Anticipación y Prevención de Tragedias en las Plataformas de Metro con IA

Un sistema de IA entrenado con imágenes de vigilancia real de metro afirma que puede detectar los signos de advertencia de un intento de suicidio minutos antes de que ocurra, rastreando comportamientos como caminar de un lado a otro, demorarse en el borde de la plataforma y mirar repetidamente hacia el túnel.

Los sistemas de aprendizaje automático han sido probados como sistemas de monitoreo de eventos de plataforma durante algunos años, generalmente con alguna variante de la popular serie de aplicaciones de reconocimiento de imágenes You Only Look Once (YOLO) que alimentan escenarios en los que los peatones pueden haber caído, o un delito está siendo cometido, o donde la plataforma de la estación está simplemente sobrecargada (lo que permite a las autoridades de la estación regular el acceso y remediar el problema).

Del estudio de 2024 ‘Estudio piloto de monitoreo de peatones en estaciones de tren utilizando un enfoque de inteligencia artificial’, las etapas por las que YOLOV7 identifica a los pasajeros en una plataforma. Fuente

Con un aumento en el número de intentos de suicidio o suicidios exitosos en los últimos 3-5 años (en regiones como el Reino Unido, Canadá y Países Bajos), ha aumentado el interés en el potencial de los sistemas de aprendizaje automático para identificar comportamiento inclinado al suicidio en plataformas de ferrocarril y metro, basado en la disposición y otros factores diversos:

Moradores en el umbral: datos de ejemplo del conjunto de datos que alimenta el proyecto STARR, que se presenta en el nuevo artículo bajo discusión. Fuente

En aggregate, la variedad de proyectos que buscan aprovechar la IA para el comportamiento suicida en plataformas no ha adoptado, hasta la fecha, una metodología uniforme o un sistema subyacente común, ni siquiera porque los métodos que alimentan dichos sistemas están en constante evolución, junto con el conocimiento psicológico y psiquiátrico que proporciona información a este tipo de vigilancia de IA.

Punta de la tecnología

Ahora, un nuevo estudio de Canadá ofrece una formalización propuesta de esta línea en la literatura de investigación, como Evaluación del Riesgo de Suicidio (SRA), en el contexto de intentos de suicidio en estaciones de metro.

En colaboración con las autoridades de transporte de Montreal, los investigadores involucrados en el nuevo estudio obtuvieron acceso a imágenes de 66 intentos de suicidio reales, capturados por cámaras de plataforma dentro de la jurisdicción de las autoridades:

Del nuevo artículo, predicciones de salida de dos cuadros, uno que representa un intento de suicidio ferroviario real y el otro no. En cada lado de cada imagen se muestra un mapa de calor de áreas peligrosas y más seguras en la plataforma bajo vigilancia, que muestra en cada caso la ‘tendencia de morada’ de una persona con respecto a la boca del túnel, interpretada a través del conocimiento histórico de las tendencias de los ‘saltadores’ reales. Fuente

Aunque fue necesario abordar artificialmente el desequilibrio de clases que ocurre con un conjunto de datos de verdad fundamentado tan limitado, este es sin embargo un conjunto de datos raro a algún volumen viable; se podría esperar que futuros proyectos de autoridades de tránsito de todo el mundo permitieran un conjunto de datos multi-país con un volumen más alto de ejemplos. Sin embargo, comprensiblemente, la naturaleza extremadamente sensible de dichas imágenes hace que esto sea más que una perspectiva casual o fácil.

La iniciativa, según los autores, es la primera en coalescer las diversas tareas que definen la búsqueda en un esquema, y trae consigo un nuevo punto de referencia para el escenario de suicidio en la plataforma de metro.

Los autores afirman:

‘A diferencia de los enfoques que se centran en subtareas aisladas o intentan inferir la intención directamente, nuestra formulación evalúa el riesgo de suicidio a partir de la evidencia acumulada incorporando el seguimiento de personas, el reconocimiento de actividades, la segmentación semántica de la plataforma y el modelado de mapa de calor de riesgo basado en trayectorias. ‘

‘Al formalizar la SRA como una tarea distinta y crear un punto de referencia para un pipeline operativo completo que logra un 83,2% de ROC-AUC en datos de vigilancia reales, este trabajo resalta la complejidad de la evaluación del riesgo de suicidio y abre nuevas direcciones para la investigación sobre sistemas de IA interpretables para el bien social.’

