Καθορίζοντας την μεθύστευση με ανάλυση μαθηματικών μάθησης των ματιών

Ερευνητές από τη Γερμανία και τη Χιλή έχουν αναπτύξει ένα νέο πλαίσιο μαθηματικών μάθησης που μπορεί να αξιολογεί εάν ένα άτομο είναι μεθυσμένο, με βάση εικόνες ματιών σε近 infra-red.

Η έρευνα έχει ως στόχο την ανάπτυξη συστημάτων “ικανοποίησης για δουλειά” σε πραγματικό χρόνο που μπορούν να αξιολογούν την ετοιμότητα ενός ατόμου να εκτελέσει κρίσιμες εργασίες, όπως οδήγηση ή λειτουργία μηχανημάτων, και χρησιμοποιεί ένα καινούριο και αυτο-εκπαιδευμένο ανιχνευτή αντικειμένων που μπορεί να διακρίνει τα στοιχεία των ματιών ενός υποκειμένου από μια einz εικόνα και να τα αξιολογεί σε σχέση με μια βάση δεδομένων που περιλαμβάνει μεθυσμένα και αμεθυσμένα μάτια.

You Only Look Once (YOLO) individuates the subject’s eyes, after which the framework separates the instances and performs segmentation to break the eye image down into its constituent parts. Source: https://arxiv.org/pdf/2106.15828.pdf

Αρχικά, το σύστημα καταγράφει και διακρίνει μια εικόνα κάθε ματιού με το πλαίσιο ανίχνευσης αντικειμένων You-Only-Look-Once (YOLO). Μετά από αυτό, δύο βελτιστοποιημένα δίκτυα χρησιμοποιούνται για να分割 τις εικόνες ματιών σε σημασιολογικές περιοχές – το Criss Cross attention network (CCNet) που κυκλοφόρησε το 2020 από το Πανεπιστήμιο της Χιλή, και το DenseNet10 αλγόριθμο διαχωρισμού, που αναπτύχθηκε επίσης από τους ερευνητές στη Χιλή.

Segmentation obtained from near infra-red eye images. Source: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Τα δύο αλγόριθμοι χρησιμοποιούν μόνο 122.514 και 210.732 παραμέτρους, αντίστοιχα – μια φειδωλή δαπάνη, σε σύγκριση με κάποιους από τους μεγαλύτερους συνόλους χαρακτηριστικών σε παρόμοια μοντέλα, και αντιβαίνουν την γενική τάση προς μεγαλύτερες ποσότητες δεδομένων στα πλαίσια μαθηματικών μάθησης.

Βάση Δεδομένων των Μεθυσμένων

Για να ενημερωθεί το πλαίσιο μαθηματικών μάθησης, οι ερευνητές ανέπτυξαν μια πρωτότυπη βάση δεδομένων που περιλαμβάνει 266 μεθυσμένα άτομα και 765 αμεθυσμένα άτομα.

Samples from the obtained database of intoxicated and non-intoxicated subjects.

Τα άτομα έπρεπε να στεκόσουν μπροστά σε δύο κάμερες Iritech, Gemini/Venus, να κοιτάξουν την συσκευή και να καταγραφούν αμεθυσμένα. Μετά από αυτό, κατανάλωσαν 200ml αλκοόλ και επανακαταγράφηκαν σε χρονικά διαστήματα 15 λεπτών, καθώς τα επίπεδα αλκοόλ στο αίμα τους αυξάνονταν, μέχρι την τελική συνεδρία 60 λεπτών μετά την κατανάλωση του αλκοόλ.

Αυτό παρήγαγε 21.309 εικόνες, οι οποίες στη συνέχεια ανα注θηκαν χρησιμοποιώντας τη βιβλιοθήκη Python imgaug.

Προετοιμασία των Δεδομένων για τον Πραγματικό Κόσμο

Δεν ήταν ένα高度 αυτοματοποιημένο workflow, παρά τις προηγμένες εργαλεία που χρησιμοποιήθηκαν – η χειροκίνητη ετικέτα των εικόνων ματιών περιγράφηκε από τους ερευνητές ως ‘ένα πολύ απαιτητικό και χρονοβόρο proceso’, και διήρκεσε περισσότερο από ένα χρόνο.

Τα δεδομένα επεξεργάστηκαν με μια σειρά μεθόδων που σχεδιάστηκαν για να υποβαθμίσουν και να προκαλέσουν το σύστημα, αναπαράγοντας πιθανές πραγματικές συνθήκες, συμπεριλαμβανομένων χιονιού, θορύβου Poisson (για να симουλιрует την υποβάθμιση του αισθητήρα σε συνθήκες χαμηλού φωτισμού), θολότητας, σπλάχνων και εφέ βροχής. Εκτός από αυτό, η χρήση καταγραφής infra-red απομακρύνει την ανάγκη για ιδανικές συνθήκες φωτισμού, οι οποίες δεν μπορούν να εγγυηθούν σε οικονομικές και πρακτικές εφαρμογές.

