5G基站辐射致癌?一个源自19年前的某权威报告引发的谣言

640?wx_fmt=png

640?wx_fmt=jpeg


编译:邢畅、曹培信

来源:大数据文摘(ID:BigDataDigest)


在这篇文章的内容正式开始之前,文摘菌先带大家看几张图。


你看这根孤独的柱子,其实它是一个通信基站;


640?wx_fmt=jpeg


再看这个平平无奇的路灯,它也是一个通信基站;


640?wx_fmt=bmp


再来看这颗不悲不喜的树,它依然是一个通信基站;


640?wx_fmt=bmp


最后来看这自挂东南枝的空调外机,它还是一个通信基站。


640?wx_fmt=bmp


是什么让一个个通信基站不得不靠伪装才能生存?答案是周围使用这些基站的居民。


不知道从哪里听来的消息,有的人认为周围的手机通信基站产生的辐射会影响到自己的身体健康,于是在很多地方都出现过通信基站被当地居民人为破坏的情况,或者在运营商加装通信基站时横加阻扰,有的时候闹得太过了甚至惊动警方,运营商不得不发表声明:你们这一片的活我干不了了!


640?wx_fmt=jpeg


在这种情况下,有苦说不出的运营商只能用各种手段伪装通信基站,不仅增加了成本,维护的时候还得小心翼翼,生怕周围的居民发现。


如今5G进入商用时代,又有许多新的基站要开始建设,那么通信基站辐射致癌这种说法究竟从何而来?5G通信基站会不会对周围人造成健康威胁呢?文摘菌带大家来一探究竟。


640?wx_fmt=png


一份不准确的报告引发的谣言


无线电通信是否会产生危害人类健康的辐射这个问题,其实可以追溯到十九年前,一份由不严谨的物理学家给出了一份不准确的报告,而这种报告,则会导致人们对于一项技术错误的认识,有时甚至会产生谣言和恐惧。


让我们把时间拨回到2000年,佛罗里达州布劳沃德公立学校正在考虑和当时许多富裕的学区一样,准备为教室和25万名学生配备笔记本电脑和无线网络。


但是这个学区在落实这项政策之前,请咨询师兼物理学家Bill P. Curry研究一下无线网络是否会影响学生的健康。结果Curry博士的报告显示:这项技术“可能会对健康造成严重危害!”他在一张标注着“脑组织(灰质)微波吸收”的图表中得出了一个可怕的结果。


640?wx_fmt=png

Bill P. Curry发表的报告


报告链接:

http://www.stayonthetruth.com/resources/Curry%20letter%20re%20Wireless%20in%20school%20room.pdf


报告中的图表显示,随着无线信号频率的增加,大脑接受的辐射剂量从左到右呈上升趋势。起初,坡度很平缓,但当达到与无线网络通信相关的无线频率时,直线上升,表明属于危险水平。


640?wx_fmt=jpeg


“这张图显示了我担心的原因。”Curry在报告中写道。他的报告详细描述了无线电波是如何诱发脑癌这一致命的疾病。


多年来,随着手机、手机信号塔和无线局域网的普及,Curry的警告被传播得越来越广,引起了教育工作者、消费者乃至地球另一端的共鸣。


其实在相当大的程度上,在今天许多人担心5G通信产生辐射会影响健康,都可以追溯到这位科学家和这张图表,但遗憾的是,这位从事了45年应用物理学的博士给出的报告是存在错误的,因为后来的研究表明,缺乏生物学知识的Curry博士并没有考虑到人类皮肤的保护机制。


640?wx_fmt=png


5G究竟会不会引发脑癌或者其他疾病?


