TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: Sprechende Autos könnten Unfälle vermeiden
Filmed:
Readability: 3.2
908,454 views
Wenn wir Auto fahren, setzen wir uns in eine gläserne Blase, schließen die Tür und geben Gas. Dabei verlassen wir uns einzig und allein auf unsere Augen – obwohl wir nur einige Autos vor uns oder hinter uns überblicken. Was aber wäre, wenn sich Autos untereinander Daten über ihre Position und Geschwindigkeit austauschen und wir Vorhersagemodelle heranziehen könnten, um die sichersten Routen für alle Beteiligten zu berechnen? Jennifer Healey stellt sich eine Welt ohne Unfälle vor. (Aufgenommen bei TED@Intel)
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
Double-click the English transcript below to play the video.
00:12
Let's face it:
0
703
1914
Machen wir uns nichts vor:
00:14
Driving is dangerous.
1
2617
2445
Autofahren ist gefährlich.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Wir verdrängen das gerne,
aber die Tatsache,
aber die Tatsache,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
dass man religiöse Talismane
und andere Glücksbringer
und andere Glücksbringer
00:23
show up on dashboards around the world
4
11812
4790
auf den Armaturenbrettern
in aller Welt findet,
in aller Welt findet,
00:28
betrays the fact that we know this to be true.
5
16602
4137
lässt erkennen, dass wir wissen,
dass es wirklich so ist.
dass es wirklich so ist.
00:32
Car accidents are the leading cause of death
6
20739
3594
Autounfälle sind in den USA
die Haupttodesursache
die Haupttodesursache
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
junger Menschen im Alter
zwischen 16 und 19 –
zwischen 16 und 19 –
00:40
leading cause of death --
8
28503
2843
Haupttodesursache –
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
und 75 % dieser Unfälle
haben nicht das Geringste
haben nicht das Geringste
00:47
with drugs or alcohol.
10
35209
2285
mit Drogen oder Alkohol zu tun.
00:49
So what happens?
11
37494
2261
Was passiert da?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Niemand weiß es genau, aber ich erinnere mich
noch an meinen ersten Unfall.
noch an meinen ersten Unfall.
00:55
I was a young driver out on the highway,
13
43974
3803
Ich war jung.
Ich fuhr auf der Autobahn,
Ich fuhr auf der Autobahn,
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
als das Auto vor mir plötzlich bremste.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Ich so: »Oh – wenn der bremst,
01:03
I'll slow down too."
16
51835
1282
brems ich auch mal.«
01:05
I step on the brake.
17
53117
1926
Ich tret auf die Bremse.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Aber der Typ will gar nicht
langsamer fahren.
langsamer fahren.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Er will anhalten,
Vollbremsung auf dem Highway.
Vollbremsung auf dem Highway.
01:12
It was just going 65 -- to zero?
20
60475
2540
Von über 100 auf... Null?
01:15
I slammed on the brakes.
21
63015
1520
Ich steig in die Eisen.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Ich spüre das ABS und
wie das Auto trotzdem weiter fährt
wie das Auto trotzdem weiter fährt
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
und immer noch nicht anhält,
und ich weiß, dass es nicht anhalten wird.
und ich weiß, dass es nicht anhalten wird.
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
Der Airbag wird ausgelöst –
das Auto ist ein Totalschaden
das Auto ist ein Totalschaden
01:25
and fortunately, no one was hurt.
25
73229
3557
aber zum Glück
wurde niemand dabei verletzt.
wurde niemand dabei verletzt.
01:28
But I had no idea that car was stopping,
26
76786
4211
Ich hatte keine Ahnung, dass
das Auto vor mir anhalten würde.
das Auto vor mir anhalten würde.
01:32
and I think we can do a lot better than that.
27
80997
3645
Ich glaube, da können wir
einiges verbessern.
einiges verbessern.
01:36
I think we can transform the driving experience
28
84642
4145
Ich glaube, wir können
das Autofahren verändern,
das Autofahren verändern,
01:40
by letting our cars talk to each other.
29
88787
3879
wenn wir unsere Autos
miteinander reden lassen.
miteinander reden lassen.
