Anticiper et prévenir les tragédies sur les plates-formes de métro avec l’IA

Un système d’IA formé sur des images de surveillance de métro réelles prétend pouvoir repérer les signes avant-coureurs d’une tentative de suicide minutes avant qu’elle ne se produise, en suivant des comportements tels que le fait de faire les cent pas, de s’attarder au bord de la plate-forme et de regarder à plusieurs reprises dans le tunnel.

Les systèmes d’apprentissage automatique ont été testés comme systèmes de surveillance d’événements sur les plates-formes depuis plusieurs années, généralement avec une variation de la populaire série d’applications de reconnaissance d’images You Only Look Once (YOLO) qui alimente des scénarios où les piétons pourraient être tombés, ou où un crime est en train de se commettre, ou où la plate-forme de la gare est simplement surpeuplée (ce qui permet aux autorités de la gare de réguler l’accès et de remédier au problème).

À partir de l’article de 2024 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, les étapes par lesquelles YOLOV7 identifie les passagers sur une plate-forme. Source

Avec une augmentation du nombre de tentatives de suicide ou de suicides réussis dans les transports ferroviaires au cours des 3-5 dernières années (dans des régions telles que le Royaume-Uni, le Canada et les Pays-Bas), l’intérêt pour le potentiel des systèmes d’apprentissage automatique à identifier les comportements suicidaires sur les plates-formes de métro et de chemin de fer, en fonction de la disposition et de divers autres facteurs, a augmenté.

Dwellers on the threshold: exemple de données à partir de l’ensemble de données qui alimente le projet STARR, qui figure dans l’article en discussion. Source

En résumé, la variété de projets visant à utiliser l’IA pour détecter les comportements suicidaires sur les plates-formes n’a pas encore adopté une méthodologie uniforme ou un système sous-jacent commun – en partie parce que les méthodes qui alimentent ces systèmes évoluent constamment, ainsi que les connaissances psychologiques et psychiatriques qui éclairent ce type de surveillance par l’IA.

Pointe de technologie

Maintenant, une nouvelle étude au Canada propose une formalisation de ce domaine de recherche, en tant qu’évaluation du risque de suicide (SRA), dans le contexte des tentatives de suicide dans les stations de métro.

En collaboration avec les autorités de transport de Montréal, les chercheurs impliqués dans la nouvelle étude ont eu accès à des images de 66 tentatives de suicide réelles, capturées par les caméras de plate-forme dans le cadre des autorités.

À partir de l’article, les prédictions de sortie de deux cadres, l’un représentant une véritable tentative de suicide ferroviaire, et l’autre non. De chaque côté de chaque image est représentée une carte de chaleur des zones dangereuses et plus sûres de la plate-forme sous surveillance, représentant dans chaque cas la tendance de « séjour » d’une personne par rapport à l’entrée du tunnel, interprétée à partir des connaissances historiques des tendances des véritables « sauteurs ». Source

Bien qu’il ait été nécessaire de traiter artificiellement le déséquilibre des classes qui se produit avec un tel ensemble de données de référence limité, il s’agit néanmoins de données rares à un volume viable; on pourrait espérer que les futurs projets des autorités de transport du monde entier pourraient permettre un ensemble de données multinationales avec un plus grand volume d’exemples. Cependant, compte tenu de la nature extrêmement sensible de ces images, cela est plus qu’un prospect casual ou facile.

L’initiative, selon les auteurs, est la première à rassembler les diverses tâches qui définissent la poursuite en un schéma, et apporte avec elle une nouvelle référence pour le scénario de suicide sur les plates-formes de métro.

Les auteurs déclarent:

‘Contrairement aux approches qui se concentrent sur des sous-tâches isolées ou qui tentent d’inférer l’intention directement, notre formulation évalue le risque de suicide à partir de preuves accumulées en intégrant le suivi de la personne, la reconnaissance d’activité, la segmentation sémantique de la plate-forme et la modélisation de la carte de chaleur de trajectoire.

‘En formalisant l’évaluation du risque de suicide comme une tâche distincte et en établissant une référence pour un pipeline opérationnel complet qui atteint 83,2 % de ROC-AUC sur des données de surveillance réelles, ce travail met en évidence la complexité de l’évaluation du risque de suicide et ouvre de nouvelles directions pour la recherche sur les systèmes d’IA interprétables pour le bien social.’

