ヘルスケア
醉酒状態の判定にマシンラーニング分析を用いた眼の検査
Unite.AI を Google の優先ソースに追加
ドイツとチリの研究者は、近赤外線画像を用いた眼の検査により、個人が酔っているかどうかを判定するための新しいマシンラーニングフレームワークを開発しました。
この研究は、運転や機械操作などの重要なタスクを実行するために必要な個人の準備状況を評価するリアルタイムシステムの開発を目的としています。研究者は、単一の画像から眼のコンポーネントを個別化し、酔っているかどうかの判定を行うための新しいオブジェクト検出器を開発しました。
You Only Look Once (YOLO) で眼を検出して、フレームワークがインスタンスを分離し、セグメンテーションを行う。ソース: https://arxiv.org/pdf/2106.15828.pdf
最初に、You-Only-Look-Once (YOLO) オブジェクト検出フレームワークを用いて、各眼の画像をキャプチャして個別化します。その後、2つの最適化されたネットワークを用いて、眼の画像をセマンティックな領域に分割します。1つは、2020年にHuazhong University of Science and Technologyによって公開されたCriss Cross注意ネットワーク (CCNet) であり、もう1つは、チリの研究者によって開発されたDenseNet10セグメンテーションアルゴリズムです。
近赤外線眼画像からのセグメンテーション。 ソース: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6
これらのアルゴリズムは、それぞれ122,514と210,732のパラメータのみを使用しており、他のモデルと比較して非常に少ないパラメータ数です。
酔った人のデータベース
このマシンラーニングフレームワークを構築するために、研究者は266人の酔った被験者と765人の清醒被験者を含む独自のデータベースを作成しました。
酔っている被験者と清醒被験者のサンプル。
被験者は、IritechカメラのGemini/Venusシリーズの前で立って、デバイスを向き、清醒状態で撮影されました。次に、200mlのアルコールを摂取し、血中アルコール濃度が上昇するにつれて、15分間隔で撮影されました。
これにより、21,309枚の画像が生成され、Pythonライブラリimgaugを用いてアノテーションされました。
現実世界への準備
このワークフローは、高度なツールを使用していたにもかかわらず、自動化が非常に高くなかったと研究者は述べています。眼の画像の手動ラベル付けは「非常に厳しい時間のかかるプロセス」であり、1年以上かかったと述べています。
データは、システムを劣化させ、挑戦するために設計された一連の方法で積極的に増強され、実世界の条件を模倣しました。雪、ポアソンノイズ（低光量センサの劣化をシミュレート）、ぼけ、飛沫、雨の効果などです。また、近赤外線撮影を使用することで、理想的な照明条件の必要性がなくなり、実用的で経済的な展開が可能になります。
この厳しい作業の結果、眼の検出とセグメンテーションの精度は98.60%に達しました。
最小二乗法による虹彩セグメンテーション。
テスト
セグメンテーションフレームワークは、5つのプラットフォームでテストされました: Osiris、DeepVOG、DenseNet10（上記参照）、CCNet（上記参照）、Grand-Mean。すべてのケースで、結果は、瞳孔の拡大と酔い度の相関関係を示しました。ただし、DenseNetとCCNetを組み合わせたハイブリッドアプローチが最も効果的でした。
研究者は、最終的にこの研究が、標準的なNIRアイリスセンサーに組み込まれる可能性があると考えています。また、酔った眼の画像データベースの作成は、バイオメトリクス研究の分野に大きな利益をもたらす可能性があると述べています。
眼の評価による消費者と産業用酔い検査
この新しい研究は、2015年のブラジルと米国の研究者による先駆的な研究に基づいています。この研究では、瞳孔の反応から酔い度を評価するための体系的かつ合理的な方法が提案されました。研究者は、アルコールが脳の効率を低下させ、夜間視力が25%、反応時間が30%低下することを観察しました。
ソース: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf
このような技術の普及の主な問題は、携帯性です。2003年、英国研究会社Hampton Knightは、眼の分析による酔い度評価システムを提供していましたが、当時その価格は10,000ポンドでした。
2012年の予備的な研究では、眼の画像から酔い度を導出するための体系的なAI技術の可能性を探究しました。ただし、現在の研究ほどの成功はありませんでした。この研究でも、IITD Iris Under Alcohol Influenceという有価なデータセットをこの分野の研究に貢献しました。
しかし、エッジコンピューティングと最適化されたモバイルマシンラーニングハードウェアリソースの最近の進歩により、事前チェックのためのモバイルアプリケーションが可能になりました。例えば、アイリスチェックを現在の方法に追加することができる、車載センサーなどです。米国のDADSSフレームワークでは、現在、皮膚アルコールセンサーと車内空気中のアルコール蒸気の評価に頼っています。
2020年の報告書によると、このような技術の採用により、米国だけで年間11,000人の命が救われる可能性があると推定されています。