Αυτό το δύσκολο έργο τελικά οδήγησε σε ένα επίπεδο ακρίβειας 98,60% για την εγγραφή και τον διαχωρισμό των ματιών.

Iris segmentation with the least-means-squared method.

Δοκιμές

Το πλαίσιο διαχωρισμού εικόνων ματιών δοκιμάστηκε με πέντε πλατφόρμες: Osiris, DeepVOG, DenseNet10 (βλέπε παραπάνω), CCNet (βλέπε παραπάνω), και Grand-Mean. Σε όλες τις περιπτώσεις, η ανάλυση έδειξε επιτυχημένα αποτελέσματα για τη συσχέτιση της διαστολής της κόρης με το επίπεδο μεθύστευσης, αν και μια υβριδική προσέγγιση που χρησιμοποιεί DenseNet και CCNet αποδείχθηκε η πιο αποτελεσματική.

Οι ερευνητές προβλέπουν ότι η δουλειά τους μπορεί τελικά να ενσωματωθεί σε einen τυπικό αισθητήρα ματιών NIR, και σημειώνουν ότι η ηρωική προσπάθεια της δημιουργίας της συνεισφοράς της βάσης δεδομένων μεθυσμένων ματιών είναι πιθανό να ωφελήσει αυτόν τον τομέα της βιομετρικής έρευνας.

Εργασιακή και Βιομηχανική Δοκιμή Μεθύστευσης Μέσω Αξιολόγησης των Ματιών

Η νέα έρευνα βασίζεται σε κάποια αξιοσημείωτη προηγούμενη βιβλιογραφία, συμπεριλαμβανομένης μιας σεμιναλικής εργασίας του 2015 από ερευνητές στη Βραζιλία και τις ΗΠΑ, η οποία πρότεινε μια συστηματική και ρητορική μέθοδο αξιολόγησης της μεθύστευσης από την απάντηση της κόρης. Οι ερευνητές για αυτή την εργασία παρατήρησαν ότι το αλκοόλ μειώνει την αποτελεσματικότητα του εγκεφάλου και βλάπτει την ορατότητα τη νύχτα κατά 25%, και τον χρόνο αντίδρασης κατά 30%, με διαφορετικά επίπεδα σοβαρότητας ανάλογα με τα επίπεδα αντοχής του ατόμου.

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

Το κύριο ζήτημα για τη διάδοση τέτοιων τεχνολογιών είναι η μεταφορικότητα. Όσο sớm το 2003, η ερευνητική εταιρεία Hampton Knight προσέφερε ένα σύστημα για αξιολόγηση μεθύστευσης μέσω ανάλυσης ματιών – αν και κοστίζει 10.000 στερλίνες στο χρόνο.

Μια προκαταρκτική μελέτη του 2012 από τη Νέα Δελχί και τις ΗΠΑ εξέτασε επίσης τη δυνατότητα χρήσης συστηματικών τεχνικών μαθηματικών μάθησης για να εξαγάγει einen δείκτη μεθύστευσης από εικόνες ματιών, αν και με λιγότερη επιτυχία από την τρέχουσα έρευνα. Αυτή η μελέτη συνεισέφερε επίσης μια πολύτιμη βάση δεδομένων (IITD Iris Under Alcohol Influence) στο σώμα της εργασίας σε αυτόν τον τομέα.

Ωστόσο, πρόσφατες καινοτομίες στην υπολογιστική ακμή και τους βελτιστοποιημένους πόρους υλικού μαθηματικών μάθησης ανοίγουν το πεδίο για πολύ περισσότερες κινητές εφαρμογές των ελέγχων προ-δραστηριότητας για μεθύστευση, συμπεριλαμβανομένων των αισθητήρων στο αυτοκίνητο που θα μπορούσαν να προσθέσουν ελέγχους ματιών στις τρέχουσες μεθόδους που ενδιαφέρουν το σύστημα Driver Alcohol Detection System for Safety (DADSS) που αναπτύσσεται στις ΗΠΑ – το οποίο μέχρι τώρα έχει βασιστεί σε αισθητήρες αλκοόλ δέρματος και την αξιολόγηση του αέρα στο αυτοκίνητο για ατμό αλκοόλ.

Μια αναφορά του 2020 εκτίμησε ότι η υιοθέτηση τεχνολογιών αυτού του τύπου θα μπορούσε να σώσει 11.000 ζωές το χρόνο στις ΗΠΑ μόνο.