211service.com
Wereldwijd Mosquito-Sensing Network wordt gebouwd met behulp van smartphones
Malaria is een moordenaar. Tot 600 miljoen mensen lijden aan de ziekte, en elk jaar sterven er een miljoen aan. Volgens UNICEF zijn de meeste van hen kinderen jonger dan vijf jaar die in sub-Sahara Afrika wonen.
Het voorkomen van de verspreiding van malaria is dus een belangrijk doel. Gezondheidsexperts hebben verschillende manieren om de verspreiding van de ziekte onder controle te houden. Sommige van deze interventies zijn enorm succesvol geweest, maar andere minder. Maar het verschil tussen succes en falen wordt vaak slecht begrepen.
Een probleem is dat malaria wordt overgedragen door geïnfecteerde Anopheles-muggen, en deze vormen slechts een klein deel van de muggensoorten. Er zijn ongeveer 60 Anopheles-soorten die malaria kunnen overbrengen, van in totaal 3.600 verschillende muggensoorten.
Anopheles stephensi - een van de 40 muggensoorten die malaria kunnen overbrengen, van in totaal 3.600 soorten.
Het opsporen van muggen over grote gebieden is moeilijk, en het identificeren van hun soort nog moeilijker. En dat maakt het moeilijk te begrijpen hoe een ingreep de populaties van verschillende soorten beïnvloedt. Om dit probleem op te lossen, zouden ziekte-experts dolgraag een goedkoop sensorsysteem hebben om muggenpopulaties te monitoren die gemakkelijk naar afgelegen plaatsen kunnen worden verspreid.
Voer Yunpeng Li en vrienden van de Universiteit van Oxford in het VK in, die zeggen dat ze zo'n systeem hebben ontwikkeld. Hun aanpak maakt gebruik van het feit dat muggensoorten kunnen worden geïdentificeerd aan de hand van het geluid dat hun vleugels maken als ze vliegen. Deze geluiden kunnen worden opgevangen en opgenomen door een smartphone.
Het sensorsysteem van het team is dus een Android-smartphone-app genaamd MozzWear die muggengeluiden kan opnemen, samen met de tijd en locatie, en de gegevens vervolgens naar een centrale server kan sturen waar de soort wordt geïdentificeerd.
Omdat smartphones overal verkrijgbaar zijn, zelfs in veel ontwikkelingslanden, kan dit systeem relatief eenvoudig op grote schaal worden verspreid. In theorie althans.
Li en co's benadering is om een machine learning-algoritme te trainen om de karakteristieke akoestische signatuur van verschillende soorten te herkennen en vervolgens de insecten dienovereenkomstig te identificeren.
Verschillende onderzoeken hebben aangetoond hoe muggen kunnen worden herkend aan het geluid dat ze maken. Het is zelfs mogelijk om de geslachten te onderscheiden, aangezien mannetjes de frequentie van hun vleugelslag variëren om partners aan te trekken. Toch zijn de gegevens schaars.
Dat is niet goed voor algoritmen voor machine learning, die alleen kunnen leren van enorme hoeveelheden gegevens, die meestal vooraf door mensen zijn geannoteerd. In dit geval zijn die datasets gewoon niet gemaakt. Dus zijn Li en co begonnen aan de enorme taak om hun eigen database te creëren, met de hulp van collega's en burgerwetenschappers.
Eerst verzamelden ze opnames van muggen die waren verzameld door de Centers for Disease Control and Prevention in de VS en de Amerikaanse militaire onderzoekseenheid van het leger in Kisumu, Kenia. Het betrof zeven verschillende soorten en in totaal 62 verschillende monsters.
Vervolgens markeert het team de relevante kenmerken in een spectrograaf van deze opnames met behulp van de crowdsourcingdienst voor burgerwetenschappers Zooniverse. De eerste taak voor deze wetenschappers is om de regio's in elke opname te markeren die herkenbare muggengeluiden bevatten. Vervolgens gebruiken ze deze gegevens om een machine learning-algoritme te trainen om deze zeven verschillende soorten alleen aan hun geluid te herkennen.
Ten slotte testen Li en co het systeem door de app op een goedkope smartphone te laden - een Alcatel One Touch 4009X, waarvan ze zeggen dat deze ongeveer £ 20 kost - en deze vervolgens te gebruiken om het omgevingsgeluidsniveau te controleren terwijl ze opnames van de muggen afspelen.
De app stuurt deze opnames naar een centrale server, die het machine learning-algoritme gebruikt om de vliegende beesten te identificeren.
De resultaten zijn niet slecht. De machine detecteert ongeveer 72 procent van de tijd nauwkeurig de Anopheles-mug. De detectienauwkeurigheden voor Anopheles-muggen, die malariavectoren zijn, zijn indrukwekkend, zeggen Li en vrienden.
Dat is een nuttige proof-of-principle demonstratie. Het laat zien dat goedkope smartphones goedkope muggensensoren kunnen worden. Ons akoestische muggendetectiesysteem biedt, ondanks het gebruik van goedkope smartphones, een veelbelovende mogelijkheid voor levende detectie - en soortclassificatie - van muggen waarvan bekend is dat ze malaria overdragen, zeggen Li en co.
Maar er is belangrijk werk voor de boeg. Het team moet nu het aantal soorten dat de MozzWear-app kan identificeren drastisch verhogen. Dat zal niet eenvoudig zijn, want hoogwaardige opnames zijn niet eenvoudig te maken. Het zal ook tijdrovend zijn, gezien de 3.600 verschillende soorten die er zijn.
Vervolgens moet het team de app verspreiden en mensen overtuigen om het te gebruiken. Dat zal ook lastig zijn. Sommige apps verspreiden zich viraal, maar andere vereisen veel marketing. En op plaatsen waar batterijvermogen kostbaar is, is een interessante vraag of mensen kunnen worden overgehaald om kostbare batterijstroom aan dit soort inspanningen te besteden.
Laten we hopen dat ze dat zullen doen. Een beter begrip van de manier waarop muggenpopulaties over de hele wereld variëren en hoe ze in de loop van de tijd veranderen, is van onschatbare waarde. Het kan zelfs helpen de incidentie van malaria en de sterfgevallen die het veroorzaakt te verminderen.
Referentie: arxiv.org/abs/1711.06346 : Muggendetectie met goedkope smartphones: gegevensverzameling voor onderzoek naar malaria