قبل از طبقه بندی به عنوان اسهال یا نه پردازش و ارزیابی می شود.
مایا گاتلین
بیماری‌های اسهالی مانند وبا در صورت عدم درمان می‌توانند منجر به مرگ شوند و تشخیص خودکار سطوح اسهال در جامعه می‌تواند به ردیابی شیوع و کاهش شیوع بیماری کمک کند.
استفاده از ضبط‌های آنلاین برای توسعه هوش مصنوعی همچنین به این معنی بود که محققان باید به‌طور دستی به ضبط‌ها گوش می‌دادند و تصمیم می‌گرفتند که آیا برچسب‌های صوتی دقیقاً نوع رویداد ریختن را توصیف می‌کردند یا خیر – بدون اینکه مطمئن باشند چه نوع ضبط شده است.
برای خبرنامه رایگان بررسی سلامت ما ثبت نام کنید که اخبار سلامت، غذا و تناسب اندام را که می توانید به آنها اعتماد کنید، هر شنبه به شما می دهد.
با این حال، صدای رویدادهای دفع بستگی به نوع توالت مورد استفاده دارد.
توسط کاریسا ونگ
نصب حسگر در نزدیکی توالت می تواند ارزیابی کند که آیا فردی اسهال دارد یا خیر
درباره این موضوعات بیشتر بدانید:
منبع: https://www.newscientist.com/article/2350082-ai-listens-to-toilet-sounds-to-guess-whether-people-have-diarrhoea/?utm_campaign=RSS%7CNSNS&utm_source=NSNS&utm_medium=RSS&utm_content=home
یک هوش مصنوعی می تواند اسهال را با دقت 98 درصد با تجزیه و تحلیل صداهای منتشر شده از توالت تشخیص دهد. این مهارت می تواند به ما در ردیابی شیوع بیماری مانند وبا کمک کند.
این نشان داد که هوش مصنوعی می‌تواند به درستی یک رویداد ریزش را به عنوان اسهال یا غیراسهالی با دقت 98 درصد طبقه‌بندی کند، در صورتی که سر و صدای پس‌زمینه (مانند افرادی که صحبت می‌کنند) فیلتر شود، و با دقت 96 درصد اگر نویز پس‌زمینه حفظ شود.
گاتلین می‌گوید: «در آینده، ما می‌خواهیم رکوردهای دفع واقعی را جمع‌آوری کنیم و هوش مصنوعی را بر روی آنها توسعه دهیم.
هوش مصنوعی که می تواند اسهال را با دقت 98 درصد از ضبط صداهای توالت تشخیص دهد، می تواند به ردیابی شیوع بیماری ها مانند وبا کمک کند.