Le nouvel article s’intitule Évaluation du risque de suicide à partir de la surveillance vidéo alimentée par l’IA: un cadre interprétable pour la prévention dans les stations de métro, et provient de quatre auteurs issus de l’Université TÉLUQ, de Polytechnique Montréal et de l’Université du Québec à Montréal.

Méthode

Le cadre des auteurs analyse un flux de vidéo de surveillance en direct pour générer un score de risque de suicide continuellement mis à jour pour chaque passager suivi. Les individus sont détectés, suivis et convertis en représentations de pose simplifiées, après quoi un système de reconnaissance d’activité basé sur le squelette identifie les actions sur de courtes périodes de temps:

Pipeline du système pour estimer le risque de suicide des passagers à partir de la surveillance vidéo, montrant comment le suivi, l’estimation de la pose, la reconnaissance d’activité, la zonage de la plate-forme et les cartes de chaleur de trajectoire sont combinés pour convertir les mouvements et les comportements individuels en un score de risque continuellement mis à jour pour chaque personne sur la plate-forme.

La plate-forme est ensuite divisée en zones significatives, permettant aux modèles de mouvement – tels que les allées et venues répétées entre différentes zones – d’être détectés. Les trajectoires des passagers sont projetées sur une carte de la plate-forme, ce qui permet de générer des cartes de chaleur qui mettent en évidence les zones les plus fréquentées, ou traversées par des personnes associées à un risque élevé.

Enfin, le système croise ces modèles spatiaux avec les comportements observés pour produire une évaluation individuelle du risque de suicide pour chaque personne sur la plate-forme – un processus que les auteurs appellent inférence de risque.

Les auteurs ont utilisé une implémentation pré-formée de YOLOX comme détecteur d’humains pour leur système, constatant que son état hors de la boîte est parfaitement utilisable à cette fin. ByteTrack a été utilisé pour orchestrer le suivi multi-objets.

Chaque personne individualisée par ces processus se voit attribuer son propre modèle HRNet pré-formé, fournissant une estimation des articulations et des points clés du corps à l’intérieur d’une boîte de délimitation déterminée par l’estimation la plus externe de ces estimations:

Exemples d’estimation d’articulations à partir de HRNet, utilisés dans le nouveau projet. Source

Les poses évaluées à partir des données vidéo de la plate-forme de métro sont construites en cartes cumulatives définissant les mouvements historiques (voir les « cartes de chaleur de plate-forme » sur le côté de l’image ci-dessus).

Le nouveau système intègre le cadre STARR, un travail antérieur conçu pour évaluer la probabilité de comportement suicidaire sur les plates-formes:

Estimation de la pose à partir du cadre STARR. Source

Dans ce cas, STARR est utilisé pour détecter trois annotations d’actions de passagers auto-explicatives: RegarderLeTunnel; Marcher; et SeTenirDebout.

Pour intégrer le contexte environnemental, la conception de la plate-forme du système est divisée en zones sémantiquement significatives à l’aide d’un modèle de segmentation sémantique YOLOv8n formé sur des images de plate-forme annotées manuellement:

Sémantique de la plate-forme: le processus de zonage utilisé par le système pour convertir une plate-forme segmentée en trois régions comportementalement significatives. Les zones résultantes proches du mur, proches de la ligne jaune et adjacentes au tunnel fournissent le contexte spatial utilisé pour évaluer les mouvements et les comportements liés au risque des passagers.

La carte de segmentation résultante est utilisée pour estimer les limites de la plate-forme et définir trois zones opérationnelles: une zone proche du mur près du mur de la plate-forme; une zone proche de la ligne jaune où les passagers peuvent s’approcher du bord de la plate-forme tout en restant dans les limites de sécurité; et une zone de fin de plate-forme la plus proche de l’entrée du tunnel.

Ces zones fournissent le contexte spatial nécessaire pour identifier les comportements que les études psychologiques ont associés à un risque de suicide élevé. En particulier, elles permettent au système de détecter les mouvements répétés entre le mur et la ligne jaune, ainsi que l’entrée dans la zone la plus éloignée de la plate-forme.

Combinés avec les cartes de chaleur de trajectoire générées plus tôt, ces indicateurs spatiaux sont ultérieurement intégrés dans l’évaluation finale du risque de suicide.