针对Curry博士的报告,有电磁辐射生物学效应的相关研究人员表示,在一定范围内,无线电波在更高频率时不仅不会更危险,反而会更安全。(极高频的电离辐射除外,如X射线等,确实会对健康构成威胁,但是频率在3000000GHz以上,所以这里不作讨论)


他们首先反驳了Curry博士的研究方法,Curry博士在实验室中研究了无线电波影响的对象是被分离出来的组织,并错误地将研究结果对应到人体内部的细胞。


所以他的分析没有考虑到人类皮肤的保护作用。在较高的无线电频率下,皮肤可以充当屏障,保护包括大脑在内的内部器官免受辐射。


Gary Brown是布劳沃德区技术部门的一位专家,他与Curry博士合作准备了那份报告,据他回忆称,“Curry博士是一个非常聪明的人,”。但Curry博士缺乏生物学方面的专业知识。他可以轻松地解决原子和电磁难题,但他没有接受过复杂的生物医学研究的正式培训。


纽约大学放射学教授Christopher M. Collins一直致力于研究高频电磁波对人类的影响,他也表示,“高频电磁波不会穿透皮肤”,Curry博士的图表没有考虑到皮肤的“屏蔽效应”。


看来Curry博士的说法基本已经站不住脚了,下面我们来看看5G。


最新一代5G通信的工作频率分两种,一种是Sub-6频段,频率在450Mhz至6000Mhz,另一种毫米波频段将接近无线电波频谱的最高频率,也就是国际电信联盟(ITU)指定的一段无线电频率——极高频(EHF),即表中30GHz至300Ghz这一段(5G实际使用24250Mhz-52600Mhz),而这一波段也最被认为会对人类健康产生威胁。


640?wx_fmt=png

图片来自《纽约时报》,源自:美国国家航空航天局、美国国家科学院、美国国家环境健康科学研究所、美国国会研究服务部、美国电气和电子工程师学会


然而根据康奈尔大学发表的一份《射频与微波安全项目》显示,射频辐射的吸收和人体组织的加热取决于几个因素,包括波长和波前特性。频率大于10,000 MHz (10GHz)主要被皮肤外层吸收。


频率在2.5GHz和10Ghz之间穿透更深(3毫米到2厘米),在2500MHz到1300MHz之间,穿透和吸收足以引起组织受热对内脏器官的损害。因此吸收和渗透深度组织中的射频和微波似乎是频率的反函数。


640?wx_fmt=png

人体组织被辐射穿透深度与频率对照


那这样的话,有人又要问了,无线局域网就在2400MHz和5000MHz之间呀,那怎么没有感受到辐射呢?


这在报告中也进行了解释,电磁辐射的影响因素很多,不仅依赖于它的频率,还依赖于暴露的几何形状和组织的介电特性。综合这些因素,实际吸收的能量更能恰当的表示电磁辐射的生物效应,这被定义为电磁波吸收比值(SAR)。在审阅了大量的生物数据后,一些标准制定机构(如ACGIH、IEEE/ANSI、ICNIRP、FCC等)认为,人类全身SAR不应超过4.0W/kg。


而我国对于手机SAR的限制是进网测试要求SAR限值取10g平均值,限值为2.0W/Kg,5G手机也不例外。


640?wx_fmt=png


那5G通信基站呢?5G通信基站分为宏基站和微基站,更多的是微基站,5G宏基站的功率大概在200W左右,所以假设你在一个5G宏基站附近10米打电话,受到的单位面积电磁辐射应该是200W除以直径为10米的球的表面积,大概是15.9微瓦/立方厘米,低于我国在2015年1月1日开始实行的《电磁环境控制限值》(GB8702—2014)通信频段功率密度最大限定40微瓦/平方厘米。


而微基站功率一般不超过10W,辐射就更小了。所以无论是5G手机还是5G基站,对周围使用的人来说,它们的辐射都在人体可以接受的范围之内。


640?wx_fmt=jpeg


640?wx_fmt=png


谣言的产生:来自权威的错误最为致命


尽管有着国家的标准和监管,但并不是每一个人都了解,所以对于5G是否会影响健康这一问题,许多人的判断都是基于一些专家的言论和媒体的宣传。


然而当人们遇到一个作出错误判断并且还固执己见的权威专家,再加上一些媒体的引导,谣言往往比真相传播的还快,下面我们来看看“无线通信(包括5G)影响健康”这样的谣言是如何诞生的。