01:44
I just want you to think a little bit
30
92666
1424
Stellen Sie sich nur einmal kurz vor,
01:46
about what the experience of driving is like now.
31
94090
2888
wie Autofahren heute ist.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Einsteigen. Tür zu. Man sitzt
in einer gläsernen Blase.
in einer gläsernen Blase.
01:53
You can't really directly sense the world around you.
33
101006
2916
Man erfährt die Außenwelt nicht mehr direkt.
01:55
You're in this extended body.
34
103922
2181
Man befindet sich in einem erweiterten Körper.
01:58
You're tasked with navigating it down
35
106103
2163
Man soll in dieser Blechbüchse
02:00
partially-seen roadways,
36
108266
2056
übermenschlich schnell
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
bei eingeschränkter Sicht zwischen
anderen Blechmonstern umherfahren.
anderen Blechmonstern umherfahren.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
Man hat nur die eigenen Augen,
um da durch zu kommen.
um da durch zu kommen.
02:11
Okay, so that's all you have,
39
119226
1762
Das ist alles, was man hat,
02:12
eyes that weren't really designed for this task,
40
120988
1735
nur die Augen,
die gar nicht dafür gemacht sind.
die gar nicht dafür gemacht sind.
02:14
but then people ask you to do things like,
41
122723
3751
Will man dann die Spur wechseln,
02:18
you want to make a lane change,
42
126474
1549
soll man was als erstes tun?
02:20
what's the first thing they ask you do?
43
128023
2321
Richtig.
02:22
Take your eyes off the road. That's right.
44
130344
3095
»Nimm die Augen von der Straße.
02:25
Stop looking where you're going, turn,
45
133439
2096
Schau nicht mehr, wohin du fährst.
Dreh dich um.
Dreh dich um.
02:27
check your blind spot,
46
135535
2018
Überprüfe den toten Winkel,
02:29
and drive down the road without looking where you're going.
47
137553
3471
und fahr auf der Straße,
ohne zu schauen, wohin.«
ohne zu schauen, wohin.«
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Alle wissen: Das ist
die sichere Art zu fahren.
die sichere Art zu fahren.
02:36
Why do we do this? Because we have to,
49
144159
2241
Warum machen wir so etwas?
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
Wir müssen entscheiden: Wo schau ich hin?
02:40
What's more important?
51
148979
1521
Was ist wichtiger?
02:42
And usually we do a fantastic job
52
150500
2711
Normalerweise sind wir sehr gut darin,
02:45
picking and choosing what we attend to on the road.
53
153211
3769
das auszuwählen, was
unsere Aufmerksamkeit erfordert,
unsere Aufmerksamkeit erfordert,
02:48
But occasionally we miss something.
54
156980
3650
aber manchmal – verpassen wir doch etwas.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Manchmal schätzen wir etwas
falsch oder zu spät ein.
falsch oder zu spät ein.
02:57
In countless accidents, the driver says,
56
165091
1988
Sehr häufig sagt der Fahrer hinterher:
02:59
"I didn't see it coming."
57
167079
2308
»Ich hab das nicht kommen gesehen.«
03:01
And I believe that. I believe that.
58
169387
3281
Ich glaube ihm. Ich glaube das auch.
03:04
We can only watch so much.
59
172668
2925
Wir können nicht auf alles aufpassen.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Die Technologie, die uns helfen kann,
das zu verbessern, gibt es schon.
das zu verbessern, gibt es schon.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
In Zukunft tauschen Autos
Daten miteinander aus,
Daten miteinander aus,
03:17
we will be able to see not just three cars ahead
62
185033
3928
und dann werden wir nicht mehr
nur drei Autos voraus,
nur drei Autos voraus,
03:20
and three cars behind, to the right and left,
63
188961
1594
und drei hinten, rechts und links,
03:22
all at the same time, bird's eye view,
64
190555
3166
alles gleichzeitig und
aus der Vogelperspektive sehen können,
aus der Vogelperspektive sehen können,
03:25
we will actually be able to see into those cars.
