马萨诸塞州大学阿默斯特分校的研究人员发明了一种由机器学习技术驱动的便携式监视设备，称为FluSense，该设备可以实时检测咳嗽和人群人数，然后分析数据以直接监测流感样疾病和流感趋势。

FluSense的创建者说，新的边缘计算平台已计划用于医院，医疗候诊室和较大的公共场所，它可能会扩展用于预测季节性流感和其他病毒性呼吸道疾病的健康监测工具，例如COVID-19大流行或SARS。

通过在流感流行期间直接告知公共卫生应对措施，这些模型可以成为救命稻草。这些数据源可以帮助确定流感疫苗运动的时间，潜在的旅行限制，医疗物资的分配等。

“这可能使我们能够以更准确的方式预测流感的趋势，”计算机与信息科学助理教授Tauhidur Ra​​hman说。学生和主要作者Forsad Al Hossain。他们的FluSense研究结果于周三发表在计算机协会关于互动，移动，可穿戴和无处不在技术的会议论文集上。

为了给他们的发明一个现实世界的尝试，FluSense发明者与大学卫生服务执行董事George Corey博士合作。生物统计学家Nicholas Reich，基于UMass的疾病预防控制中心流感预测中心的主任;传染病专家和公共卫生与健康科学学院的助理教授流行病学家安德鲁·洛弗(Andrew Lover)。

FluSense平台使用Raspberry Pi和神经计算引擎处理低成本的麦克风阵列和热成像数据。它不存储任何个人身份信息，例如语音数据或区别图像。在拉赫曼(Rahman)的马赛克实验室，计算机科学家在那里开发传感器来观察人类健康和行为，研究人员首先开发了基于实验室的咳嗽模型。然后，他们训练了深度神经网络分类器，在代表人的热图像上绘制边界框，然后对其进行计数。拉赫曼说：“我们的主要目标是在人口水平而不是个人水平上建立预测模型。”

他们将FluSense设备装在UMass大学健康服务诊所的四个医疗候诊室中，该设备装在一个矩形盒中，矩形盒大小像一个大字典。

从2018年12月到2019年7月，FluSense平台收集并分析了来自公共等候区的350,000多幅热图像和2100万非语音音频样本。

研究人员发现，FluSense能够准确地预测大学诊所的日发病率。多组和互补的FluSense信号与针对类似流感的疾病和流感病毒本身的基于实验室的测试“紧密相关”。

根据这项研究，“由FluSense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附加和补充信息”，例如FluSight Network，它是流感预测团队的多学科联合体，包括位于Reich Lab的Reich Lab。麻省大学阿默斯特分校。

拉赫曼说：“我很长时间以来一直对非语音的身体声音感兴趣。”“我认为，如果我们能够从许多人自然聚集的公共场所捕捉到咳嗽或打喷嚏的声音，我们可以利用这些信息作为预测流行病学趋势的新数据来源。”

阿尔·侯赛因(Al Hossain)表示，FluSense是将人工智能与边缘计算相结合的强大典范，这种前沿推动的趋势使得可以在数据源处收集和分析数据。Al Hossain指出，“我们正在尝试将机器学习系统带到边缘，”他指出FluSense设备内部的紧凑型组件。“所有处理都在这里进行。这些系统越来越便宜，功能越来越强大。”