Intéressant, l’article note qu’une caractéristique des tentatives de suicide est la tendance à laisser un objet sur la plate-forme; cependant, les auteurs n’ont pas pu intégrer cela dans cette version du projet, le laissant pour un travail futur.

Une carte du risque de plate-forme

Plutôt que de s’appuyer uniquement sur le comportement d’une seule personne, le cadre combine également des cartes de chaleur de trajectoire de plusieurs cas à risque connus pour créer une « carte de risque de plate-forme » à l’échelle de la plate-forme:

Construction d’une carte de risque de plate-forme à partir des mouvements de plusieurs passagers à risque. Les zones qui attirent régulièrement des comportements de séjour, de marche ou d’autres comportements associés au risque deviennent de plus en plus importantes et sont ultérieurement utilisées comme l’un des facteurs de l’évaluation finale du risque.

Les zones qui attirent régulièrement des occupations prolongées émergent comme des régions à plus haut risque, tandis que les emplacements associés à des visites brèves ou peu fréquentes restent à plus faible risque. Le score de risque de position qui en résulte devient l’un des facteurs utilisés dans l’évaluation finale du risque de suicide.

Le score de risque final est basé sur huit indicateurs accumulés au fil du temps: un score de risque de position dérivé des cartes de chaleur de plate-forme; si un passager marche ou se tient sur la ligne jaune; le nombre de passages de la ligne jaune; le temps total passé sur la ligne jaune; la période la plus longue sans interruption passée sur la ligne jaune; les mouvements répétés entre le mur et la ligne jaune; l’orientation répétée vers le tunnel; et l’entrée dans la zone la plus proche du tunnel.

Ces signaux comportementaux et spatiaux sont ensuite combinés via un modèle XGBoost, produisant une estimation continuellement mise à jour du risque de suicide pour chaque individu sur la plate-forme.

Données et tests

Des tests ont été menés sur des images de surveillance fournies par la Société de transport de Montréal (STM), comprenant 66 enregistrements de cinq minutes capturés avant de véritables tentatives de suicide, ainsi que 56 enregistrements de contrôle issus des mêmes caméras, à des moments comparables où aucune tentative de suicide n’a eu lieu.

Avec l’aide de psychologues et d’experts en comportement suicidaire, les passagers individuels ont été annotés en fonction de leur présence dans un scénario à risque ou de contrôle, produisant un ensemble de données de 256 individus, dont 66 étaient associés à des cas de tentative de suicide, et 190 assignés au groupe de contrôle.

Pour éviter les fuites d’information, tous les individus extraits du même enregistrement ont été assignés à la même division de données, avec 75 % des données utilisées pour la formation et 25 % réservées pour les tests tout en préservant l’équilibre entre les cas à risque et les cas de contrôle.

Le classificateur XGBoost a été formé pendant 300 itérations d’amélioration, à un taux d’apprentissage de 0,05, avec un échantillonnage pour les instances de formation et les fonctionnalités, pour améliorer la généralisation. Puisque l’ensemble de données contient nettement plus de cas de contrôle que de cas à risque, le processus de formation a compensé cela en attribuant un poids supplémentaire à la classe minoritaire.

Les performances ont été évaluées principalement à l’aide de la zone sous la courbe ROC (ROC-AUC), mesurant à quel point efficacement le système distingue les individus à risque des cas de contrôle.

Les métriques supplémentaires comprenaient la sensibilité, mesurant l’identification correcte des cas à risque; la spécificité, mesurant l’identification correcte des cas de contrôle; le taux de faux positifs, reflétant les fausses alarmes (FPR); et le taux de faux négatifs, reflétant les détections manquées (FNR). Un seuil de décision délibérément bas a été adopté pour donner la priorité à l’identification précoce de situations potentiellement à risque:

Performances du cadre d’évaluation du risque de suicide sous quatre configurations, comparant les variantes assistées par des vérités de terrain, les limites supérieures et les variantes entièrement automatisées à travers la ROC-AUC, la sensibilité, la spécificité, le taux de fausses alarmes et le taux de détections manquées – et montrant l’impact des performances de remplacement des annotations de vérité de terrain par des modules de détection, de suivi et de reconnaissance d’activité automatisés.

Comme le montre le tableau de résultats initial ci-dessus, le système entièrement automatisé a atteint une ROC-AUC de 0,832, tandis que le remplacement des composants de détection et de suivi automatisés par des annotations de vérité de terrain a amélioré les performances à 0,919.

