Determinación de la intoxicación con análisis de aprendizaje automático de los ojos

Investigadores de Alemania y Chile han desarrollado un nuevo marco de aprendizaje automático capaz de evaluar si una persona está intoxicada, basándose en imágenes de near infra-rojo de sus ojos.

La investigación está dirigida al desarrollo de sistemas de ‘aptitud para el deber’ en tiempo real capaces de evaluar la preparación de un individuo para realizar tareas críticas como conducir o operar maquinaria, y utiliza un detector de objetos novel y entrenado desde cero que puede individuar los componentes del ojo de un sujeto desde una sola imagen y evaluarlos contra una base de datos que incluye imágenes de ojos intoxicados y no intoxicados.

You Only Look Once (YOLO) individúa los ojos del sujeto, después de lo cual el marco separa las instancias y realiza una segmentación para descomponer la imagen del ojo en sus partes constituyentes. Fuente: https://arxiv.org/pdf/2106.15828.pdf

Inicialmente, el sistema captura y individúa una imagen de cada ojo con el marco de detección de objetos You-Only-Look-Once (YOLO). Después de esto, se utilizan dos redes optimizadas para descomponer las imágenes del ojo en regiones semánticas – la red de atención Criss Cross (CCNet) lanzada en 2020 por la Universidad de Ciencia y Tecnología de Huazhong, y el algoritmo de segmentación DenseNet10, también desarrollado por varios de los investigadores del nuevo artículo en Chile.

Segmentación obtenida de imágenes de ojos de near infra-rojo. Fuente: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Los dos algoritmos emplean solo 122,514 y 210,732 parámetros respectivamente – una asignación frugal, en comparación con algunos de los conjuntos de características más grandes en modelos similares, y que va en contra de la tendencia general hacia volúmenes más grandes de datos en marcos de aprendizaje automático.

Base de datos de los ebrios

Para informar el marco de aprendizaje automático, los investigadores desarrollaron una base de datos original que presenta 266 sujetos ebrios y 765 sujetos sobrios.

Muestras de la base de datos obtenida de sujetos ebrios y no ebrios.

Los sujetos debían pararse frente a dos cámaras Iritech de origen, la gama Gemini/Venus, para enfrentar el dispositivo y ser grabados en estado sobrio. Después de esto, consumieron 200ml de alcohol y fueron grabados de nuevo a intervalos de 15 minutos a medida que sus niveles de alcohol en sangre aumentaban, hasta la última sesión a los 60 minutos desde el consumo del alcohol.

Esto produjo 21,309 imágenes, que luego se anotaron utilizando la biblioteca Python imgaug.

Preparación de los datos para el mundo real

No fue un flujo de trabajo altamente automatizado, a pesar de las herramientas avanzadas utilizadas – la etiquetado manual de las imágenes del ojo se describió por los investigadores como ‘un proceso muy exigente y tiempo-consumidor’, y tomó más de un año.

Los datos se aumentaron agresivamente con una serie de métodos diseñados para degradar y desafiar el sistema, replicando posibles condiciones del mundo real, incluyendo copos de nieve, ruido de Poisson (para simular la degradación del sensor de baja luz), desenfoque, salpicaduras y efectos de lluvia. Además, el uso de captura de infrarrojo elimina la necesidad de condiciones de iluminación ideales, que no pueden garantizarse en despliegues económicos y prácticos.

Este trabajo arduo finalmente dio sus frutos con un nivel de precisión del 98,60% para la captura y segmentación del ojo.

Segmentación de la iris con el método de mínimos cuadrados.

Pruebas

El marco de segmentación se probó con cinco plataformas: Osiris, DeepVOG, DenseNet10 (ver arriba), CCNet (ver arriba), y Grand-Mean. En todos los casos, el análisis demostró resultados exitosos para correlacionar la dilatación de la pupila con el nivel de embriaguez, aunque un enfoque híbrido que utiliza DenseNet y CCNet resultó ser el más efectivo.

Los investigadores anticipan que su trabajo puede eventualmente incorporarse en un sensor de iris NIR estándar, y señalan que el esfuerzo hercúleo de producir la base de datos de ojos ebrios contribuyente es un beneficio probable para este sector de la investigación biométrica.

Pruebas de intoxicación para consumidores y la industria a través de la evaluación del ojo

La nueva investigación se basa en algunas literaturas previas notables, incluyendo un artículo seminal de 2015 de investigadores de Brasil y EE. UU., que propuso un método sistemático y racionalizado para evaluar la intoxicación a partir de la respuesta pupilar. Los investigadores de ese artículo observaron que el alcohol reduce la eficiencia del cerebro y afecta la visión nocturna en un factor de 25%, y el tiempo de reacción en un 30%, con niveles de gravedad variables según los niveles de tolerancia individuales.

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

El problema principal para la difusión de tales tecnologías es la portabilidad. Tan temprano como 2003, la empresa de investigación del Reino Unido Hampton Knight ofreció un sistema para la evaluación de la intoxicación a través del análisis del ojo – aunque costaba £10,000 esterlinas en ese momento.

Un estudio preliminar de 2012 estudio de Nueva Delhi y EE. UU. también exploró la posibilidad de utilizar técnicas sistemáticas de inteligencia artificial para derivar una puntuación de intoxicación de imágenes oculares, aunque con menos éxito que la investigación actual. Ese estudio también contribuyó un conjunto de datos valioso (IITD Iris Under Alcohol Influence) al cuerpo de trabajo en este campo.

Sin embargo, las innovaciones recientes en la computación de borde y los recursos de hardware de aprendizaje automático móvil optimizados abren el campo para aplicaciones móviles mucho más amplias de controles pre-actividad para la intoxicación, incluyendo sensores en el vehículo que podrían agregar controles de iris a los métodos actuales que son de interés para el marco de sistema de detección de alcohol para conductores (DADSS) que se está desarrollando en EE. UU. – que hasta la fecha ha confiado en sensores de alcohol en la piel y la evaluación del aire en el vehículo para vapor de alcohol.

Un informe de 2020 estimó que la adopción de tecnologías de este tipo podría salvar 11,000 vidas al año en EE. UU. solo.