3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
Smart traffic management in the city of Darmstadt with FLIR Systems
今日主題 智慧城市\智慧建築家庭\智慧生活\醫護新科技
智慧建築\智慧家庭應用解決方案
智慧健康醫護新科技
|
2019年9月6日 星期五
．用於精確語音辨識的可穿戴式振動感測器
sensor can with voice control — features
來源：传感器专家网
近年來，語音辨識技術變得越來越普及，涉及的領域十分廣闊，包括模式辨識、信號處理、機率論和資訊論、人工智慧等等。
語音辨識技術
作為一門新興的交叉學科，語音辨識技術經過最近二十年的發展，已經取得了顯著進步，早已進入商用市場。曾經有人做出預計，10年之內語音辨識技術，將進入日常生活中的各個領域，比如家電、通信、醫療和家庭服務等等。
尤其是現在，語音辨識更加融入到我們的生活當中，如現在廣泛普及的智慧手機中都能看到它們的身影。
尤其是現在，語音辨識更加融入到我們的生活當中，如現在廣泛普及的智慧手機中都能看到它們的身影。
但是，由於周圍環境中存在的障礙物和其他噪聲，語音辨識的表現總是有些不穩定，有時甚至會發生錯誤辨識，這是因為手機中檢測聲音，普遍使用的是麥克風。
麥克風，簡單的說它是一種將聲音信號，轉換為電信號的能量轉換器件。最初的麥克風是透過電阻進行聲電轉換，後來發展為透過電感或電容進行聲電轉換。
因為它們透過感知空氣中的振動進行工作，因此它們都有一個共同的缺點，容易受到環境噪聲的影響。
麥克風，簡單的說它是一種將聲音信號，轉換為電信號的能量轉換器件。最初的麥克風是透過電阻進行聲電轉換，後來發展為透過電感或電容進行聲電轉換。
因為它們透過感知空氣中的振動進行工作，因此它們都有一個共同的缺點，容易受到環境噪聲的影響。
據感測器專家網報導，近日國際上的一項研究成果，成功解決了這項難題。浦項科技大學(POSTECH)的研究人員，成功開發出一種靈活，且可穿戴的振動響應感測器，可準確辨識用戶的聲音。當連接到頸部時，感測器可以透過頸部皮膚的振動，精確地辨識聲音，並且不受環境噪聲或聲音音量的影響。
可穿戴式振動感測器附著在人類頸部皮膚上來進行語音識別 資料圖
這些可附著皮膚的感測器，透過檢查頸部皮膚振動，來檢測和辨識人的聲音，頸部皮膚振動可以透過幾個參數來測量，包括速度、位移和加速度。
可穿戴式振動感測器與用於語音驗證，和語音控制應用的參考麥克風之間的比較示意圖
傳統的振動感測器，透過空氣振動辨識聲音，並且由於機械共振和阻尼效應靈敏度降低。因此，他們無法定量測量聲音。因此，環境聲音或口罩等障礙物，會影響其語音辨識的準確性，不能用於安全認證。
可穿戴式感測器即使在嘈雜的環境中，也能準確辨識語音，而不會出現振動失真 資料圖
在這項研究中，研究小組證明，聲壓與各種聲壓級別的頸部皮膚，振動加速度成正比，範圍為 40 至 70 dB SPL (聲壓級)。研究人員開發了這種新的可穿戴振動感測器，利用皮膚振動加速。該裝置由超薄聚合物薄膜，和帶有小孔的隔膜組成。它可以透過測量皮膚振動的加速度，來定量地感知聲音。
在一次成功的演示中，可穿戴式感測器即使在嘈雜的環境中，也能準確辨識語音，而不會出現振動失真，並且在佩戴口罩的情況下音量非常低。
該研究可以進一步擴展到各種語音辨識應用，例如電子皮膚，人機介面，可穿戴式聲樂健康監測設備。
研究人員在他的採訪中，解釋了這項研究的意義。「這項研究非常有意義，它開發了一種新的語音辨識系統，可以定量地感知和分析語音，不受周圍環境的影響。
．人類交互方式的終極形態：擴展現實（XR）
What is XR? (Extended Reality)
來源：資本实验室 作者：王进
在很多科幻電影和遊戲中，經常出現各種令人炫目的 3D 虛擬視覺交互系統。這種交互方式，早已成為科幻場景的典型標誌之一，同時，這也是我們正在將之，變成現實的未來技術。
未來，人類的交互方式將由 2D 交互向更具效率的 3D 交互轉變。3D 視覺交互系統則取決於虛擬現實（VR）、增強現實（AR）和混合現實（MR）的發展，這些技術統稱為「擴展現實」（XR）。
虛擬現實技術利用頭戴設備，模擬真實世界的 3D 互動環境；增強現實則是透過電子設備（如手機、平板、眼鏡等）將各種資訊和影像，疊加到現實世界中；混合現實介於 VR 和 AR 之間，在虛擬世界、現實世界和用戶之間，利用數位技術，實現即時交互的複雜環境。