65
193721
3128
sondern sogar in diese Autos hinein.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Wir sehen die Geschwindigkeit
des Autos vor uns,
des Autos vor uns,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
wie schnell es fährt oder bremst.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Wenn der Typ eine Vollbremsung macht,
sehe ich das früh genug.
sehe ich das früh genug.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
Mit Rechenleistung, Algorithmen
und Vorhersagemodellen
und Vorhersagemodellen
03:42
we will be able to see the future.
70
210829
3273
werden wir die Zukunft vorhersagen können.
03:46
You may think that's impossible.
71
214102
1556
Man mag denken: »Unmöglich!
03:47
How can you predict the future? That's really hard.
72
215658
2731
Wie kann man das vorhersagen?
Echt schwierig.«
Echt schwierig.«
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Nein, gar nicht.
Bei Autos ist es nicht unmöglich.
Bei Autos ist es nicht unmöglich.
03:54
Cars are three-dimensional objects
74
222008
2732
Autos sind dreidimensionale Objekte
03:56
that have a fixed position and velocity.
75
224740
2332
mit gegebener Position und Geschwindigkeit.
03:59
They travel down roads.
76
227072
1631
Sie fahren auf Straßen.
04:00
Often they travel on pre-published routes.
77
228703
2412
Oft fahren sie vorher bekannte Routen.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Es ist wirklich nicht so schwer,
vernünftig vorherzusagen,
vernünftig vorherzusagen,
04:07
about where a car's going to be in the near future.
79
235053
2864
wohin ein Auto als nächstes hinfährt.
04:09
Even if, when you're in your car
80
237917
2002
Selbst wenn man im Auto sitzt
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
und ein Motorrad kommt – WUSCH –
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
mit 140 Sachen von hinten an –
04:16
I know you've had this experience --
83
244209
2547
das haben wir ja alle schon erlebt –
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
kommt der nicht ›aus dem Nichts‹.
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Der ist bestimmt schon
eine halbe Stunde so unterwegs.
eine halbe Stunde so unterwegs.
04:25
(Laughter)
86
253002
1190
(Lachen)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Ich meine damit, dass er
schon gesehen wurde.
schon gesehen wurde.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
Den hat vor 20, 30 km schon jemand gesehen,
04:32
and as soon as one car sees that guy
89
260549
2384
und ab da kann man ihn
auf der Karte verfolgen,
auf der Karte verfolgen,
04:34
and puts him on the map, he's on the map --
90
262933
2231
›wo‹ und ›wie schnell‹ er ist,
04:37
position, velocity,
91
265164
2176
und davon ausgehen,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
dass er mit 140 weiter brettert.
04:41
You'll know, because your car will know, because
93
269661
2184
Man weiß das, weil das Auto es weiß,
04:43
that other car will have whispered something in his ear,
94
271845
2275
weil ein anderes Auto ihm geflüstert hat:
04:46
like, "By the way, five minutes,
95
274120
1923
»Ach ja: fünf Minuten,
04:48
motorcyclist, watch out."
96
276043
2775
Motorrad, pass bloß auf!«
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Man kann das Verhalten von Autos vorhersagen,
04:53
I mean, they're Newtonian objects.
98
281521
1365
wie bei jedem Newton'schen Objekt.
04:54
That's very nice about them.
99
282886
2909
Das ist das Schöne an ihnen.
04:57
So how do we get there?
100
285795
3034
Wie kommen wir dahin?
05:00
We can start with something as simple
101
288829
2266
Wir könnten mal mit etwas Leichtem anfangen,
05:03
as sharing our position data between cars,
102
291095
2870
mit dem Austausch der jeweiligen Positionen,
05:05
just sharing GPS.
103
293965
1892
einfach nur Positionsdaten.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Mit einem GPS-System
und einer Kamera im Auto
und einer Kamera im Auto
05:10
I have a pretty precise idea of where I am
105
298301
2231
lässt sich ziemlich genau sagen,
05:12
and how fast I'm going.
106
300532
1732
wo und wie schnell ich fahre.
05:14
With computer vision, I can estimate where
107
302264
1657
Rechnergestützt kann ich sagen,
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
wo die Autos um mich rum
sind und was sie tun.
sind und was sie tun.
05:19
And same with the other cars.
109
307458
970
Die anderen auch.
