Twoje nocne chrapanie i kaszel mogą być wyjątkowe

Od ShutEye do SleepScore, dostępnych jest kilka aplikacji na smartfony, jeśli próbujesz lepiej zrozumieć, w jaki sposób chrapanie wpływa na Twój odpoczynek, dzięki czemu możesz zostawić włączony mikrofon na noc, aby nagrać ochrypłe pomruki nosa i dudnienie w gardle. Ale chociaż aplikacje na smartfony są pomocne w śledzeniu obecności chrapania, ich dokładność pozostaje problemem w przypadku zastosowania w rzeczywistych sypialniach z zewnętrznymi hałasami i wieloma słyszalnymi osobami.

Wstępne badania przeprowadzone na Uniwersytecie w Southampton sprawdzają, czy chrapanie ma charakterystyczny dźwięk, który można wykorzystać do identyfikacji. „Jak dokładnie śledzić chrapanie lub kaszel?” pyta Jagmohan Chauhan, adiunkt na uniwersytecie, który pracował nad badaniami. Modele uczenia maszynowego, w szczególności głębokie sieci neuronowe, mogą pomóc w weryfikacji, kto wykonuje tę symfonię chrapania.

Chociaż badania dopiero się rozpoczynają, opierają się na recenzowanych badaniach, w których wykorzystano uczenie maszynowe do zweryfikowania twórców innego dźwięku bogatego w dane, często słyszanego przebijającego się przez optymistyczną ciszę nocy: kaszel.

Naukowcy z Google i University of Washington połączyli ludzką mowę i kaszel w zestaw danych, a następnie zastosowali wielozadaniowe podejście do uczenia się, aby zweryfikować, kto wywołał konkretny kaszel w nagraniu. W swoich badaniach sztuczna inteligencja działała o 10 procent lepiej niż oceniający człowiek w określaniu, kto odkaszlnął z małej grupy ludzi.

Matt Whitehill, doktorant, który pracował nad dokumentem do identyfikacji kaszlu, kwestionuje niektóre metodologie leżące u podstaw badań nad chrapaniem i uważa, że ​​bardziej rygorystyczne testy obniżyłyby jego skuteczność. Mimo to uważa szersze pojęcie identyfikacji dźwiękowej za zasadne. „Pokazaliśmy, że można to zrobić za pomocą kaszlu. Wydaje się bardzo prawdopodobne, że możesz zrobić to samo z chrapaniem” – mówi Whitehill.

Ten oparty na dźwięku segment sztucznej inteligencji nie jest tak szeroko omawiany (i zdecydowanie nie w tak bombastycznych kategoriach) jak procesory języka naturalnego, takie jak ChatGPT OpenAI. Niezależnie od tego kilka firm znajduje sposoby wykorzystania sztucznej inteligencji do analizowania nagrań dźwiękowych i poprawy zdrowia.

Resmonics, szwajcarska firma zajmująca się wykrywaniem objawów chorób płuc za pomocą sztucznej inteligencji, wydała oprogramowanie medyczne z certyfikatem CE i dostępne dla Szwajcarów za pośrednictwem aplikacji myCough. Chociaż oprogramowanie nie jest przeznaczone do diagnozowania chorób, aplikacja może pomóc użytkownikom śledzić, ile kaszlu występują w ciągu nocy i jaki rodzaj kaszlu jest najbardziej rozpowszechniony. Zapewnia to użytkownikom pełniejsze zrozumienie ich schematów kaszlu, podczas gdy sami decydują, czy potrzebna jest konsultacja lekarska.

David Cleres, współzałożyciel i dyrektor ds. technologii w firmie Resmonics, dostrzega potencjał technik głębokiego uczenia się w rozpoznawaniu kaszlu lub chrapania konkretnej osoby, ale uważa, że ​​w tym segmencie badań nad sztuczną inteligencją wciąż potrzebne są wielkie przełomy. „W Resmonics przekonaliśmy się na własnej skórze, że odporność na zmienność urządzeń rejestrujących i lokalizacji jest równie trudna do osiągnięcia, jak odporność na zmiany w różnych populacjach użytkowników”, pisze Cleres w e-mailu. Nie tylko trudno jest znaleźć zestaw danych z różnymi naturalnymi nagraniami kaszlu i chrapania, ale także trudno jest przewidzieć jakość mikrofonu pięcioletniego iPhone’a i miejsce, w którym ktoś zdecyduje się go zostawić na noc.

Tak więc dźwięki, które wydajesz w łóżku w nocy, mogą być śledzone przez sztuczną inteligencję i różnią się od dźwięków wydawanych w nocy przez inne osoby w twoim domu. Czy chrapanie może być również używane jako dane biometryczne powiązane z tobą, takie jak odcisk palca? Wymagane są dalsze badania, zanim wyciągnie się przedwczesne wnioski. „Jeśli patrzysz z perspektywy zdrowia, to może zadziałać” — mówi Chauhan. „Z perspektywy biometrycznej nie możemy być pewni”. Jagmohan jest również zainteresowany zbadaniem, w jaki sposób przetwarzanie sygnału, bez pomocy modeli uczenia maszynowego, mogłoby zostać wykorzystane do pomocy w wykrywaniu chrapiących.

Jeśli chodzi o sztuczną inteligencję w placówkach opieki zdrowotnej, zapaleni badacze i nieustraszeni przedsiębiorcy nadal napotykają ten sam problem: brak łatwo dostępnych danych wysokiej jakości. Brak zróżnicowanych danych do szkolenia AI może być realnym zagrożeniem dla pacjentów. Na przykład algorytm stosowany w amerykańskich szpitalach odrzucił priorytet opieki nad pacjentami rasy czarnej. Bez solidnych zestawów danych i przemyślanej konstrukcji modelu sztuczna inteligencja często działa inaczej w rzeczywistych warunkach niż w odkażonych warunkach praktyki.

„Wszyscy naprawdę przechodzą do głębokich sieci neuronowych” — mówi Whitehill. To podejście wymagające dużej ilości danych jeszcze bardziej zwiększa zapotrzebowanie na ryzy nagrań dźwiękowych w celu uzyskania wysokiej jakości badań nad kaszlem i chrapaniem. Model uczenia maszynowego, który śledzi, kiedy chrapiesz lub rąbiesz płuco, nie jest tak łatwy do zapamiętania jak chatbot, który tworzy egzystencjalne sonety o Crunchwrap Supreme firmy Taco Bell. Nadal warto dążyć z wigorem. Podczas gdy generatywna sztuczna inteligencja pozostaje na pierwszym miejscu w Dolinie Krzemowej, błędem byłoby wciśnięcie przycisku drzemki w innych aplikacjach AI i zlekceważenie ich żywych możliwości.