[论文解读] 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 21

一句话总结

本文提出了一种基于智能手机的低成本声学检测系统，用于检测疟疾传播媒介蚊子，通过在MFCC特征上应用机器学习，并采用两级分类流程，在20美元设备上实现了高精度、实时的多物种检测。在肯尼亚和美国的实地测试中，对七种蚊子的检测准确率在68%至92%之间，具有极强的统计显著性（p < 10⁻¹⁵），证明了该系统在可扩展、现场可部署的疟疾监测中的可行性。

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.

研究动机与目标

• 开发一种低成本、基于移动设备的系统，利用智能手机音频传感实现实时检测疟疾传播媒介蚊子。
• 通过利用智能手机的普及性和计算效率，实现实现大规模、自动化的数据采集，以支持疟疾研究。
• 通过结合自动化机器学习与通过Zooniverse进行的众包标注的混合方法，提升检测准确率。
• 通过在不同地理区域采集的实地录音，验证系统在真实环境下的性能。
• 创建一个可部署、可扩展的早期预警与病媒监测流程。

提出的方法

• MozzWear Android应用程序支持实时音频录制和基于两级多物种分类流程的设备端检测。
• 从音频信号中提取梅尔频率倒谱系数（MFCCs），以表示用于分类的频谱包络。
• 使用包含七种蚊子和背景噪声的平衡数据集训练两级分类模型，每类62个样本。
• 系统采用随机采样策略，使用50%的训练数据和100次试验，以评估不同初始化和数据划分下的鲁棒性。
• 通过检测结果对实地录音进行过滤，优先选择片段用于在Zooniverse平台上的公民科学标注。
• 通过WiFi或蜂窝网络进行数据同步，将录音和元数据（例如位置、环境）流式传输至中央HumBug数据库。

实验结果

研究问题

• RQ1 在运行轻量级机器学习模型的低成本智能手机上，能否实现对多种蚊子物种（包括疟疾传播媒介）的高精度、实时检测？
• RQ2 检测性能在不同蚊子物种之间如何变化，特别是主要疟疾传播媒介——非洲疟蚊（Anopheles gambiae）？
• RQ3 结合自动化检测与众包标注的混合流程，能否显著加速声学蚊子监测的数据标注？
• RQ4 在售价20美元的低端智能手机上，部署此类系统的计算可行性如何？
• RQ5 当在肯尼亚和美国等不同环境条件下采集的实地录音上进行测试时，系统性能如何？

主要发现

• 检测模型在七种蚊子物种中的平均准确率在68%至92%之间，其中Culex tarsalis的准确率最高（92%）。
• 在100次试验中，检测准确率的标准差较低（SD < 0.17），表明模型在不同数据划分和随机种子下的性能高度一致。
• 所有物种的统计显著性均通过p值 < 10⁻¹⁵ 得到确认，基于受试者工作特征曲线下面积（AUC）的宏观平均值。
• 主要疟疾传播媒介——非洲疟蚊（Anopheles gambiae）的平均检测准确率为83%，尽管训练数据有限，仍表现出优异性能。
• 该系统在售价20英镑的Alcatel One Touch 4009X智能手机上运行高效，证实了其在低资源环境中的大规模部署可行性。
• 在众包标注前使用自动化检测对录音进行过滤，显著降低了标注工作量，并加快了Zooniverse平台上的数据标注速度。