Bestimmung von Trunkenheit mit Machine-Learning-Analyse der Augen

Forscher aus Deutschland und Chile haben ein neues Machine-Learning-Framework entwickelt, das in der Lage ist, zu bewerten, ob eine Person betrunken ist, basierend auf Nahinfrarotbildern ihrer Augen.

Die Forschung zielt auf die Entwicklung von “Fitness für den Dienst”-Echtzeitsystemen ab, die die Bereitschaft eines Individuums beurteilen können, kritische Aufgaben wie das Fahren oder das Bedienen von Maschinen auszuführen, und verwendet einen neuartigen und von Grund auf trainierten Objekterkennungsalgorithmus, der in der Lage ist, die Augenkomponenten eines Subjekts aus einem einzelnen Bild zu erkennen und sie gegen eine Datenbank zu bewerten, die betrunkenen und nicht betrunkenen Augenbildern enthält.

You Only Look Once (YOLO) erkennet die Augen des Subjekts, nachdem das Framework die Instanzen getrennt und die Segmentation durchgeführt hat, um das Augenbild in seine Bestandteile zu zerlegen. Quelle: https://arxiv.org/pdf/2106.15828.pdf

Zunächst erfasst und erkennet das System ein Bild jedes Auges mit dem You-Only-Look-Once- (YOLO)-Objekterkennungsalgorithmus. Danach werden zwei optimierte Netzwerke verwendet, um die Augenbilder in semantische Regionen zu zerlegen – das Criss Cross-Aufmerksamkeitsnetz (CCNet), das 2020 von der Huazhong-Universität für Wissenschaft und Technologie veröffentlicht wurde, und das DenseNet10-Segmentierungsalgorithmus, der auch von einigen der Forscher 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 und 210.732 Parameter – ein sparsamer Einsatz im Vergleich zu einigen größeren Feature-Sets in ähnlichen Modellen und entgegen dem allgemeinen Trend zu höheren Datenmengen in Machine-Learning-Frameworks.

Datenbank der Betrunkenen

Um das Machine-Learning-Framework zu informieren, entwickelten die Forscher eine originale Datenbank mit 266 betrunkenen und 765 nüchternen Probanden.

Beispiele aus der erhaltenen Datenbank betrunkenener und nicht betrunkenener Probanden.

Die Probanden mussten vor zwei Iritech-Kameras, der Gemini/Venus-Reihe, stehen, dem Gerät gegenüberstehen und aufgezeichnet werden, während sie nüchtern waren. Danach konsumierten sie 200 ml Alkohol und wurden in 15-Minuten-Intervallen aufgezeichnet, während ihre Blutalkoholspiegel stieg, bis zur letzten Sitzung 60 Minuten nach dem Alkoholkonsum.

Dies ergab 21.309 Bilder, die dann mit der Python-Bibliothek imgaug annotiert wurden.

Vorbereitung der Daten für die reale Welt

Es handelte sich nicht um einen hochautomatisierten Arbeitsablauf, trotz der fortschrittlichen Werkzeuge – die manuelle Markierung der Augenbilder wurde von den Forschern als “sehr anspruchsvoll und zeitaufwändig” beschrieben und dauerte über ein Jahr.

Die Daten wurden aggressiv mit einer Reihe von Methoden augmentiert, die darauf abzielten, das System zu degradieren und herauszufordern, um mögliche reale Weltbedingungen zu simulieren, einschließlich Schneeflocken, Poisson-Rauschen (um den Effekt von niedrigem Licht zu simulieren), Unscharfe, Spritz- und Regeneffekte. Darüber hinaus entfällt die Notwendigkeit idealer Beleuchtungsbedingungen durch die Verwendung von Infrarot-Aufnahmen, die in wirtschaftlichen und praktischen Einsatzfällen nicht garantiert werden können.

Diese anstrengende Arbeit zahlte sich letztendlich mit einer Genauigkeit von 98,60 % für die Augenerfassung und -segmentierung aus.

Iris-Segmentierung mit der Methode der kleinsten Quadrate.

Testen

Das Segmentierungsframework wurde mit fünf Plattformen getestet: Osiris, DeepVOG, DenseNet10 (siehe oben), CCNet (siehe oben) und Grand-Mean. In allen Fällen zeigte die Analyse erfolgreiche Ergebnisse für die Korrelation der Pupillenerweiterung mit dem Grad der Betrunkenheit, obwohl ein hybrider Ansatz mit DenseNet und CCNet am effektivsten war.

Die Forscher erwarten, dass ihre Arbeit letztendlich in einen Standard-NIR-Iris-Sensor integriert werden kann und bemerken, dass die herkulische Aufgabe der Erstellung der beteiligten betrunkenen Augendatenbank wahrscheinlich von Vorteil für diesen Bereich der biometrischen Forschung ist.

Verbraucher- und industrielle Intoxikationstests durch Augenbewertung

Die neue Forschung baut auf einigen bemerkenswerten vorherigen Literatur auf, einschließlich einer grundlegenden Arbeit von 2015 von Forschern in Brasilien und den USA, die eine systematische und rationalisierte Methode zur Bewertung der Intoxikation aus der Pupillenreaktion vorschlugen. Forscher für diese Arbeit beobachteten, dass Alkohol die Gehirneffizienz reduziert und die Nachtsicht um 25 % und die Reaktionszeit um 30 % beeinträchtigt, mit variierenden Schweregraden je nach individueller Toleranz.

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

Das primäre Problem für die Verbreitung solcher Technologien ist die Portabilität. Bereits 2003 bot das britische Forschungsunternehmen Hampton Knight ein System für die Intoxikationsevaluation durch Augenanalyse an – obwohl es zu diesem Zeitpunkt 10.000 Pfund Sterling kostete.

Ein vorläufiger Studie von 2012 aus Neu-Delhi und den USA erforschte auch die Möglichkeit, systematische KI-Techniken zu verwenden, um einen Intoxikationsscore aus okularen Bildern abzuleiten, obwohl mit weniger Erfolg als die aktuelle Forschung. Diese Studie trug auch einen wertvollen Datensatz (IITD Iris Under Alcohol Influence) zum Körper der Arbeit in diesem Bereich bei.

Die jüngsten Innovationen in Edge-Computing und optimierten mobilen Machine-Learning-Hardware-Ressourcen öffnen jedoch das Feld für weit mehr mobile Anwendungen von Prä-aktivitäts-Checks für Intoxikation, einschließlich In-Car-Sensoren, die potenziell Iris-Checks zu den aktuellen Methoden hinzufügen könnten, die für das Driver Alcohol Detection System for Safety (DADSS)-Framework von Interesse sind, das in den USA entwickelt wird – das bisher auf Haut-Alkohol-Sensoren und die Bewertung von In-Vehicle-Luft für Alkoholdampf angewiesen war.

Ein Bericht von 2020 schätzte, dass die Einführung von Technologien dieser Art 11.000 Leben pro Jahr in den USA allein retten könnte.