Le remplacement de seulement le module de reconnaissance d’activité a produit un gain plus petit, augmentant la ROC-AUC à 0,893. Le score le plus élevé, 0,924, a été obtenu lorsque toutes les entrées provenaient d’annotations de vérité de terrain, suggérant que la détection, le suivi et l’extraction d’indicateurs en aval restent les principales sources d’erreur dans le pipeline actuel.

L’analyse du modèle XGBoost formé a indiqué que l’interaction directe avec la ligne jaune était l’un des plus forts prédicteurs de risque élevé, suivi du nombre de passages de la ligne jaune, et du mouvement répété entre les zones de la plate-forme. Le temps passé sur la ligne jaune, et le score de risque de position, ont également contribué de manière significative, tandis que l’attention dirigée vers le tunnel et l’entrée dans la zone la plus éloignée de la plate-forme ont fourni des signaux supplémentaires, mais moins décisifs.

En revenant aux résultats qualitatifs présentés plus tôt, le cadre a attribué des scores de risque élevés aux individus ultérieurement associés à des tentatives de suicide, tandis que des scores nettement plus bas ont été attribués aux passagers de contrôle environnants:

Comme vu plus tôt dans l’article, les résultats qualitatifs présentés dans l’article comprennent les prédictions de sortie de deux images à partir de données de surveillance, avec des cartes de chaleur de chaque côté pour indiquer les activités de séjour et autres sur la plate-forme.

Dans un cas, un score de risque de 0,98 a été lié à une présence prolongée sur la ligne jaune et à l’occupation de régions identifiées comme à haut risque par la carte de chaleur de position. Dans un autre, un individu à risque a reçu un score de 0,92, tandis que les passagers de contrôle à proximité ont reçu des estimations nettement plus faibles.

Selon les auteurs, ces distinctions émergent de l’accumulation de multiples indicateurs, plutôt que d’un seul comportement. Le franchissement prolongé de la ligne jaune, l’orientation répétée vers le tunnel et la présence prolongée dans des zones à haut risque de la plate-forme contribuent toutes à des estimations de risque élevé.

Les auteurs concluent:

‘Au-delà des performances, notre étude met l’accent sur l’interprétabilité, montrant que les évaluations de risque sont motivées par des indicateurs intuitifs alignés sur les facteurs de risque comportemental et spatial établis.

‘Ceci positionne le cadre proposé comme un pont significatif entre les systèmes de surveillance par l’IA et la recherche interdisciplinaire sur la prévention du suicide.’

Conclusion

Sur une note personnelle, c’est un soulagement de plus en plus rare de trouver un article sur l’IA qui vaut la peine d’être signalé et qui n’est pas susceptible de provoquer une réaction incendiaire dans une partie de la population, puisqu’il serait difficile de contester la valeur des objectifs derrière ce type de projet.

Sur une note pratique, la très petite quantité de pixels occupée par la tête et la quantité relativement faible d’espace d’écran occupée par l’ensemble de la personne sous surveillance dans ce scénario rendent très difficile de déterminer si l’individu regarde fréquemment le tunnel – l’un des signes avant-coureurs d’un potentiel suicide ferroviaire.

Comme toujours, dans les projets relatifs aux infrastructures de surveillance, cela semble être une question de résolution et de ressources: si plus de caméras étaient disposées à des intervalles plus fréquents sur la plate-forme, y compris une caméra couvrant spécifiquement la sortie du tunnel (c’est-à-dire l’aspect du tunnel d’où un train de métro apparaît soudainement), il y aurait une possibilité d’impliquer certains des divers cadres en développement autour de la direction du regard. Comme les choses se présentent, le travail actuel repose sur l’évaluation de la direction globale du corps pour signaler que le sujet regarde le tunnel.

À la fin, la question est une question budgétaire, du moins en ce qui concerne les infrastructures ferroviaires; si toutes les plates-formes étaient équipées de barrières et de portes – des fonctionnalités qui apparaissent rarement dans les arrêts du métro de Londres et dans les réseaux de métro d’autres villes du monde – alors les plates-formes ne présenteraient aucune occasion d’auto-prejudice.

Certes, une surveillance accrue est l’option la moins chère, et l’identification précoce des signes caractéristiques de l’auto-prejudice pourrait permettre une intervention directe avant qu’une tragédie ne se produise.

Publié pour la première fois mardi 9 juin 2026