05:20
They can have a precise idea of where they are,
110
308428
1814
Die wissen auch, wo sie sind,
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
und wo die Autos drumherum
sich in etwa befinden.
sich in etwa befinden.
05:24
What happens if two cars share that data,
112
312388
3231
Was passiert, wenn zwei Autos
miteinander reden
miteinander reden
05:27
if they talk to each other?
113
315619
1955
und solche Daten austauschen?
05:29
I can tell you exactly what happens.
114
317574
2778
Ich kann Ihnen genau sagen, was passiert:
05:32
Both models improve.
115
320352
2339
die Modelle von beiden werden besser,
05:34
Everybody wins.
116
322691
2055
und alle gewinnen dabei.
05:36
Professor Bob Wang and his team
117
324746
2577
Professor Bob Wang und sein Team
05:39
have done computer simulations of what happens
118
327323
2738
haben simuliert, was passiert,
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
wenn selbst in schwachem Verkehr
05:45
when cars just share GPS data,
120
333492
2624
Autos nur ihre GPS-Positionen austauschen.
05:48
and we've moved this research out of the computer simulation
121
336116
2513
Wir haben aus der Simulation heraus
05:50
and into robot test beds that have the actual sensors
122
338629
3027
Robotertests gemacht, bei denen
die Roboter die gleichen Sensoren haben,
die Roboter die gleichen Sensoren haben,
05:53
that are in cars now on these robots:
123
341656
3133
wie sie auch jetzt an den Robotern
in Autos zu finden sind:
in Autos zu finden sind:
05:56
stereo cameras, GPS,
124
344789
1838
Stereokameras, GPS-System
05:58
and the two-dimensional laser range finders
125
346627
1874
und die Laser-Entfernungsmesser
06:00
that are common in backup systems.
126
348501
2240
aus den Einparkhilfen.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Die Roboter haben Fahrzeug-Fahrzeug-
Kommunikation bekommen
Kommunikation bekommen
06:07
and the robots talk to each other.
128
355225
1909
und sprechen jetzt miteinander.
06:09
When these robots come at each other,
129
357134
1539
Wenn die Roboter sich annähern,
06:10
they track each other's position precisely,
130
358673
2971
wissen sie genau, wo sie alle sind,
06:13
and they can avoid each other.
131
361644
2737
und können sich so aus dem Weg gehen.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Wir haben dann immer mehr
Roboter eingebracht
Roboter eingebracht
06:19
and we encountered some problems.
133
367607
1471
und bekamen einige Probleme.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Eines ist, dass zuviel Geschwätz
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
nicht verarbeitet werden kann –
dann muss man abwägen
dann muss man abwägen
06:27
and that's where the predictive model helps you.
136
375165
2357
und da helfen die Vorhersagemodelle.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Wenn die Roboterautos auf
vorbestimmten Routen bleiben,
vorbestimmten Routen bleiben,
06:33
you don't pay as much attention to those packets.
138
381894
1767
muss man auf das Geschwätz weniger achten.
06:35
You prioritize the one guy
139
383661
1703
Man beachtet besonders den,
06:37
who seems to be going a little off course.
140
385364
1333
der aus der Reihe tanzt.
06:38
That guy could be a problem.
141
386697
2526
Der Kerl könnte zum Problem werden.
06:41
And you can predict the new trajectory.
142
389223
3002
Weil er vorhersagbar geworden ist,
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
weiß man nicht nur,
dass er aus der Reihe tanzt,
dass er aus der Reihe tanzt,
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
sondern auch wie, und wer den Weg
frei machen muss.
frei machen muss.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
Wir wollten... Wie warnt man am besten?
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Wie flüstert ein Auto »Mach den Weg frei!«?
06:56
Well, it depends on two things:
147
404529
1517
Zwei bestimmende Dinge:
06:58
one, the ability of the car,
148
406046
2169
die Fähigkeiten des Autos
07:00
and second the ability of the driver.
149
408215
3217
und die Fähigkeiten des Fahrers.
07:03
If one guy has a really great car,
150
411432
1505
Selbst in einem tollen Auto reagiert jemand,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
der gerade telefoniert
07:07
they're not probably in the best position
152
415862
1930
oder etwas anderes macht,
07:09
to react in an emergency.