El nuevo artículo se titula Evaluación del Riesgo de Suicidio a partir de la Vigilancia de Video con IA: Un Marco Interpretable para la Prevención en Estaciones de Metro, y proviene de cuatro autores de Université TÉLUQ, Polytechnique Montréal y la Université du Québec à Montréal.

Método

El marco de los autores analiza un flujo de video de vigilancia en vivo para generar una puntuación de riesgo de suicidio continuamente actualizada para cada pasajero rastreado. Las personas se detectan, se rastrean y se convierten en representaciones de postura corporal simplificadas, después de lo cual un sistema de reconocimiento de actividades basado en esqueleto identifica acciones durante períodos de tiempo cortos:

Tubería del sistema para estimar el riesgo de suicidio de los pasajeros a partir de la vigilancia de video, que muestra cómo el seguimiento, la estimación de postura, el reconocimiento de actividades, la zonificación de la plataforma y los mapas de calor de trayectorias se combinan para convertir los movimientos y comportamientos individuales en una puntuación de riesgo continuamente actualizada para cada persona en la plataforma.

La plataforma se divide luego en zonas significativas, lo que permite detectar patrones de movimiento, como el caminar de un lado a otro entre diferentes áreas.

Finalmente, el sistema cruza estas pautas espaciales con comportamientos observados para producir una evaluación individual del riesgo de suicidio para cada persona en la plataforma, un proceso que los autores llaman inferencia de riesgo.

Los autores utilizaron una implementación preentrenada de YOLOX como detector de humanos para su sistema, encontrando que su estado fuera de la caja es perfectamente usable para este propósito. ByteTrack se utilizó para orquestar el seguimiento de múltiples objetos.

Cada persona individuada por estos procesos se le asigna su propio modelo HRNet preentrenado, que proporciona estimación de articulaciones y puntos clave del cuerpo 2D dentro de una caja delimitadora determinada por la estimación más externa de estas:

Ejemplos de estimación de articulaciones de HRNet, utilizados en el nuevo proyecto. Fuente

Las posturas evaluadas a partir de los datos de video de la plataforma de metro se construyen en mapas acumulativos que definen el movimiento histórico (ver los ‘mapas de calor de la plataforma’ en el lado de la imagen anterior).

El nuevo sistema incorpora el marco STARR, un trabajo anterior diseñado para evaluar la probabilidad de comportamiento suicida en plataformas:

Estimación de postura del marco STARR. Fuente

En este caso, STARR se utiliza para detectar tres anotaciones de acción de pasajeros autoexplicativas: MirarTúnel; Caminar; y Pararse.

Para incorporar el contexto ambiental, la concepción del sistema de la plataforma se divide en zonas semánticamente significativas utilizando un modelo de segmentación semántica YOLOv8n entrenado en imágenes de plataforma anotadas manualmente:

Semántica de la plataforma: el proceso de zonificación utilizado por el sistema para convertir una plataforma segmentada en tres regiones comportamentalmente significativas. Las zonas resultantes de proximidad a la pared, proximidad a la línea amarilla y proximidad al túnel proporcionan el contexto espacial utilizado para evaluar los movimientos y comportamientos de riesgo de los pasajeros.

La segmentación resultante se utiliza para estimar los límites de la plataforma y definir tres áreas operativas: una Zona de Proximidad a la Pared cerca de la pared de la plataforma; una Zona de Proximidad a la Línea Amarilla donde los pasajeros pueden acercarse al borde de la plataforma mientras permanecen dentro de los límites de seguridad; y una Zona de Extremo de la Plataforma más cercana a la entrada del túnel.

Estas zonas proporcionan el contexto espacial necesario para identificar comportamientos que los estudios psicológicos han asociado con un mayor riesgo de suicidio. En particular, permiten que el sistema detecte movimientos repetidos entre la pared y la línea amarilla, junto con la entrada en la zona del extremo de la plataforma.

Combinados con los mapas de calor de trayectorias generados anteriormente, estos indicadores espaciales se incorporan más tarde en la evaluación final del riesgo de suicidio.

Es interesante que el artículo señale que una de las características de los intentos de suicidio es la tendencia a dejar un objeto en la plataforma; sin embargo, los autores no pudieron incorporar esto en esta versión del proyecto, dejándolo para un trabajo futuro.

