太味儿！菊纹、粪便识别测健康，斯坦福智能马桶研究登上Nature子刊

机器之心报道

机器之心编辑部

世界上没有两片相同的雪花，「菊花」亦然。至少，斯坦福大学的一篇论文是这么说的。在这篇论文中，研究者发明了一种「菊纹识别」智能马桶，可以利用深度学习技术识别你的「菊纹」和便便，从而达到健康监测的目的。目前，该论文已经在《Nature Biomedical Engineering》期刊上发表。

深度学习三巨头之一、图灵奖获得者 Yann LeCun 看完之后一脸认真地说，「卷积网络正在马桶上落地，为人类谋福祉。」

从目前流行的指纹识别、人脸识别到「菊纹（analprint）识别」，研究人员思路的进化让人一时难以跟上。我们先来看一下这个马桶长什么样子：

智能马桶整体结构。

这个马桶乍看上去和普通马桶差不多，但仔细看就会发现里面暗藏玄机，尤其是马桶圈附近。

这个马桶圈里安装了四个摄像头：一个粪便摄像头（stool camera）、一个「菊花」摄像头（anus camera）和两个尿流摄像头（uroflow camera）。顾名思义，这些摄像头分别用来监测排便者的粪便、「菊花」和尿液。

除此之外，马桶圈上还安装有一系列传感器和试纸，可以记录人坐在马桶上的时间、分析尿液里的成分。

该马桶的工作原理可以概括为：尿液和粪便样本都通过视频采集，然后通过一组算法进行处理，这些算法可以区分正常的尿液（流速、时间、流量）、粪便特征和不正常的特征。试纸则用于测量某些分子特征，包括白细胞计数、血液污染、特定水平的蛋白质等，这些指标可以反映一系列疾病，从感染到膀胱癌再到肾衰竭。论文作者表示，该马桶目前已经可以测量 10 种不同的生物标记。

信息收集、分析装置有了，那怎么区分哪份样本是你的呢？毕竟除了独居的人之外，其他多数人都要和别人共用马桶。

这就要说到本文的关键概念——「菊纹识别」了。

在最初的版本中，研究者考虑过在冲水柄处安装指纹识别装置。这个想法很容易实现，但问题在于，如果上一个人忘记冲水怎么办？于是，他们想到了「菊纹识别」，即利用摄像头拍摄的肛门视频来识别排便者。

准确地说，他们用摄像头识别的是一个名为「肛膜（anoderm）」的部位，与肛门周围的皮肤有关，由肛门（anus）与皮膜（derm）两个词组合而成。

所有数据采集之后会上传到加密的云服务器上进行存储和分析。

这种做法虽然看起来比较难以接受，但作者表示，在几个月的时间里，已经有 21 名志愿者参与了马桶的测试。而在一项针对 300 多名智能马桶潜在用户的调查中，37% 的人表示对这个想法比较满意，甚至有 15% 的人表示对这种以精准健康为目的暴露一切的做法非常满意。

该论文已经于本周一发表于《Nature》子刊。

论文链接：https://www.nature.com/articles/s41551-020-0534-9

工作原理细节

这个马桶具体是怎么工作的呢？

针对尿液分析，马桶上有两个高速摄像头，用来观测流速，马桶的后方还安有一堆试纸。当你开始小便时，被动红外运动传感器（passive infrared motion sensor）会检测到信号并伸出一条试纸。试纸被浸湿之后会缩回马桶后方，然后由一个摄像头来分析结果。该系统针对一位男士和一位女士进行了测试，结果发现这套系统更加适合站立小便的男士，但作者表示，后续会针对男女小便的差异改进设计。

基于计算机视觉的小便监测与流量测量。

为了分析人的大便行为，马桶上有一个压力传感器，可以用来激活摄像头从而拍摄排便全程。这些图像可以反映肠道功能，由卷积神经网络进行处理。

研究者写道：「这个摄像头也能够观察到粪便的动态变化，包括马桶里粪便的形态和流动性随时间的变化，这些在之前都没有被研究过。」

具体来说，研究者使用 GoogLeNet Inception v.3 来对马桶捕捉到的图片进行识别。之所以选择 Inception v.3 是因为这是一个开源的算法，且在 ImageNet 里的一百多万张图片上进行了预训练。

研究者在十个马桶类型上重新对 Inception v.3 进行了训练，这十个类型分别是七个 BSFS 类型以及干净、仅有小便和带有厕纸这三个额外类型。

研究者表示，这些粪便图像是通过 Google，Bing 和 Yahoo 等搜索引擎（关键词包括「马桶里的粪便」和」粪便「）获得的。此外，他们还从研究参与者那里收集了 12,226 张粪便图像和相关的马桶状态图像（n=11）。随着研究参与者提供的真实粪便图像越来越多，CNN 的表现也将有明显的改善。

使用 CNN 进行粪便分析（为避免引起读者不适，此处仅截取了部分图片，内容详见论文）。

在家庭中，区分是谁的粪便显然对这个系统很重要，因此才有了「菊纹识别」这个概念。

为了实现菊纹识别，首先要用马桶上安装的摄像头给用户的屁股录制一段短视频，然后通过图像识别算法进行区分。拍摄的屁股片段被分成帧，算法将其与用户「菊纹」的参考图像数据集进行比较。

研究者使用了三种不同方法来进行「菊纹」识别，分别是：MSE（mean squared error）、SSIM（structural similarity index measure）和 CNN。其中 CNN 的结构与上文提到的粪便识别类似。研究者同样使用了迁移学习来对其进行分类训练。下图为使用「菊纹」进行生物识别的示意图。