Stanovení opilosti pomocí strojového učení a analýzy očí

Výzkumníci z Německa a Chile vyvinuli nový rámec strojového učení, který je schopen vyhodnotit, zda je osoba opilá, na základě infračervených snímků jejích očí.

Výzkum je zaměřen na vývoj systémů “fitness for duty” v reálném čase, které jsou schopny posoudit připravenost jedince k výkonu kritických úkolů, jako je řízení vozidla nebo obsluha strojů, a využívá novou a školenou detekci objektů, která může rozlišit složky očí subjektu z jednoho snímku a vyhodnotit je proti databázi, která zahrnuje opilé a neopilé snímky očí.

You Only Look Once (YOLO) rozlišuje oči subjektu, poté framework rozděluje instance a provádí segmentaci, aby rozdělil snímek oka na jeho složky. Zdroj: https://arxiv.org/pdf/2106.15828.pdf

Původně systém zachycuje a rozlišuje snímek každého oka pomocí rámce detekce objektů You-Only-Look-Once (YOLO). Poté jsou použity dvě optimalizované sítě k rozdělení snímků očí do semantických oblastí – síť Criss Cross (CCNet) zveřejněná v roce 2020 na Huazhong University of Science and Technology a algoritmus segmentace DenseNet10, který byl také vyvinut několika výzkumníky z Chile.

Segmentace získaná z infračervených snímků očí. Zdroj: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Tyto dva algoritmy využívají pouze 122 514 a 210 732 parametrů – skromná investice ve srovnání s některými většími sadami funkcí v podobných modelech, a odchylují se od obecného trendu směrem k vyšším objemům dat ve frameworku strojového učení.

Databáze opilých

Pro informování rámce strojového učení výzkumníci vyvinuli původní databázi, která zahrnuje 266 opilých subjektů a 765 střízlivých subjektů.

Vzorky z získané databáze opilých a neopilých subjektů.

Subjekty byly povinny stát před dvěma kamerami Iritech, řady Gemini/Venus, aby se podívaly na zařízení a byly zaznamenány střízlivě. Poté spotřebovaly 200 ml alkoholu a byly znovu zaznamenány v 15minutových intervalech, jak jejich hladiny alkoholu v krvi stoupaly, až do poslední relace 60 minut po požití alkoholu.

To vyprodukovalo 21 309 snímků, které byly poté anotovány pomocí knihovny Python imgaug.

Příprava dat pro skutečný svět

Nebyla to vysoce automatizovaná workflow, navzdory pokročilým nástrojům, které byly použity – ruční označení snímků očí bylo výzkumníky popsáno jako “velmi náročný a časově náročný proces”, a trvalo více než rok.

Data byla agresivně rozšířena pomocí série metod, které byly navrženy tak, aby systém degradovaly a vyzvaly, replikující možné podmínky skutečného světa, včetně sněhových vloček, Poissonova šumu (k simulaci degradace snímače při nízkém osvětlení), rozostření, skvrn a efektů deště. Kromě toho použití infračerveného zachycení eliminuje potřebu ideálních světelných podmínek, které nelze zaručit v ekonomicky a prakticky nasazených aplikacích.

Tato náročná práce nakonec vyústila v 98,60% úroveň přesnosti pro zachycení a segmentaci očí.

Segmentace duhovky pomocí metody least-means-squared.

Testování

Rámec segmentace byl testován na pěti platformách: Osiris, DeepVOG, DenseNet10 (viz výše), CCNet (viz výše) a Grand-Mean. Ve všech případech analýza prokázala úspěšné výsledky pro korelaci dilatace zornice s úrovní opilosti, ačkoli hybridní přístup pomocí DenseNet a CCNet se ukázal jako nejúčinnější.

Výzkumníci předpokládají, že jejich práce může být nakonec začleněna do standardního NIR snímače duhovky, a poznamenávají, že herkulovský úkol vytvoření přispívající databáze opilých očí je pravděpodobně přínosem pro tento sektor biometrického výzkumu.

Testování opilosti spotřebitelů a průmyslu prostřednictvím hodnocení očí

Nový výzkum navazuje na některé pozoruhodné předchozí literatury, včetně seminárního článku z roku 2015 od výzkumníků z Brazílie a USA, který navrhl systematický a racionalizovaný přístup k hodnocení opilosti z reakce zornice. Výzkumníci v tomto článku pozorovali, že alkohol snižuje mozkovou efektivitu a zhoršuje noční vidění o faktor 25% a reakční čas o 30%, s různou úrovní závažnosti podle individuální tolerance.

Zdroj: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf

Hlavním problémem pro difuzi těchto technologií je přenositelnost. Již v roce 2003 společnost Hampton Knight nabídla systém pro hodnocení opilosti prostřednictvím analýzy očí – i když stál 10 000 liber šterlinků v té době.

Předběžná studie z roku 2012 z Nového Dillí a USA také prozkoumala možnost použití systematických technik strojového učení k odvození skóre opilosti z očních snímků, ačkoli s menšími úspěchy než aktuální výzkum. Tato studie také přispěla cennou sadu dat (IITD Iris Under Alcohol Influence) do těla práce v tomto oboru.

Jednak recentní inovace v oblasti edge computingu a optimalizovaných mobilních zdrojů strojového učení otevírají pole pro daleko více mobilních aplikací předčinnostních kontrol opilosti, včetně senzorů ve vozidle, které by mohly potenciálně přidat kontrolu duhovky k současným metodám, které jsou zajímavé pro rámec Driver Alcohol Detection System for Safety (DADSS) vyvíjený v USA – který dosud spoléhal na senzory alkoholu v kůži a hodnocení vzduchu ve vozidle pro alkoholový vapor.

Zpráva z roku 2020 odhadla, že přijetí technologií tohoto typu by mohlo zachránit 11 000 životů ročně pouze v USA.