Un Mapa de Riesgo de la Plataforma

En lugar de confiar solo en el comportamiento de una sola persona, el marco también combina mapas de calor de trayectorias de múltiples casos de alto riesgo conocidos para crear un ‘mapa de riesgo de la plataforma’ en toda la plataforma:

Construyendo un mapa de riesgo de la plataforma a partir de los movimientos de múltiples pasajeros de alto riesgo. Las áreas que atraen repetidamente la ocupación prolongada emergen como regiones de mayor riesgo, mientras que las ubicaciones asociadas con visitas breves o infrecuentes permanecen como áreas de menor riesgo. La puntuación de riesgo de posición resultante se utiliza como uno de los insumos en la evaluación final del riesgo de suicidio.

Las áreas que atraen repetidamente la ocupación prolongada emergen como regiones de mayor riesgo, mientras que las ubicaciones asociadas con visitas breves o infrecuentes permanecen como áreas de menor riesgo. La puntuación de riesgo de posición resultante se utiliza como uno de los insumos en la evaluación final del riesgo de suicidio.

La puntuación de riesgo final se basa en ocho indicadores acumulados con el tiempo: una puntuación de riesgo de posición derivada de los mapas de calor de la plataforma; si un pasajero camina o se para en la línea amarilla; el número de cruces de la línea amarilla; el tiempo total pasado en la línea amarilla; el período más largo sin interrupción pasado en la línea amarilla; movimiento repetido de ida y vuelta entre la pared y la línea amarilla; orientación repetida hacia el túnel; y entrada en la zona del extremo del túnel de la plataforma.

Estos señales de comportamiento y espaciales se combinan a través de un modelo XGBoost, produciendo una estimación continuamente actualizada del riesgo de suicidio para cada individuo en la plataforma.

Datos y Pruebas

Se realizaron pruebas con imágenes de vigilancia proporcionadas por la Société de transport de Montréal (STM), que comprendían 66 grabaciones de cinco minutos capturadas antes de intentos de suicidio reales, junto con 56 grabaciones de control emparejadas de las mismas cámaras, en momentos comparables cuando no ocurrió un intento de suicidio.

Con la ayuda de psicología y expertos en comportamiento suicida, los pasajeros individuales se anotaron según si parecían en un escenario de alto riesgo o de control, produciendo un conjunto de datos de 256 individuos, de los cuales 66 estaban asociados con casos de intentos de suicidio, y 190 se asignaron al grupo de control.

Para evitar fugas de información, todos los individuos extraídos de la misma grabación se asignaron a la misma división de datos, con el 75% de los datos utilizados para el entrenamiento y el 25% reservado para la prueba, preservando el equilibrio entre casos de alto riesgo y de control.

El clasificador XGBoost se entrenó durante 300 iteraciones de impulso, a una tasa de aprendizaje de 0,05, con muestreo para tanto las instancias de entrenamiento como las características, para mejorar la generalización. Debido a que el conjunto de datos contiene sustancialmente más casos de control que de alto riesgo, el proceso de entrenamiento compensó esto asignando un peso adicional a la clase minoritaria.

El rendimiento se evaluó principalmente utilizando el Área bajo la Curva de la Característica de Operación del Receptor (ROC-AUC), que mide cuán efectivamente el sistema distingue entre individuos de alto riesgo y de control.

Métricas adicionales incluyeron sensibilidad, que mide la identificación correcta de casos de alto riesgo; especificidad, que mide la identificación correcta de casos de control; tasa de falsos positivos, que refleja las alarmas falsas (FPR); y tasa de falsos negativos, que refleja las detecciones perdidas (FNR). Se adoptó un umbral de decisión intencionalmente bajo para priorizar la identificación temprana de situaciones potencialmente de alto riesgo:

Rendimiento del marco de evaluación del riesgo de suicidio bajo cuatro configuraciones, comparando variantes asistidas por verdad fundamentada, límite superior y completamente automatizadas a través de ROC-AUC, sensibilidad, especificidad, tasa de falsas alarmas y tasa de detecciones perdidas – y mostrando el impacto en el rendimiento de reemplazar las anotaciones de verdad fundamentada con módulos de detección, seguimiento y reconocimiento de actividades automatizados.

Como se ve en la tabla de resultados iniciales anterior, el sistema completamente automatizado logró un ROC-AUC de 0,832, mientras que reemplazar los componentes de detección y seguimiento automatizados con anotaciones de verdad fundamentada aumentó el rendimiento a 0,919.

