0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

人工智能灵魂注入,燃烧你的卡路里——2018,你AI了吗!?

电子工程师 来源:未知 作者:李倩 2018-09-16 10:49 次阅读

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。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。

根据2018年8月31日在线发表于JAMA Network Open的一项研究显示(https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2698635),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。

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。

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。

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

肥胖症患病率数据分析

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

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。

获取卫星图像和POI数据

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。

图像处理

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。

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。

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)。

图1 卷积神经网络模型下的特征可视化

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(AINEXTCon)来啦!

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 图像处理
    +关注

    关注

    26

    文章

    1209

    浏览量

    55689
  • 人工智能
    +关注

    关注

    1773

    文章

    43372

    浏览量

    230134
  • 深度学习
    +关注

    关注

    73

    文章

    5206

    浏览量

    119804

原文标题:人工智能灵魂注入,燃烧你的卡路里——2018,你AI了吗!?

文章出处:【微信号:rgznai100,微信公众号:rgznai100】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    了解AI人工智能背后的科学?

    问题公司进行密切合作。 在进行大规模AI项目实施之前进行小规模的试水,那么这个选项是非常好的。 随着时间的推移,人工智能可以成为您业务战略的一个组成部分,因此需考虑找到一种更具成本效益的方法,而不需要
    发表于 09-25 10:03

    熟知人工智能这个创业模式,就是行业的下一匹黑马!

    AI+赛道是创业公司深耕的点,在细分领域和赛道,创业公司找准痛点、切入刚需,进行产品落地,才能在自己的领域有所建树。在如今的资本寒冬里,讯飞 AI 星火营·上海营的参赛创业团队告诉人工智能
    发表于 09-04 09:39

    人工智能AI经典入门书

    人工智能AI经典入门书,很难找的噢,给喜欢的朋友
    发表于 09-12 17:13

    解读人工智能的未来

    而言,我们能够实现的只是一种狭义的人工智能,它需要由人类精心准备数据集然后进行人工训练。例如,如果要教会AI识别猫的图片,需要有一个庞大的照片数据库,每个照片必须
    发表于 11-14 10:43

    优必选携手腾玛人工智能探索:AI智能的未来之路

    产品,通过多年的技术研发与测试,2018年公司旗下品牌腾玛人工智能正式成立,并与国内AI独角兽优必选达成了战略合作,共同为研发人形机器人进行深度合作交流,争取早日实现”未来每家每户都能买个人形机器人
    发表于 12-21 17:19

    初学AI人工智能需要哪些技术?这几本书为解答

    手把手教你设计人工智能芯片及系统(全阶设计教程+AI芯片FPGA实现+开发板)详情链接:http://url.elecfans.com/u/c422a4bd15人工智能(Artificial
    发表于 01-21 14:26

    【限时免费领取】超值200G人工智能零基础最全学习资料包,满足的学习需求!

    `春风拂面,万物生长,在复苏的五月Elecfans小助手为精心准备了人工智能学习养料足足200G的超值人工智能学习资料包相关资料截图(Python、深度学习、机器学习、计算机视觉、Kaggle
    发表于 05-06 10:50

    【VIP福利六】300G人工智能资料,让入门进阶AI技术!

    手把手教你设计人工智能芯片及系统(全阶设计教程+AI芯片FPGA实现+开发板)详情链接:http://url.elecfans.com/u/c422a4bd15这里搜集了一批人工智能的学习资料,总共
    发表于 09-06 14:39

    【转载】如何从零入门人工智能AI)具体学习步骤和方法

    手把手教你设计人工智能芯片及系统(全阶设计教程+AI芯片FPGA实现+开发板)详情链接:http://url.elecfans.com/u/c422a4bd15上次我们讲到人工智能的一些应用,对于
    发表于 11-28 16:20

    人工智能芯片是人工智能发展的

    人工智能芯片是人工智能发展的 | 特伦斯谢诺夫斯基责编 | 屠敏本文内容经授权摘自《深度学习 智能时代的核心驱动力量》从AlphaGo的人机对战,到无人驾驶汽车的上路,再到AI合成主播
    发表于 07-27 07:02

    2018人工智能股票龙头

    2018人工智能股票龙头,2019-01-07 10:49:43近年来中国的人工智能行业可以说是***,一边是像云从科技、商汤科技这些持续获得融资的AI巨头,一边是
    发表于 07-28 07:40

    人工智能ai论文

    人工智能ai论文
    发表于 07-28 08:39

    人工智能AI芯片到底怎么用

    什么是人工智能AI)芯片?AI芯片的主要用处有哪些?在AI任务中,AI芯片到底有多大优势?
    发表于 09-22 08:00

    《移动终端人工智能技术与应用开发》人工智能的发展与AI技术的进步

    人工智能的发展是随着人类生活需要,产业需求不断提升的,其中人工智能的发展很大程度上受到了计算机算力的影响,随着数据处理量的增大,人工智能算法对算力的要求逐年增加,而且没过两年算力上升一倍,因此往往
    发表于 02-17 11:00

    AI 人工智能的未来在哪?

    人工智能AI智能大模型已经孵化;繁衍过程将突飞猛进,ChatGPT已经上线。 世界首富马斯克认为AI对人类是一种威胁;谷歌前CEO施密特认为AI
    发表于 06-27 10:48