Prematuren
Eén op de tien baby’s wordt te vroeg geboren. Prematuren hebben een verhoogd risico op ziekten. Kritieke pasgeborenen worden vaak opgenomen in een Neonatale Intensive Care Unit (NICU) en onder toezicht van artsen en verpleegkundigen in een couveuse gehouden. Verpleegkundigen moeten over het kind waken en op elk moment klaarstaan om voor de baby te zorgen. Met de toename van het aantal opgenomen baby’s en de druk op de beschikbaarheid van personeel, kan dit moeilijk te managen zijn.
Net als normale baby’s huilen prematuren om aan te geven dat er iets mis is. En menselijk als we zijn, reageren we daarop. Net als de verpleegkundigen op de intensive care. Maar soms wordt de menselijke natuur onverwacht gehinderd door nieuwe ontwikkelingen met de beste bedoelingen: Maak kennis met ‘eenpersoonskamerzorg’, waarbij baby’s in een speciale privékamer worden verzorgd. Met betere bediening en minder stress voor het kind, en comfortabeler voor de ouders. Veel ziekenhuizen stappen over op eenpersoonskamers. Maar dat geeft bijzondere problemen voor het toezicht op en de bewaking van het kind. Bijvoorbeeld: “Hoe kun je horen wanneer een baby huilt?”
AI huildetectie
Een huilbui detecteren in een NICU-kamer is niet zo gemakkelijk als het lijkt. Terwijl mensen zeer gevoelig zijn voor baby’s die huilen (met dank aan de evolutie), zou het voor een algoritme gewoon een ander opgenomen geluid zijn, net als elk ander. Bovendien is er in de kamer waar de couveuse staat een constant achtergrondgeluid tot 50 dB, met medische apparatuur die alarmsignalen en andere geluidssignalen geeft, en mensen in de kamer die mogelijk praten. Bovendien bevindt een microfoon zich bij voorkeur buiten de couveuse, waardoor het gehuil van de baby vaak veel zachter klinkt dan de achtergrondgeluiden.
Daarom is een eenvoudige ruisdetector niet voldoende voor deze toepassing. Filtertechnieken op basis van bandbreedtes doen dat ook niet. In plaats daarvan ontwierp Neolook een machine learning-algoritme om de datastroom live te analyseren en een waarschuwing te geven wanneer er een huil wordt gedetecteerd.
Voor deze aanpak wordt live audio eerst omgezet in een spectrogram. Het is een soort afbeelding die je kan laten zien hoe de frequenties in een audiosignaal zich in de loop van de tijd gedragen. Hieronder zie je een voorbeeld:
En dan is het de taak van het algoritme om deze afbeelding te gebruiken en te bepalen of het een huilende baby is of niet. Om dit op schaal te doen voor een volledig operationele NICU, is een geavanceerd convolutioneel neuraal netwerk (CNN) opgezet en getraind met 100.000 voorbeelden van huilende en niet huilende baby’s. Deze samples zijn allemaal live opgenomen om de uiteindelijke omgeving zo goed mogelijk na te bootsen. Het verkrijgen van voorbeelden van een huilende baby is moeilijker dan het lijkt, omdat de opgenomen gegevens meestal uit andere geluiden zullen bestaan, terwijl de baby in de couveuse ligt te slapen.
Na het trainen van het algoritme behaalde het een nauwkeurigheid van 94,72%. Dit is lager dan de optimale waarde, maar er is speciale zorg besteed aan de voor- en nabewerking om het algoritme selectiever te maken; dat wil zeggen, het algoritme moet zeker weten dat het om een huilende baby gaat, voordat het daadwerkelijk een waarschuwing verstuurt. Dit extra ontwerp is om ‘alarmmoeheid’ te voorkomen. Alarmmoeheid is een probleem waarbij de verpleegkundigen de alarmen gaan negeren omdat er te veel alarmen afgaan. Dit kan gebeuren als het algoritme te veel valse waarschuwingen verstuurt: het zal zeggen dat een baby huilt, terwijl er geen huilend kind is. Daarom is het beter om een optimaal gebalanceerde afweging te maken tussen prestaties en betrouwbaarheid.