Reemplazar solo el módulo de reconocimiento de actividades produjo una ganancia más pequeña, elevando el ROC-AUC a 0,893. La puntuación más alta, 0,924, se obtuvo cuando todas las entradas se proporcionaron a partir de anotaciones de verdad fundamentada, lo que sugiere que la detección, el seguimiento y la extracción de indicadores posteriores siguen siendo las principales fuentes de error en la tubería actual.

El análisis del modelo XGBoost entrenado indicó que la interacción directa con la línea amarilla fue uno de los predictores más fuertes de un riesgo elevado, seguido por el número de cruces de la línea amarilla, y el movimiento repetido de ida y vuelta entre zonas de la plataforma. El tiempo pasado en la línea amarilla y la puntuación de riesgo de posición también contribuyeron sustancialmente, mientras que la atención dirigida al túnel y la entrada en la zona del extremo de la plataforma proporcionaron señales de alerta adicionales, aunque menos decisivas.

Volviendo a los resultados cualitativos presentados anteriormente, el marco asignó puntuaciones de riesgo altas a individuos posteriormente asociados con intentos de suicidio, mientras que asignó puntuaciones sustancialmente más bajas a los pasajeros de control circundantes:

Como se vio anteriormente en el artículo, los resultados cualitativos presentados en el artículo presentan las predicciones de salida de dos imágenes de datos de vigilancia, con mapas de calor en cada lado para indicar la morada y otras actividades en la plataforma.

En un caso, una puntuación de riesgo de 0,98 se vinculó a una presencia prolongada en la línea amarilla y la ocupación de regiones identificadas como de alto riesgo por el mapa de calor de riesgo de posición. En otro, un individuo de alto riesgo recibió una puntuación de 0,92, mientras que los pasajeros de control cercanos recibieron estimaciones mucho más bajas.

Según los autores, estas distinciones surgen de la acumulación de múltiples indicadores, en lugar de un solo comportamiento. La cruzada prolongada de la línea amarilla, la orientación repetida hacia el túnel y la presencia sostenida en áreas de alto riesgo de la plataforma contribuyen todas a estimaciones de riesgo elevadas.

Los autores concluyen:

‘Más allá del rendimiento, nuestro estudio enfatiza la interpretabilidad, mostrando que las evaluaciones de riesgo están impulsadas por indicadores intuitivos alineados con factores de riesgo espacial y de comportamiento establecidos. ‘

‘Esto posiciona el marco propuesto como un puente significativo entre los sistemas de vigilancia de IA y la investigación interdisciplinaria sobre la prevención del suicidio.’

Conclusión

En una nota personal, es un alivio cada vez más raro encontrar un artículo de IA que vale la pena informar y que no es probable que cree una reacción incendiaria en alguna parte de la población, ya que sería difícil discutir el valor de los objetivos detrás de este tipo de proyecto.

En una nota práctica, la muy pequeña cantidad de píxeles ocupados por la cabeza y la cantidad relativamente pequeña de espacio de pantalla ocupada por toda la persona bajo vigilancia en este escenario hacen que sea muy difícil determinar si el individuo está mirando con frecuencia hacia el túnel, uno de los signos indicativos del potencial suicidio ferroviario.

Como siempre, en proyectos relacionados con la infraestructura de vigilancia, esto parece ser un problema de resolución y recursos: si hubiera más cámaras a intervalos más frecuentes que cubrieran la plataforma, incluyendo una que cubriera específicamente la salida del túnel (es decir, el aspecto del túnel desde el cual un tren de metro aparece repentinamente), habría margen para involucrar algunos de los diversos marcos en desarrollo sobre la dirección de la mirada. Como está, el trabajo actual depende de evaluar la dirección general del cuerpo para señalar que el sujeto está mirando hacia el túnel.

Al final, el problema es de naturaleza presupuestaria, al menos en lo que respecta a la infraestructura ferroviaria; si todas las plataformas estuvieran equipadas con barreras y puertas, características que aparecen con poca frecuencia en las paradas del metro de Londres y en las redes de metro de otras ciudades del mundo, entonces las plataformas no ofrecerían oportunidad para el daño autoinfligido. Para seguro, una mayor vigilancia es la opción más barata, y la identificación temprana de signos característicos de daño autoinfligido podría permitir una intervención directa antes de que ocurra una tragedia. Primero publicado el martes 9 de junio de 2026.