153
417792
2970
in Notfällen wahrscheinlich nicht richtig.
07:12
So we started a separate line of research
154
420762
1665
Dafür haben wir die Fahrer
07:14
doing driver state modeling.
155
422427
2551
gesondert modelliert und untersucht.
07:16
And now, using a series of three cameras,
156
424978
2329
Mit drei Kameras analysieren wir,
07:19
we can detect if a driver is looking forward,
157
427307
2270
ob ein Fahrer nach vorne sieht,
07:21
looking away, looking down, on the phone,
158
429577
2860
weg oder nach unten schaut,
07:24
or having a cup of coffee.
159
432437
3061
telefoniert oder sich einen Kaffee gönnt.
07:27
We can predict the accident
160
435498
2070
Wir können nicht nur den Unfall vorhersagen,
07:29
and we can predict who, which cars,
161
437568
3651
sondern auch,
welche Autos am besten
welche Autos am besten
07:33
are in the best position to move out of the way
162
441219
3486
den Weg frei machen,
um so die sicherste Route
um so die sicherste Route
07:36
to calculate the safest route for everyone.
163
444705
3009
für alle Beteiligten zu berechnen.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Im Wesentlichen existieren
diese Technologien schon heute.
diese Technologien schon heute.
07:44
I think the biggest problem that we face
165
452349
2824
Das größte Problem bei der ganzen Sache ist
07:47
is our own willingness to share our data.
166
455173
3013
die Bereitschaft,
unsere Daten offenzulegen.
unsere Daten offenzulegen.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Es ist eine beunruhigende Vorstellung,
07:52
this idea that our cars will be watching us,
168
460817
2386
dass unsere Autos uns beobachten
07:55
talking about us to other cars,
169
463203
3371
und mit anderen Autos
über uns reden,
über uns reden,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
so dass wir wie in einem Meer von
Klatsch und Tratsch fahren.
Klatsch und Tratsch fahren.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Aber ich glaube, dass
die Privatsphäre geschützt werden kann.
die Privatsphäre geschützt werden kann.
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
Wenn ich mir Ihr Auto jetzt gerade,
in diesem Moment, von außen ansehe,
in diesem Moment, von außen ansehe,
08:09
I don't really know about you.
173
477639
2363
weiß ich nichts über Sie.
08:12
If I look at your license plate number,
174
480002
1137
Ihr Nummernschild
08:13
I don't really know who you are.
175
481139
1886
sagt nicht viel über Sie aus.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Unsere Autos dürfen ruhig hinter
unserem Rücken über uns reden.
unserem Rücken über uns reden.
08:19
(Laughter)
177
487274
2975
(Lachen)
08:22
And I think it's going to be a great thing.
178
490249
3185
Ich stelle mir das ganz toll vor.
08:25
I want you to consider for a moment
179
493434
1650
Überlegen Sie mal kurz,
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
ob es nicht besser wäre,
dem abgelenkten Teenager hinter Ihnen
dem abgelenkten Teenager hinter Ihnen
08:31
to know that you're braking,
181
499202
2120
wissen zu lassen,
08:33
that you're coming to a dead stop.
182
501322
2924
dass Sie gerade
zu einer Vollbremsung ansetzen.
zu einer Vollbremsung ansetzen.
08:36
By sharing our data willingly,
183
504246
2741
Durch solch einen Austausch unserer Daten
08:38
we can do what's best for everyone.
184
506987
2812
können wir für alle das Beste erreichen.
08:41
So let your car gossip about you.
185
509799
3076
Sollen unsere Autos ruhig
über uns tratschen –
über uns tratschen –
08:44
It's going to make the roads a lot safer.
186
512875
3038
die Straße wird dadurch erheblich sicherer.
08:47
Thank you.
187
515913
1791
Vielen Dank.
08:49
(Applause)
188
517704
4985
(Beifall)
ABOUT THE SPEAKER
Jennifer Healey - Research scientistA research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.
Why you should listen
Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.
Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.
Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.
Jennifer Healey | Speaker | TED.com