燃烧你的卡路里,人工智能在太空监测肥胖

2019-09-11 17:32栏目:互联网知识
TAG:

原标题:人工智能灵魂注入,燃烧你的卡路里——2018,你AI了吗!?

原标题:人工智能在太空监测肥胖:成人肥胖率与区域建筑环境特征相关

> 莫挨老子,老子只想做个安静的肥宅。所以,到底是谁动了我的肥宅快乐水?

  你所居住的社区中有宠物店、健身房和公园吗?还是充斥着快餐店、超市和繁忙的马路?这个答案可能预示着你的肥胖概率。

炸鸡可乐蛋挞,烧烤火锅奶茶,游戏番剧代码,夕阳西下,阿宅瘫在沙发。

日前,两位来自美国华盛顿大学西雅图分校的研究人员发现我们所处的建筑环境与区域内的肥胖率有很大的关联。区域建筑环境特征是指区域内的自然和人为环境,例如绿地和公路等。这些环境特征可以与其他数据结合使用,从而监测地区的肥胖患病率。

面对高强度工作负荷带来的久坐、各种舌尖上的诱惑,以及一系列可以窝在沙发里进行的娱乐项目,肥胖在当代逐渐成了一个可以当作“梗”来谈论的问题。一首《卡路里》展开持续洗脑式轰炸的同时,AI也一直在不断尝试对肥胖这一难题“下手”,试图从更多层面加以挖掘与解释。

他们的研究结果表明,区域内的建筑环境与不同社区肥胖患病率的变化有关。回归模型显示,建筑环境特征解释了该项目涉及的1695个人口普查区内64.8%肥胖率的变异。具体而言,该模型对不同城市肥胖率的测算能力有所不同。其最准确地预测了孟菲斯市的肥胖率,准确率为73.3%。最低是在西雅图地区,准确率是55.8%。

根据2018年8月31日在线发表于JAMA Network Open的一项研究显示,卷积神经网络(CNN)可从卫星图像中自动提取建筑环境的特质,并用于健康指标研究。而了解建筑环境的某些特征与肥胖症患病率之间关联,则有助于引导环境结构上的变化,从而达到促进运动、降低肥胖率的作用。

研究人员提出了一种利用卷积神经网络(CNN)评估成人肥胖患病率与区域建筑环境之间关系的方法。卷积神经网络是一种深度学习方法,该研究所使用的卷积神经网络经过预先训练,能够捕捉区域环境的特点,例如绿化、土地等自然特征和道路、房屋等建筑特征。

全球疾病负担报告表明,2015年全球约有超过6.03亿成年人在遭受肥胖问题的困扰;在美国,成年肥胖人口更是占据成年总人口数的三分之一。肥胖是一个复杂的健康问题,其间涉及的关联因素颇多,包括遗传学、人口统计学,以及行为学的影响。而不健康的饮食习惯和久坐不动的生活方式则都与所处的社会环境特质及建筑环境特征密切相关,环境可以通过其间的步行方便程度、土地使用、占地面积、住宅区、可用资源(活动及娱乐场所、餐饮店等)、贫困等级、安全感以及社区设计方案等来影响人们的健康,例如靠近自然空间或是人行道的建筑设计能够在增加运动量的同时促进定期活动,这一特征在城市中尤为明显。

两位研究人员首先利用卷积神经网络从约15万张高分辨率的卫星图像中提取代表建筑环境特征的数据。这些卫星图像于2017年2月14日至28日下载,并在研究期间(2017年10月31日)更新。图像中的建筑环境信息被分为96个类比,例如宠物店和杂货店等。这种设计的内在逻辑是区域建筑对人群活动的潜在影响。比如说,有宠物店的区域可能会有更多的人带狗散步。另一方面,研究者收集了2014年美国500个城市的肥胖率估计值。随后,他们结合上述两类数据建立起了一个回归模型来评估区域内建筑环境与肥胖患病率之间的关系。

一直以来,关于肥胖问题和建筑环境间这二者间关联的讨论并不鲜见,但尽管如此,研究人员仍在研究过程中注意到了一些不一致的结果,造成这些不一致的原因可能是测量方法和测量工具的跨研究变化所导致的评估及比对困难。此外,相关指标的测量过程可能代价高昂、耗时巨大,并且易受人的主观思维模式影响。因此,研究人员需要发掘一种一致性的测量方式,以实现跨研究比较。评估并量化建筑环境与肥胖间的关系有助于人们在社区基础上对相应健康问题加以适当的干预与防范。

具体而言,一个区域建筑环境的特征如土地使用情况,公园、宠物店、健身房与快餐店的分布,公共交通情况和绿地面积等都与当地的成人肥胖率有关。以洛杉矶为例,研究人员发现高肥胖率区域的特点是密集的街区和较少的绿地,相反,低肥胖率区域拥有着更多的绿化面积。

