Forskere hjælper kunstig intelligens med at forstå lydinput bedre

Et hold af ingeniører og forskere har udviklet et værktøj, der forbedrer kompetencen hos elektroniske enheder til at registrere, når en patient hoster, hvilket kan anvendes inden for sundhedsovervågning.

Det nye værktøj bygger på en avanceret algoritme, der er skabt til kunstig intelligens (AI), og som hjælper AI'en med at identificere usikkerhed, når den konfronteres med uventede data i virkelige situationer, skriver North Carolina State University på deres hjemmeside.

”Når AI trænes til at identificere lyden af hoste, gøres det normalt med 'rene' data – med et minimum af baggrundsstøj eller forvirrende lyde. Men den virkelige verden er fuld af baggrundsstøj og forvirrende lyde. Så tidligere hoste-detekteringsteknologier havde ofte svært ved 'falske positive' - og ville hævde, at nogen hostede, selvom der ikke var nogen, der hostede,” siger Edgar Lobaton, korresponderende forfatter til en artikel om arbejdet og lektor i elektrisk og computerbaseret ingeniørarbejde ved North Carolina State University.

Han og kollegaer har udviklet en algoritme, der hjælper med at løse problemet ved at tillade, at AI udtrykker usikkerhed. I stedet for at skulle beslutte 'Ja, det var en hoste' eller 'Nej, det var ikke en hoste', kan AI'en også rapportere, at den har registreret en lyd, den ikke er bekendt med. Med andre ord får AI'en en tredje mulighed nemlig: 'Jeg ved ikke, hvad det var.'

Flere potentielle anvendelser

Hoste-detektionsteknologi er interessant i forbindelse med flere potentielle anvendelser inden for sundhedsovervågning.

”For eksempel er der interesse for at bruge bærbare sundhedsovervågningsenheder, der kan registrere hoste hos mennesker med astma, hvilket kan udløse en meddelelse om øget risiko for et astmaanfald, ligesom der også er interesse for at bruge hoste-detektion til COVID-overvågning og lignende,” siger Lobaton.

Tidligere hoste-detektionsteknologier har en høj forekomst af falske positive, idet den relevante AI rapporterede mange ukendte lyde som hoste. Disse falske positive begrænsede disse teknologiers anvendelighed væsentligt.

”På kort sigt begrænser vores arbejde tilbagemeldingen af falske positive ved at lade AI'en bemærke, når den hører lyde, den ikke kan identificere. Derfor bør vores algoritme på længere sigt give os mulighed for at kontinuerligt træne AI'en ved at fortælle den, om de ukendte lyde, den hører, er hoste eller irrelevante støj. Dette bør muliggøre meget mere præcis detektion over tid,” pointerer Lobaton.

Desuden testede forskerne den nye algoritme i beregningsmodeller og fandt, at den modificerede hoste-detekterende AI kan fungere effektivt ved at bruge langt færre lydprøver per sekund end tidligere teknologier. Tidligere hoste-detektionsværktøjer brugte eksempelvis omtrent 16.000 lydprøver per sekund, mens det nye AI-værktøj bruger 750 lydprøver per sekund med tilsvarende følsomhed og færre falske positive.

”At bruge færre lydprøver er en betydelig fordel af to årsager. For det første betyder det, at den elektroniske enhed kræver mindre ’styrke’, hvilket gør det muligt at gøre den mindre og mere energieffektiv. For det andet betyder brugen af færre lydprøver, at teknologien ikke vil optage forståelig tale, hvilket adresserer bekymringer om privatliv,” forklarer Edgar Lobaton.

Forskerne er i øjeblikket i gang med at implementere den nye algoritme i en bærbar sundhedsovervågningsenhed, der kan bruges til test in real life.

Desuden siger forskerne, at den tilgang, de har valgt i projektet, kan bruges til at håndtere en række AI-applikationer, hvor AI'en sandsynligvis vil støde på uventet input, den ikke blev trænet til at forstå.