Sundhedsvæsen
Bestemmelse af berusning med maskinlæringsanalyse af øjne
Føj Unite.AI til dine foretrukne kilder på Google
Forskere fra Tyskland og Chile har udviklet et nyt maskinlæringsrammeværk, der kan evaluere, om en person er beruset, baseret på nær-infrarøde billeder af deres øjne.
Forskningen er rettet mod udviklingen af ‘fitness for duty’-systemer i realtid, der kan vurderer en persons beredskab til at udføre kritiske opgaver som kørsel eller operation af maskiner, og anvender en ny og selvtrænet objektdetektor, der kan individuere et emnes øjenkomponenter fra et enkelt billede og evaluere dem i forhold til en database, der indeholder billeder af berusede og ikke-berusede øjne.
You Only Look Once (YOLO) individuerer subjektets øjne, hvorefter rammeværket separerer instanserne og udfører segmentering for at bryde øjebilledet ned i dets bestanddele. Kilde: https://arxiv.org/pdf/2106.15828.pdf
Initialt indfanger systemet og individuerer et billede af hvert øje med You-Only-Look-Once (YOLO)-objektdetektionsrammeværket. Efter dette anvendes to optimerede netværk til at bryde øjebillederne ned i semantiske regioner – Criss Cross-opmærksomhedsnetværket (CCNet) udgivet i 2020 af Huazhong University of Science and Technology, og DenseNet10-segmenteringsalgoritmen, der også er udviklet af flere af forskernes forskning i Chile.
Segmentering erhvervet fra nær-infrarøde øjebilleder. Kilde: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6
De to algoritmer anvender kun 122.514 og 210.732 parametre henholdsvis – en beskeden udgift i sammenligning med nogle af de større funktionssæt i lignende modeller, og går imod den generelle tendens mod højere volumener af data i maskinlæringsrammeværker.
Database af berusede
For at informere maskinlæringsrammeværket udviklede forskerne en original database med 266 berusede subjekter og 765 ædru subjekter.
Eksempler fra den erhvervede database af berusede og ikke-berusede subjekter.
Subjekterne skulle stå foran to oprindelige Iritech-kameraer, Gemini/Venus-rækken, for at konfrontere enheden og blive optaget ædru. Efter dette indtog de 200ml alkohol og blev genindfanget i 15-minutters interval, efterhånden som deres blodalkoholniveauer steg, op til den sidste session 60 minutter efter alkoholforbrug.
Dette resulterede i 21.309 billeder, der derefter blev annoteret ved hjælp af Python-biblioteket imaug.
Forberedelse af data til den virkelige verden
Det var ikke et højt automatiseret workflow, på trods af de avancerede værktøjer, der blev anvendt – manuel mærkning af øjebillederne blev beskrevet af forskerne som ‘en meget krævende og tidskrævende proces’, og tog mere end et år.
Dataene blev aggressivt forstærket med en række metoder designet til at degradere og udfordre systemet, der simulerer mulige virkelige verdensbetingelser, herunder snefnug, Poisson-støj (for at simulere lav-lux-sensordegradering), blur, spatter og regneffekter. Udover dette eliminerer brugen af infrarød optagelse behovet for ideelle lysbetingelser, som ikke kan garanteres i økonomiske og praktiske installationer.
Dette hårde arbejde betalte til sidst af med en nøjagtighed på 98,60% for øjefangst og segmentering.
Iris-segmentering med den mindst-kvadrat-metode.
Test
Segmenteringsrammeværket blev testet med fem platforme: Osiris, DeepVOG, DenseNet10 (se ovenfor), CCNet (se ovenfor) og Grand-Mean. I alle tilfælde viste analysen succesfulde resultater for at korrelerer pupildilation til berusningsniveau, selvom en hybridtilgang ved hjælp af DenseNet og CCNet viste sig at være den mest effektive.
Forskerne forventer, at deres arbejde kan inkorporeres i en standard NIR-iris-sensor og bemærker, at den herculeiske indsats for at producere den bidragende berusede øjendatabase sandsynligvis er en fordel for dette område af biometrisk forskning.
Forbruger- og industrielle berusningsprøver gennem øje-evaluering
Den nye forskning bygger på nogle bemærkelsesværdige tidligere litteratur, herunder en seminal 2015-papir fra forskere i Brasilien og USA, der foreslog en systematisk og rationaliseret metode til evaluering af berusning fra pupillerespons. Forskere for denne papir observerede, at alkohol reducerer hjernens effektivitet og forringrer natte syn med en faktor på 25% og reaktionstid med 30%, med varierende niveauer af alvorlighed i forhold til individets toleranceniveauer.
Kilde: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf
Hovedproblemet for diffusion af sådanne teknologier er bæring. Allerede i 2003 tilbød det britiske forskningsfirma Hampton Knight et system for berusningsevaluering gennem øje-analyse – selvom det kostede 10.000 britiske pund på det tidspunkt.
En preliminær 2012-studie fra New Delhi og USA udforskede også muligheden for at anvende systematiske AI-teknikker til at aflede en berusnings-score fra okulære billeder, selvom med mindre succes end den nuværende forskning. Denne studie bidrog også med en værdifuld dataset (IITD Iris Under Alcohol Influence) til kroppen af arbejde på dette område.
Imidlertid åbner de seneste innovationer i edge-computing og optimeret mobil maskinlæringshardware-resourcer feltet for langt mere mobile anvendelser af forudgående kontroller for berusning, herunder bil-sensorer, der potentielt kan tilføje iris-kontroller til de nuværende metoder, der er af interesse for Driver Alcohol Detection System for Safety (DADSS)-rammeværket, der udvikles i USA – som hidtil har afhængigt af hud-alkoholsensorer og evaluering af bilens luft for alkoholvapor.
En 2020-rapport estimerede, at adoptionen af teknologier af denne type kunne redde 11.000 liv om året i USA alene.