对此,来自华盛顿大学的研究人员结合人工智能技术,提出了一种全面评估法,其中包含使用预训练的卷积神经网络(一种深度学习法)从高分辨率卫星图像中提取邻域的物理特征。事实上,类似的研究方法早在此前便受到了研究人员的关注。Nguyen QC等人2018年3月刊载于《JECH (Journal of Epidemiology and Community Health)》杂志的论文中,便提到了通过卷积神经网络对Google街景中的建筑环境图像进行分类,并借以评估肥胖与人行道、建筑类型、街道绿化(或景观美化)这三者间的关系。只是彼时的研究未能充分利用卷积神经网络独立发现关联因素的能力,仅局限于预设的三大变量。相较之下,此次华盛顿大学发布的最新论文则全面评估了建筑环境中的变量因素,并依据美国四个区人口普查肥胖率的细粒度关联进行方法论证。研究中所采用的方法皆可扩展,且都基于公开可用的数据与计算工具,可实现跨研究可比性。

研究方法

洛杉矶高肥胖率地区(左)与低肥胖率地区(右)的谷歌卫星图片 (左侧高肥胖率地区以密集的街区和较少的绿地为特点;右侧低肥胖率区域有更高的植被绿化率)

肥胖症患病率数据分析

事实上,全球近三分之一的人口有超重或肥胖的困扰。2017年6月,一篇发表在《新英格兰医学杂志》中的大规模全球研究项目指出全球有超过20亿儿童和成年人患有超重或肥胖相关的健康问题,占到全球人口的30%。肥胖问题导致糖尿病和心脏病的发病率急剧上升,越来越多的人因此死亡。

数据来源:选取美国疾病防控中心“500 Cities”项目中的2014年度人口普查肥胖率粗略估值

这一高肥胖率是由许多复杂因素造成的,例如遗传因素和饮食结构等。而本文的研究者认为,区域内的建筑环境也日益成为其中重要的影响因素,它可以通过资源的可用性来影响健康,例如住房,活动和娱乐空间等。

分析方法:包含两个步骤。首先,利用卷积神经网络以及提取处理的POI(兴趣点)数据来处理卫星图像,以抓取建筑环境特征。随后,利用弹性网络回归建立一个简约模型来评估建筑环境与肥胖率之间的关联性。

研究者尝试对建筑环境特征数据与肥胖患病率之间的显著关联给出解释。他们认为,该关联不一定是因果关系,社会经济指标可能是这一关联背后的重要影响因素。其观察结果表明,对于洛杉矶和圣安东尼奥等城市而言,肥胖患病率与建筑环境特征之间的大部分重要关联可能可以通过社会经济状况的变化来解释。但他们同时提到,卷积神经网络所识别的特征可能会捕获与社会经济指标无直接关联的其他信息,也就是说,社会经济指标并非解释建筑环境特征与肥胖率之间关系的唯一因素。

获取卫星图像和POI数据

研究人员还称,他们的方法帮助专家评估不同城市的肥胖风险。此外,与昂贵且耗时的现场访问或社区调查方法相比,该研究为建筑环境的测量提供了更为客观的方法,也大大降低了统计成本。

在设置好地理中心、图片尺寸(400*400像素)和缩放级别(缩放系数18)的情况下,从Google Static Maps API下载图像。将每个城市的地理范围划分为方形网格,其中每个点对应一对纬度和经度值,网格间距约150米。同时,利用人口普查区地图文件将每个图像与其对应的人口普查区相关联,排除城市范围外区域的图像。使用相同的方形网格来选取地理位置,并在适当的距离内开启径向附近搜索,以此实现在Google Places of Interest API上下载POI数据(此处不包含城市范围外的兴趣点)。该研究采集了96个独有的POI类别,并计算了每个人口普查区对应到每个相关类别下的位置数量。

美国杜克大学的Benjamin A. Goldstein博士等人肯定了两位研究者利用深度学习方法发现建筑环境特征的贡献。但他们强调“不要过度解释任何结果”,“深度学习方法与学科知识结合可以增加发现复杂关系的机会,但这并不意味着单独的大数据分析可以提供所有的答案”。

图像处理

这一研究也存在一定的局限性。文章提到,人口普查中的肥胖率数据来自居民自我报告的身高和体重,由于社会对肥胖人士的偏见,统计过程中该数据会倾向于被低估。

如今,卷积神经网络已经在关键的计算机视觉任务(如目标识别、图像分割)、健康相关的应用(如识别皮肤癌),以及贫困预测等领域的大数据集方面取得了突破性的成就。由于缺乏用于对高肥胖地区和低肥胖地区进行分类的大型标注数据集,研究人员采用了迁移学习(Transfer Learning)法,其中涉及使用预训练网络从包含近150000个卫星图像的未标注数据集中提取建筑环境特征。迁移学习包括微调预训练卷积神经网络以完成新任务(修改输出层)或将预训练卷积神经网络作为固定特征提取器(与线性分类器或回归模型相结合)。上述方法已经成功运用于明显不同于目标识别的计算机视觉任务。