擴展現實技術（XR）則被稱為未來交互的終極形態，它將改變許多行業的格局，並將完全改變我們的工作方式、生活方式和社交方式。
據預測，2018 年 XR 市場規模達到 270 億美元；到 2022 年，市場規模將快速增長到 2092 億美元。
據 IDC 數據顯示，消費者市場是 AR/VR 支出最大的市場，2017 年支出達到 62 億美元。製造業、零售業和服務業等市場，也是該項支出的重要方向。
XR 在娛樂、行銷、培訓、地產、遠端協作等方面，具有非常大的發展潛力。
娛樂： 為娛樂業帶來身臨其境的體驗，讓消費者有機會透過舒適的 VR 設備虛擬體驗現場音樂和體育賽事。
行銷：為品牌與消費者提供了新的互動方式，透過與新產品的沈浸式交互，讓消費者更真實的感受產品。
培訓：為培訓和教育開闢了新的途徑，可以從更傳統的教室環境中，安全地進行訓練，特別是在各種高危環境下工作的人員。同時，醫學生可以在虛擬患者身上，進行實踐練習。
房地產：物業經理可以允許租戶，在虛擬環境中查看房產，以簡化租賃流程；建築師和設計師可以利用 XR，將設計變為現實。
遠端協作：XR 消除了距離限制，允許員工從世界任何地方，進行遠端訪問數據或相互溝通。
無論是商業領域，還是消費領域，XR技術都將產生非常大的影響。
在商業領域，71％ 的 XR 從業者認為，醫療行業是受 XR 技術影響最大的行業，其次是製造業（47％）和軍事領域（46％）。
在消費領域，76％的 XR 從業者認為遊戲行業是受 XR 技術影響最大的行業，其次是電影電視（60％）、醫療（36％）和零售業（34％）。
多數 XR 從業者對 XR 技術持有樂觀態度，63％ 的人認為未來五年，XR 將成為主流技術。
另據 XRDC 的數據顯示，XR 開發人員認為，XR 的潛力尚未完全爆發，61％ 的人認為 XR 為自己和/或客戶，帶來中長期的利潤。
值得注意的，有 15％ 的開發人員表示，XR 已經為自己或客戶帶來了利潤。
隨著 5G 網路的快速來臨，XR 的響應速度和數據處理能力，將得到大幅提升，其落地和普及速度也將加快。
然而，在 XR 普及過程中，還將面臨著很多的障礙和問題，比如網路攻擊、實施成本（軟體、硬體）、技術與維護等人員需求等。但最關鍵的問題是：未來幾年，企業將如何參與到這場交互方式的終極變革之中？
 |
| AKD 寰楚專業級全系列監控設備 |
．RFID 洗手台可以幫助醫院幹什麼
Biovigil Solution Demonstration, Hand Hygiene Monitoring & Compliance
 |
| 康橋科技 —— 白光攝影機專業廠商！ |
美國亞拉巴馬州 Princeton Baptist Medical Center 稱，自從醫院於 2010 年 2 月，採用了一套 RFID 洗手監測系統後，醫院受理醫療感染 (HCAI) 患者的時間減少了 36%。這相當於從 2 月份起，病人因住院接收治療時，被病菌感染而產生的住院時間減少了 125 天。
這套 nGage 系統由 ProvenTIx 提供，Synapse Technologies 提供和安裝特製閱讀器和標籤。閱讀器和標籤的運行頻率為 2.4 GHz，採用 IEEE 802.15.4 (ZigBee) 標準。
這套 nGage 系統由 ProvenTIx 提供，Synapse Technologies 提供和安裝特製閱讀器和標籤。閱讀器和標籤的運行頻率為 2.4 GHz，採用 IEEE 802.15.4 (ZigBee) 標準。
據世界衛生組織(WHO)統計，發展中國家 5% - 15% 的入院病人在接收治療時感染病菌，不得不延長住院時間。這個數據促使 ProvenTIx 開發這套手衛生方案，目標是在不干擾醫護人員日常行為的前提下鼓勵他們遵守良好洗手習慣。
該公司三年前開始開發這套系統。2009 年 11 月，ProvenTIx 的 CEO Harvey Nix 與醫院管理層著手制訂計劃，在醫院某一層樓啓用這套手衛生方案。
該公司三年前開始開發這套系統。2009 年 11 月，ProvenTIx 的 CEO Harvey Nix 與醫院管理層著手制訂計劃，在醫院某一層樓啓用這套手衛生方案。
