Medicinal
Bestemmelse af forgiftning med maskinlæringsanalyse af øjne
Forskere fra Tyskland og Chile har udviklet en ny maskinlæringsramme, der er i stand til at vurdere, om en person er beruset, baseret på nær-infrarøde billeder af deres øjne.
forskning er rettet mod udviklingen af 'fitness for duty' realtidssystemer, der er i stand til at vurdere en persons parathed til at udføre kritiske opgaver såsom at køre bil eller betjene maskiner, og bruger en ny og ridsetrænet objektdetektor, der kan individualisere et individs øjenkomponenter fra et enkelt billede og evaluere dem i forhold til en database, der inkluderer berusede og ikke-berusede øjenbilleder.
You Only Look Once (YOLO) individualiserer motivets øjne, hvorefter rammen adskiller instanserne og udfører segmentering for at bryde øjenbilledet ned i dets bestanddele.. Kilde: https://arxiv.org/pdf/2106.15828.pdf
Indledningsvis fanger og individualiserer systemet et billede af hvert øje med You-Only-Look-Once (YOLO) objektdetektionsramme. Herefter bruges to optimerede netværk til at nedbryde øjenbillederne i semantiske regioner - de Criss Cross opmærksomhedsnetværk (CCNet) udgivet i 2020 af Huazhong University of Science and Technology, og DenseNet10 segmenteringsalgoritme, også udviklet af flere af det nye papirs forskere i Chile.
Segmentering opnået fra billeder med nær infrarøde øjne. Kilde: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6
De to algoritmer anvender kun henholdsvis 122,514 og 210,732 parametre - et sparsomt udlæg sammenlignet med nogle af de større funktionssæt i lignende modeller og modvirker den generelle tendens til større mængder data i ML-frameworks.
Database over de berusede
For at informere rammen om maskinlæring udviklede forskerne en original database med 266 berusede forsøgspersoner og 765 ædru emner.
Prøver fra den opnåede database over berusede og ikke berusede forsøgspersoner.
Forsøgspersonerne skulle stå foran to oprindelige Iritech-kameraer, Gemini/Venus-serien, for at stå over for enheden og blive optaget ædru. Herefter indtog de 200 ml alkohol og blev genfanget med 15 minutters intervaller, da deres niveauer af alkohol i blodet steg, op til den sidste session 60 minutter efter indtagelsen af alkoholen.
Dette producerede 21,309 billeder, som derefter blev kommenteret ved hjælp af Python-biblioteket imgaug.
Forberedelse af data til den virkelige verden
Det var ikke en meget automatiseret arbejdsgang, på trods af de avancerede værktøjer, der blev brugt – manuel mærkning af øjenbillederne blev af forskerne beskrevet som 'en meget krævende og tidskrævende proces', og tog mere end et år.
Dataene blev aggressivt udvidet med en række metoder designet til at nedbryde og udfordre systemet, hvilket replikerer mulige forhold i den virkelige verden, inklusive snefnug, Poisson-støj (for at simulere nedbrydning af sensorer ved svagt lys), sløring, sprøjt og regneffekter. Derudover fjerner brugen af infrarød optagelse behovet for ideelle lysforhold, hvilket ikke kan garanteres i økonomiske og praktiske installationer.
Dette opslidende arbejde betalte sig til sidst med en nøjagtighed på 98,60 % for øjenoptagelse og segmentering.
Irissegmentering med mindste-middel-kvadratmetoden.
Test
Segmenteringsrammen blev testet med fem platforme: Osiris, DeepVOG, DenseNet10 (se ovenfor), CCNet (se ovenfor), og Grand-Mean. I alle tilfælde viste analysen vellykkede resultater for at korrelere pupiludvidelsen til niveauet af berusethed, selvom en hybrid tilgang med DenseNet og CCNet viste sig at være den mest effektive.
Forskerne forventer, at deres arbejde i sidste ende kan inkorporeres i en standard NIR-irissensor, og bemærker, at den herkuliske indsats med at producere den bidragende berusede øjedatabase er en sandsynlig fordel for denne sektor af biometrisk forskning.
Forbruger- og industriforgiftningstest gennem øjenvurdering
Den nye forskning bygger på nogle bemærkelsesværdige tidligere litteratur, herunder en banebrydende 2015-artikel fra forskere i Brasilien og USA, som foreslog en systematisk og rationaliseret metode til evaluering af forgiftning fra pupilrespons. Forskere for det papir observerede, at alkohol reducerer hjernens effektivitet og forringer nattesynet med en faktor på 25 %, og reaktionstiden med 30 %, med varierende sværhedsgrad i henhold til individets toleranceniveauer.
Kilde: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf
Det primære spørgsmål for spredning af sådanne teknologier er portabilitet. Allerede i 2003 blev det britiske analysefirma Hampton Knight tilbydes et system til vurdering af beruselse gennem øjenanalyse - selvom det på det tidspunkt kostede 10,000 pund sterling.
En foreløbig 2012 studere fra New Delhi og USA undersøgte også muligheden for at bruge systematiske kunstig intelligens-teknikker til at udlede en forgiftningsscore fra okulære billeder, dog med mindre succes end den nuværende forskning. Denne undersøgelse bidrog også med et værdifuldt datasæt (IITD Iris Under Alcohol Influence) til arbejdet på dette felt.
Nylige innovationer inden for edge computing og optimeret mobile maskinlæringshardwareressourcer åbner imidlertid feltet for langt flere mobile anvendelser af præaktivitetstjek for forgiftning, herunder sensorer i bilen, der potentielt kan tilføje iriskontrol til de nuværende metoder, der er af interesse til førerens alkoholdetektionssystem for sikkerhed (DADSS) ramme, der udvikles i USA – som til dato har været afhængig af hud-alkoholsensorer og evaluering af luft i køretøjer for alkoholdamp.
En 2020 indberette anslået, at vedtagelse af teknologier af denne type kunne redde 11,000 liv om året alene i USA.
