Bestimmung einer Vergiftung mittels maschineller Lernanalyse der Augen

Forscher aus Deutschland und Chile haben ein neues Framework für maschinelles Lernen entwickelt, mit dem anhand von Nahinfrarotbildern ihrer Augen beurteilt werden kann, ob eine Person betrunken ist.

Die Forschungsprojekte zielt auf die Entwicklung von Echtzeitsystemen zur Diensttauglichkeit ab, die in der Lage sind, die Bereitschaft einer Person zur Durchführung kritischer Aufgaben wie Autofahren oder Bedienen von Maschinen zu beurteilen. Dabei kommt ein neuartiger und auf Scratch-Training trainierter Objektdetektor zum Einsatz, der die Augenkomponenten einer Person aus einem einzigen Bild identifizieren und mit einer Datenbank abgleichen kann, die Bilder der Augen im betrunkenen und im nicht betrunkenen Zustand enthält.

You Only Look Once (YOLO) individualisiert die Augen des Probanden, woraufhin das Framework die Instanzen trennt und eine Segmentierung durchführt, um das Augenbild in seine Bestandteile zu zerlegen. Quelle: https://arxiv.org/pdf/2106.15828.pdf

Zunächst erfasst und individualisiert das System ein Bild jedes Auges mit dem You-Only-Look-Once-Prinzip (YOLO) Objekterkennungs-Framework. Anschließend werden zwei optimierte Netzwerke verwendet, um die Augenbilder in semantische Regionen zu zerlegen – die Criss Cross Aufmerksamkeitsnetzwerk (CCNet), das 2020 von der Huazhong University of Science and Technology veröffentlicht wurde, und das DenseNet10 Segmentierungsalgorithmus, der ebenfalls von mehreren Forschern des neuen Artikels in Chile entwickelt wurde.

Segmentierung aus Nahinfrarot-Augenbildern. Quelle: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Die beiden Algorithmen verwenden nur 122,514 bzw. 210,732 Parameter – ein sparsamer Aufwand im Vergleich zu einigen der größeren Funktionssätze in ähnlichen Modellen und entgegen dem allgemeinen Trend zu größeren Datenmengen in ML-Frameworks.

Datenbank der Betrunkenen

Um das Framework für maschinelles Lernen zu unterstützen, entwickelten die Forscher eine Originaldatenbank mit 266 betrunkenen und 765 nüchternen Probanden.

Proben aus der erhaltenen Datenbank betrunkener und nicht betrunkener Probanden.

Die Probanden mussten vor zwei Originalkameras von Iritech, der Gemini/Venus-Reihe, stehen, dem Gerät gegenüberstehen und nüchtern aufgenommen werden. Danach konsumierten sie 200 ml Alkohol und wurden in 15-Minuten-Intervallen erneut erfasst, wenn ihr Blutalkoholspiegel anstieg, bis zur letzten Sitzung 60 Minuten nach dem Alkoholkonsum.

Dabei entstanden 21,309 Bilder, die anschließend mithilfe der Python-Bibliothek mit Anmerkungen versehen wurden imgaug.

Aufbereitung der Daten für die reale Welt

Trotz der verwendeten fortschrittlichen Werkzeuge handelte es sich nicht um einen hochautomatisierten Arbeitsablauf. Die Forscher beschrieben die manuelle Beschriftung der Augenbilder als „einen sehr anspruchsvollen und zeitaufwändigen Prozess“ und benötigte mehr als ein Jahr.

Die Daten wurden mithilfe einer Reihe von Methoden, die das System schwächen und herausfordern, massiv erweitert. Dabei wurden reale Bedingungen simuliert, darunter Schneeflocken, Poisson-Rauschen (zur Simulation der Sensorverschlechterung bei schwachem Licht), Unschärfe, Spritzer und Regeneffekte. Darüber hinaus macht die Infrarot-Erfassung ideale Lichtverhältnisse überflüssig, die bei wirtschaftlichen und praktischen Einsätzen nicht gewährleistet werden können.

Diese anstrengende Arbeit zahlte sich schließlich mit einer Genauigkeit von 98,60 % bei der Augenerfassung und -segmentierung aus.

Irissegmentierung mit der Methode der kleinsten Quadrate.

Tests

Das Segmentierungsframework wurde mit fünf Plattformen getestet: Osiris, DeepVOG, DenseNet10 (siehe oben), CCNet (siehe oben) und Großartig. In allen Fällen zeigte die Analyse erfolgreiche Ergebnisse bei der Korrelation der Pupillenerweiterung mit dem Grad der Trunkenheit, wobei sich ein hybrider Ansatz mit DenseNet und CCNet als am effektivsten erwies.

Die Forscher gehen davon aus, dass ihre Arbeit irgendwann in einen Standard-NIR-Iris-Sensor integriert werden kann, und stellen fest, dass der Herkulesaufwand für die Erstellung der beitragenden Datenbank für berauschte Augen wahrscheinlich einen Nutzen für diesen Bereich der biometrischen Forschung darstellt.

Vergiftungstests für Verbraucher und Industrie durch Augenuntersuchung

Die neue Forschung baut auf einigen wichtigen früheren Veröffentlichungen auf, darunter eine wegweisende Arbeit von Forschern aus Brasilien und den USA aus dem Jahr 2015, die eine systematische und rationalisierte Methode zur Bewertung von Rauschzuständen anhand der Pupillenreaktion vorschlug. Die Forscher dieser Arbeit stellten fest, dass Alkohol die Gehirnleistung verringert und das Nachtsehen um den Faktor 25 und die Reaktionszeit um 30 Prozent beeinträchtigt, wobei der Schweregrad je nach individueller Toleranzschwelle unterschiedlich ausfällt.

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

Das Hauptproblem bei der Verbreitung solcher Technologien ist die Portabilität. Bereits 2003 hat das britische Forschungsunternehmen Hampton Knight angeboten ein System zur Beurteilung einer Vergiftung durch Augenanalyse – obwohl es damals 10,000 Pfund Sterling kostete.

Ein vorläufiges Jahr 2012 Studie aus Neu-Delhi und den USA untersuchten ebenfalls die Möglichkeit, mithilfe systematischer KI-Techniken einen Rauschwert aus Augenbildern abzuleiten, allerdings mit weniger Erfolg als die aktuelle Forschung. Diese Studie trug auch einen wertvollen Datensatz (IITD Iris Under Alcohol Influence) zur Arbeit auf diesem Gebiet bei.

Jüngste Innovationen im Bereich Edge Computing und optimierte Hardwareressourcen für mobiles maschinelles Lernen eröffnen jedoch das Feld für weitaus mehr mobile Anwendungen von Voraktivitätskontrollen auf Vergiftungen, einschließlich Sensoren im Auto, die möglicherweise Iriskontrollen zu den derzeit interessanten Methoden hinzufügen könnten zum Fahrer-Alkohol-Erkennungssystem für Sicherheit (VATISS) Rahmenwerk, das in den USA entwickelt wird und bisher auf Hautalkoholsensoren und der Auswertung der Fahrzeugluft auf Alkoholdampf beruhte.

A 2020 berichten Schätzungen zufolge könnte die Einführung solcher Technologien allein in den USA jährlich 11,000 Leben retten.