「我們幾乎不用考慮就答應採用這套系統」 Princeton BapTIst Medical Center 手術服務主管 Paula Davenport 稱。「因為我們都知道，洗手是防止感染的主要方式」，自從安裝了這套系統，她稱，「我們確實發現感染率減少了」。
每台 nGage 洗手台包括一个屏幕，可显示信息
過去幾年，已有一些公司推出 RFID 洗手系統。一些系統透過尋呼機或電話發出警報，一些則產生聲音警報，通知沒能按規定洗手的醫療工作人員。然而，Princeton Baptist 希望採用一套員工更容易使用、更樂於使用的系統，而不是對員工造成懲罰性影響(舉個例子，聲音警報會他們感到困窘)。
雖然，Proventix 也通過尋呼機或電話發送警報，Davenport 稱，醫院只是想鼓勵員工洗手，而不是在當他們沒有照做時，發出警告性聲音。
雖然，Proventix 也通過尋呼機或電話發送警報，Davenport 稱，醫院只是想鼓勵員工洗手，而不是在當他們沒有照做時，發出警告性聲音。
Proventix 在醫院每個洗手台的肥皂，或酒精裝液器上方，安裝一個螢幕，用戶洗手時可查看螢幕顯示的資訊，洗手台也安裝一台 RFID 閱讀器。雖然醫療中心最初僅在螢幕上顯示洗手作用及對疾病影響等常識資訊，將來 Proventix 軟體會讓螢幕顯示針對洗手用戶的個性化資訊，如提供洗手台所位病房內的病人醫療資訊。
而且，螢幕上還可以根據要求，顯示 CNN 頭條或體育賽事消息。另外，如果醫生正在病房探視病人，洗手時他或她還可以看到病人檢測，或其它醫療住處民，幫助他們判斷下一步的治療。
而且，螢幕上還可以根據要求，顯示 CNN 頭條或體育賽事消息。另外，如果醫生正在病房探視病人，洗手時他或她還可以看到病人檢測，或其它醫療住處民，幫助他們判斷下一步的治療。
Proventix 在醫院手術後樓層的各個房間安裝一台 RFID 洗手站，該樓層共有 42 個病床，整個樓層共有 80 個洗手台。每位員工配戴一個 3.5 英吋長的塑料徽章，徽章含一個有源 RFID 標籤，其 ID 碼與個人的姓名、職位和其它資訊在 Proventix 獨立軟件系統裡相對應。
閱讀器形成的網狀網，使 RFID 標籤在該層可被讀取和定位。標籤發送含其 ID 碼的信號，Nix 稱，閱讀器接收信號，發送標籤 ID 碼及其 ID 碼到一個網橋，網橋透過乙太網連接到後端系統。目前該樓層採用了三個網橋。
閱讀器形成的網狀網，使 RFID 標籤在該層可被讀取和定位。標籤發送含其 ID 碼的信號，Nix 稱，閱讀器接收信號，發送標籤 ID 碼及其 ID 碼到一個網橋，網橋透過乙太網連接到後端系統。目前該樓層採用了三個網橋。
當醫護人員進入某位病人房間，系統根據分液器讀寫器的 ID 碼判斷醫院進入該房間。當靠近洗手台時，他們必須按下分配器按鍵使用消毒液或肥皂和水。
同時，軟體將洗手台前個人的 ID 碼，與分液器的活動對應起來。軟體接著顯示該用戶的特定資訊，記錄和儲存該事件，指示員醫護人員洗手的時間和地點。
同時，軟體將洗手台前個人的 ID 碼，與分液器的活動對應起來。軟體接著顯示該用戶的特定資訊，記錄和儲存該事件，指示員醫護人員洗手的時間和地點。
當醫護人員離開病人室，系統等待該分液器下一次洗手事件。如果醫生確實第二次採用分液器，那系統記錄該事件。如果沒有，那麼系統也生成一條記錄，指示該事件。
雖然這條記錄不會用於處罰員工，Davenport 稱，「但我們希望能鼓勵員工洗手」。系統會生成員工洗手記錄，在螢幕上顯示個人洗手次數，並與其它工作人員相對比。「醫療行業本身競爭非常激烈」，Davenport 稱。
雖然這條記錄不會用於處罰員工，Davenport 稱，「但我們希望能鼓勵員工洗手」。系統會生成員工洗手記錄，在螢幕上顯示個人洗手次數，並與其它工作人員相對比。「醫療行業本身競爭非常激烈」，Davenport 稱。
共有上百位員工配戴徽章，Davenport 報告稱，除了他們現有的非 RFID ID 證件。將來，Davenport 希望能直接在員工現有的 ID 證件裡，結合 Proventix RFID 標籤。在接下來 6 周，醫院計劃在護理部安裝這套系統，6 個月後，將在其整個醫院採用它。
．亞馬遜的人工智慧將即時語音辨識錯誤率降低了 6.2%
Speech Recognition Using Python
 |
|
任何顏色車牌——都拍攝的清清楚楚！
|
leiphone 作者：郭仁贤
