[論文レビュー] Mosquito detection with low-cost smartphones: data acquisition for malaria research

Yunpeng Li, Davide Zilli+5 more|arXiv (Cornell University)|Nov 16, 2017

Mosquito-borne diseases and control参考文献 10被引用数 21

ひとこと要約

本論文では、MFCC特徴量と二段階分類パイプラインを用いた機械学習により、20ドルのデバイスで高精度でリアルタイムに複数種のマラリア媒介モスキートを検出できる低コストのスマートフォンベースの音響検出システムを提案する。ケニアおよび米国の現地でのテストでは、7種のモスキートにおいて68%〜92%の検出精度が得られ、統計的に有意（p < 10⁻¹⁵）であり、スケーラブルで現場に適したマラリア監視の実現可能性が示された。

ABSTRACT

Mosquitoes are a major vector for malaria, causing hundreds of thousands of deaths in the developing world each year. Not only is the prevention of mosquito bites of paramount importance to the reduction of malaria transmission cases, but understanding in more forensic detail the interplay between malaria, mosquito vectors, vegetation, standing water and human populations is crucial to the deployment of more effective interventions. Typically the presence and detection of malaria-vectoring mosquitoes is only quantified by hand-operated insect traps or signified by the diagnosis of malaria. If we are to gather timely, large-scale data to improve this situation, we need to automate the process of mosquito detection and classification as much as possible. In this paper, we present a candidate mobile sensing system that acts as both a portable early warning device and an automatic acoustic data acquisition pipeline to help fuel scientific inquiry and policy. The machine learning algorithm that powers the mobile system achieves excellent off-line multi-species detection performance while remaining computationally efficient. Further, we have conducted preliminary live mosquito detection tests using low-cost mobile phones and achieved promising results. The deployment of this system for field usage in Southeast Asia and Africa is planned in the near future. In order to accelerate processing of field recordings and labelling of collected data, we employ a citizen science platform in conjunction with automated methods, the former implemented using the Zooniverse platform, allowing crowdsourcing on a grand scale.

研究の動機と目的

• スマートフォン音声センシングを用いて、リアルタイムでマラリア媒介モスキートを検出する低コストでモバイルベースのシステムを開発すること。
• スマートフォンの広範な普及と計算効率を活用して、マラリア研究のための大規模かつ自動化されたデータ収集を可能にすること。
• Zooniverseを介したクラウドソーシングによるラベル付けと自動機械学習を組み合わせたハイブリッドアプローチにより、検出精度を向上させること。
• ケニアや米国など多様な地理的場所で収集された現地記録を用いて、実世界の条件下でのシステム性能を検証すること。
• 早期警戒および病原体媒介モスキートの監視のための展開可能でスケーラブルなパイプラインを構築すること。

提案手法

• MozzWear Androidアプリにより、二段階のマルチスペーシーズ分類パイプラインを用いて、リアルタイムの音声記録とデバイス内での検出が可能である。
• 分類のためのスペクトルエンVELOープを表現するために、音声信号からメル周波数ケプストラム係数（MFCC）が抽出される。
• 7種のモスキートとバックグラウンドノイズのバランスの取れたデータセット（1クラスあたり62サンプル）を用いて、二段階分類モデルが学習される。
• モデルの頑健性を評価するために、50%の訓練データと100回の試行を用いたランダムサンプリング戦略が採用される。
• 現地記録は検出結果を用いてフィルタリングされ、Zooniverseプラットフォームにおけるシティゼン・サイエンスによるラベル付けの優先順位が決定される。
• WiFiまたはセルラー通信を介したデータ同期により、記録とメタデータ（例：位置、環境）が中央のHumBugデータベースにストリーミングされる。

実験結果

リサーチクエスチョン

• RQ1 20ドルの低価格スマートフォンで軽量な機械学習モデルを実行することで、複数種のモスキート、特にマラリア媒介モスキートを高精度でリアルタイムに検出できるか？
• RQ2 特にマラリアの主要な媒介者であるアノフィールス・ガンビエイに対して、検出性能はどのように変動するか？
• RQ3 自動検出とクラウドソーシングによるラベル付けを組み合わせたハイブリッドパイプラインは、音響的モスキート監視のためのデータラベル付けを著しく加速できるか？
• RQ4 このようなシステムを20ドルの低スペックスマートフォンに展開することは計算的に可能か？
• RQ5 ケニアや米国など多様な環境で収集された現地記録を用いたテストにおいて、システムの性能はどのようになるか？

主な発見

• 7種のモスキートに対して、平均検出精度は68%〜92%の間で変動し、最高の精度（92%）はシルエックス・ターサリスに対して達成された。
• 100回の試行における検出精度の標準偏差は低く（SD < 0.17）、異なるデータ分割とランダムシードに対して一貫したモデル性能が示された。
• マクロ平均AUCのROC曲線に基づき、すべての種に対してp値 < 10⁻¹⁵の統計的有意性が確認された。
• 主なマラリア媒介者であるアノフィールス・ガンビエイは、訓練データが限られていたにもかかわらず、平均83%の検出精度を達成し、優れた性能を示した。
• 20ポンドで販売されるAlcatel One Touch 4009Xスマートフォンでも、システムは効率的に動作し、低資源環境における大規模展開の可能性を裏付けた。
• クラウドソーシングの前に自動検出で記録をフィルタリングすることで、Zooniverseプラットフォームにおけるラベル付け作業負荷が軽減され、データタグ付けが加速した。