早在1978年,调查记者Paul Brodeur出版了《美国的崩溃》(The Zapping of America),书中引用了一些具有暗示性但却模棱两可的证据,认为越来越多的使用高频通信可能会危害人类健康。


然而那只是个记者,并没有引起太大重视。相比之下,Curry博士是具有权威性的,他拥有物理学(1959年和1965年)以及电气工程(1990年)的学位,还在联邦和工业实验室(包括劳伦斯利弗莫尔国家实验室)拥有数十年的工作经验。


2000年2月发表第一份报告后,Curry博士9月份又发送了第二份报告,第二份报告直接发送给了学区负责人、校董会和学区安全与风险管理负责人。


第二份报告的频率图比第一份还要详细。上升线路标注了无线网络的精确位置,更低的是无线电、电视和手机信号。


640?wx_fmt=png


第二份报告链接:

https://web.archive.org/web/20031206113221/http:/www.emrnetwork.org/schools/curry_broward.pdf


Curry博士自身还属于一个全国性的无线技术反对组织,他为布劳沃德区撰写的两份报告很快就开始在该组织其他反对者中广泛流传。


其中就有一位更权威的人——David O. Carpenter博士,他几十年来都就无线电波的健康风险和一些科学机构争论不下。


Carpenter博士的资历更令人印象深刻,他分别于1959年和1964年以优异成绩毕业于哈佛大学和其医学院。1985年到1997年,他担任奥尔巴尼纽约州立大学公共卫生学院院长,并于2001年成为该校卫生研究所所长,至今仍在该研究所工作。


上世纪80年代,Carpenter博士还声称高压电线可能导致附近儿童患上白血病,引发全球争论。他作为权威人物出现在Brodeur 1989年出版的《死亡之流》(Currents of Death)一书中。但联邦研究人员未能找到确凿的证据来支持这些警告。


640?wx_fmt=jpeg

David O. Carpenter博士,奥尔巴尼大学健康与环境研究所所长


2010年至2012年间,最新一代手机4G的频率超过了当时之前无线网络的频率。Carpenter博士更就更加担心了,他表示:“现在有更多的证据表明4G存在健康风险,影响着数十亿人,”他在介绍一份1400页的报告时说。“现状是不可接受的。”


他在2012年发布的倡议报告引起了全世界的关注。但是主流的科学研究否定了它的结论。牛津大学的两名研究人员称其“在科学上是不可信的”。


然而Carpenter博士还在坚持自己的观点,2012年,他成为《环境健康评论》(Reviews on Environmental Health)季刊的主编。他出版了几位作家的作品,这些作家和他自己的作品一样,也同样在发表相关的言论。


“手机使用的迅速增加增加了患癌症、男性不育和神经行为异常的风险,”Carpenter博士在2013年写道。


而在5G出现的时候,“频率越高,就越危险,”一家名为辐射健康风险(Radiation Health Risks)的网站表示。这一想法得到了一个类似网站的响应,在一个名为“科学讨论”的页面上,5G——“更高的频率对健康更危险”。总的来说,该网站充斥着5G引发脑癌的警告。


640?wx_fmt=png


最近,Carpenter博士告诉俄罗斯电视网RT America,最新款手机对健康构成了严重威胁。“5G的推出非常可怕,”他说,“没有人能逃离辐射了。”



就这样,随着权威人士的错误判断和一些媒体的错误引导,一个简单的图表就这样发展成为了一个伪科学生根发芽并蓬勃发展的典型案例。


相关报道:

https://www.nytimes.com/2019/07/16/science/5g-cellphones-wireless-cancer.html

https://www.5gexposed.com/2018/07/30/scientific-discussion-about-the-dangers-of-microwaves/

https://en.wikipedia.org/wiki/Extremely_high_frequency

http://www.ctl-lab.com/read/241.html

https://www.zhihu.com/question/23933726


640?wx_fmt=png


640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

- 加入社群吧 -


640?wx_fmt=png

640?wx_fmt=png

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值