據 Loup Ventures 不久前發佈的，2019 年語音助理智商測試的結果，透過對每個人工智慧系統的 800 個相同問題的測試，谷歌助手再次引領了這一潮流，與去年一樣，100% 完全理解了被問到的問題，並正確回答了其中的 92.9%，比去年的 85.5% 的正確率要高。
相比之下，蘋果的 Siri 在理解水準，和正確回答水準這兩方面的能力也都有提升，從去年的99%理解水準上升到今年的 99.8%，同時在正確回答水準方面，從 78.5% 上升到 2019 年的 83.1%。
儘管亞馬遜的 Alexa 再次位居第三，但今年也算是取得了重大進展，理解了 99.9% 的問題，並正確回答了 79.8% 的問題，比去年的 Siri 表現要好。
近日，據外媒報導，亞馬遜透過人工智慧，將即時語音辨識錯誤率降低了6.2%，可以算是一個不小的進步。
近日，據外媒報導，亞馬遜透過人工智慧，將即時語音辨識錯誤率降低了6.2%，可以算是一個不小的進步。
據瞭解，自動語音辨識系統是將語音轉換為文本，如 Alexa 的核心系統，其中一個組件是一個模型，它預測哪個單詞將出現在一系列單詞之後。它們通常是基於 N-Gram 語言模型，這意味著它們可以算出，給定過去 n-1 個單詞的，下一個單詞出現的概率。
N-Gram 是基於一個假設：第 n 個詞出現與前 n-1 個詞相關，而與其他任何詞不相關。（這也是隱馬爾可夫當中的假設）整個句子出現的機率，就等於各個詞出現的機率乘積，各個詞的機率可以透過語料中，統計計算得到。
但是，像遞歸神經網路這樣的體系結構，就比較難以融入即時系統，由於其學習長期依賴關係的能力，通常被用於語音辨識，並且常常難以從多個語料庫中獲取數據。
這就是為什麼亞馬遜 Alexa 科研人員，要研究能使得這種人工智慧模型，在語音辨識中更實用的技術的原因。
在奧地利格拉茨舉行的 2019 年 Interspeech 會議上，計劃發表的一篇博客和論文《ASR的可伸縮多語料庫神經語言模型》中，聲稱他們可以將單詞辨識錯誤率比基線降低 6.2%。
神經語言模型（NLM）在自動語音辨識（ASR），和其他任務中的表現，優於傳統的 N-gram 語言模型。然而，要在實際的大規模 ASR 系統中使用 NLM，還需要解決一些挑戰。在一些解決方案中，從異源語料庫中訓練 NLM，限制潛伏期影響和處理二次透過重測器中的個性化偏差。
研究人員透過建立領域內，和領域外訓練數據集的傳統模型，來解決數據稀缺的問題，這些模型是線性組合的，他們給每個語料庫分配了一個分數，來衡量其與域內數據的相關性，這決定了為補充數據集選擇樣本的可能性。
然後他們應用了遷移學習 Transfer learning，即機器學習的一種，就是把為任務 A 開發的模型作為初始點，重新使用在為任務 B 開發模型的過程中。
 |
| Automatic Speech Recognition (ASR) Software Market Major Competitors ... |
遷移學習是透過從已學習的相關任務中，轉移知識來改進學習的新任務，雖然大多數機器學習算法，都是為瞭解決單個任務而設計的，但是促進遷移學習的算法的開發，是機器學習人員持續關注的話題。
遷移學習對人類來說很常見，例如，我們可能會發現學習辨識蘋果，可能有助於辨識梨，或者學習彈奏電子琴，可能有助於學習鋼琴。
接下來，研究人員將數據透過一個帶有 N-gram 語言模型的語音辨識器傳遞，以使用人工智慧模型來改進其預測。
為了將傳統模型，拒絕人工智慧模型考慮的假設的風險，降到最低，他們使用人工智慧模型生成合成數據，為一次透過模型提供訓練數據。
 |
| ASR - Automatic Speech Recognition Blue Grey Blocks Stock Photograph |
訓練數據中的樣本是成對的詞彙，而不是單個詞彙，這是一個稱為噪聲對比估計的方案的一部分，其中一個成對詞彙是真正的目標，而另一個詞彙是隨機選擇的。該模型的任務是慧過直接估計目標詞彙的概率來學習區分。
最後，研究人員量化了人工智慧模型的權重，以進一步提高其效率。量化考慮特定變量可以接受的全部值範圍，並將其拆分為固定數量的間隔，這樣一個間隔內的所有值，都近似於一個數字。據研究人員透露，由於量化，人工智慧模型在 50% 的情況下，使得語音處理時間，增加不超過 65 毫秒，在90%的情況下增加不超過 285 毫秒。
|
| AKD 寰楚專業級全系列監控設備 |