此研究于2017年2月14日至10月31日进行,由美国华盛顿大学西雅图分校的Adyasha Maharana硕士 和Elaine OkanyeneNsoesie博士共同完成。其成果发布于2018年8月31日。

研究中使用VGG-CNN-F网络,该网络有8层(5个卷积层和3个完全连接层),并且基于约120万个来自ImageNet数据库的图像进行了训练,以识别分属于1000个类别的目标。网络学习提取有助于目标检测的图像梯度、边缘和图案。诸多使用类似迁移学习方法的研究表明,从基于ImageNet数据训练的网络中提取的特征可有效地将航拍图像按照土地用途(如高尔夫球场、桥梁、停车场、建筑物和道路)进行细粒度语义分类。

作者:澎湃新闻 张唯返回搜狐,查看更多

研究人员收集了数据集中每个图像网络第二个完全连接层的输出,这一层有4096个节点,每个节点与其上一层及下一层的节点间呈非线性连接,每个特征向量为4096维,对应(也称激活)着来自这些节点的输出。通过计算人口普查区域所有图像的均值,这些输出进一步聚合成每个人口普查区的均值特征向量。这些特征共同代表建筑环境的指标。为了研究CNN能否区分建筑环境特征,研究人员通过网络向前传输了一组随机图像,并检查lCNN卷积输出的地图(图1)。同时,研究人员还对图像特征进行了分组,以此说明在肥胖率低和高的地区,建筑环境的特征存在差异(图2)。

责任编辑:

图片 1

图1 卷积神经网络模型下的特征可视化

图片 2

图2

统计分析

运用弹性网络(一种正则化回归方法),消除了非重要协变量,保留了相关变量,非常适用于从该研究图像数据集中提取的高维(n = 4096)特征向量。弹性网络的正则化防止过拟合,这也是出于高纬度数据集的考量。为了选择合适的调整参数值(λ值),这里用到了交叉验证法,并选取了最小化均值交叉验证错误的值。

采用5折交叉验证回归分析法,以量化下列关联:① 人口普查区建筑环境特征与肥胖率之间的关联;② 人口普查区POI密度与肥胖率之间的关联;③ 人口普查区建筑环境特征与人均收入差异之间的关联(数据来自“美国2014年度社区调查”中的未来五年预测)。研究还将数据分为两个随机样本,并用样本1代表模型拟合中60%的数据,其余40%则在所有分析中进行验证。上述分析针对所有地区共同进行,并对每个地区独立进行。

除此之外,基于人工智能技术的食物营养成分分析项目、科学食疗方案、食物照片的卡路里识别项目、各种穿戴设备、语音识别智能家庭营养健康助手等应用早已数见不鲜,其中就包括Google在2015年推出的Im2Calories项目、2018年的Google Coach,以及雀巢公司与京东集团2017年在智能音箱“叮咚”上合作推出的雀巢小AI……

由是观之,人工智能在人类健康问题上的探索之路正在不断延伸。想要了解更多人工智能前沿技术与行业深度应用? 2018 AI 开发者大会(AI NEXTCon)来啦!

2018 AI 开发者大会(AI NEXTCon)

2018年11月8-11日,专为AI开发者而生的 2018 AI 开发者大会(AI NEXTCon)将锁定北京,以“AI技术与应用”为核心,深度聚焦人工智能的技术创新与行业应用,为 AI 从业者展示前沿技术、优选产品、行业应用案例,并深度解读行业发展趋势。

本次大会由中国专业的IT社区CSDN与硅谷AI专业社区AICamp联合出品,AI NEXTCon是继在西雅图,硅谷,纽约成功举办5届后首次进入中国,凭借双方多年AI领域的深厚积累及海内外实力讲师资源优势,本次大会将成为AI产业的年度盛会。

大会以『AI技术与应用』为核心,着眼于人工智能的技术创新与深度行业应用,设置了计算机视觉、深度学习、 机器学习、知识图谱等多场技术论坛,优选AI技术在金融、医疗、教育、新零售、无人驾驶等最佳实践应用行 业论坛。此外,大会还安排有AI新品体验主题展区、编程马拉松大赛、开发者对话硅谷AI之夜、AI技术专题深 度培训等等丰富活动,力图以『超实用技术 高效应用 超IN新品』描述出2018全球人工智能技术与应用全景图。

日前,2018 AI 开发者大会组委会公布了首批讲师阵容,超豪华阵容一睹为快:

Demis Hassabis DeepMind联合创始人

图片 3

DeepMind联合创始人 Demis Hassabis

蒋涛 CSDN创始人&董事长

图片 4

CSDN创始人&董事长 蒋涛

王小川 搜狗CEO

图片 5

搜狗CEO 王小川

马维英 今日头条副总裁人工智能实验室主任

图片 6

今日头条副总裁人工智能实验室主任 马维英

崔宝秋 小米人工智能与云平台副总裁

图片 7

小米人工智能与云平台副总裁 崔宝秋

版权声明:本文由奥门新萄京娱乐场发布于互联网知识,转载请注明出处:燃烧你的卡路里,人工智能在太空监测肥胖