의료
눈의 기계 학습 분석을 통한 중독 판별
독일과 칠레의 연구자들은 눈의 근적외선 이미지를 기반으로 사람의 음주 여부를 평가할 수 있는 새로운 기계 학습 프레임워크를 개발했습니다.
XNUMXD덴탈의 연구 운전이나 기계 조작과 같은 중요한 작업을 수행할 수 있는 개인의 준비 상태를 평가할 수 있는 '직무 적합성' 실시간 시스템의 개발을 목표로 하며, 대상자의 상태를 개별화할 수 있는 새롭고 스크래치 훈련된 물체 감지기를 사용합니다. 단일 이미지의 안구 구성 요소를 추출하고 술에 취한 눈 이미지와 술에 취하지 않은 눈 이미지를 포함하는 데이터베이스와 비교하여 평가합니다.
YOLO(You Only Look Once)는 피사체의 눈을 개별화한 후 프레임워크가 인스턴스를 분리하고 분할을 수행하여 눈 이미지를 구성 요소로 분해합니다.. 출처: https://arxiv.org/pdf/2106.15828.pdf
처음에 시스템은 You-Only-Look-Once(You-Only-Look-Once)로 각 눈의 이미지를 캡처하고 개별화합니다.YOLO) 객체 감지 프레임워크. 그런 다음 두 개의 최적화된 네트워크를 사용하여 눈 이미지를 의미 영역으로 분해합니다. Criss 교차 화중과학기술대학교가 2020년에 발표한 어텐션 네트워크(CCNet)와 DenseNet10 칠레의 몇몇 새 논문 연구원들이 개발한 분할 알고리즘.
근적외선 이미지에서 얻은 분할. 출처: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6
두 알고리즘은 각각 122,514개 및 210,732개의 매개변수만 사용합니다. 유사한 모델의 일부 더 큰 기능 세트와 비교하여 검소한 지출이며 ML 프레임워크에서 더 많은 양의 데이터를 향한 일반적인 추세를 극복합니다.
취한 자의 데이터베이스
기계 학습 프레임워크에 정보를 제공하기 위해 연구원들은 266명의 취한 피험자와 765명의 취한 피험자를 특징으로 하는 원본 데이터베이스를 개발했습니다.
술에 취한 피험자와 술에 취하지 않은 피험자의 데이터베이스에서 얻은 샘플.
피험자들은 두 대의 Iritech 카메라인 Gemini/Venus 범위 앞에 서서 장치를 바라보고 냉정하게 녹화해야 했습니다. 이후 200ml의 술을 마신 후 혈중알코올농도가 올라가면서 15분 간격으로 재포획되어 술을 마신 후 60분이 경과한 마지막 회기까지 진행되었다.
이것은 21,309개의 이미지를 생성하고 Python 라이브러리를 사용하여 주석을 달았습니다. 이미지.
현실 세계를 위한 데이터 준비
사용된 고급 도구에도 불구하고 고도로 자동화된 작업 흐름은 아니었습니다. 연구자들은 눈 이미지의 수동 라벨링을 '매우 까다롭고 시간이 많이 걸리는 프로세스'라고 설명했습니다. 1 년 이상.
데이터는 눈송이, 푸아송 노이즈(저조도 센서 성능 저하를 시뮬레이션하기 위해), 흐림, 스패터 및 비 효과를 포함하여 가능한 실제 조건을 복제하여 시스템을 저하시키고 도전하도록 설계된 일련의 방법으로 공격적으로 보강되었습니다. 이 외에도 적외선 캡처를 사용하면 경제적이고 실용적인 배포에서 보장할 수 없는 이상적인 조명 조건이 필요하지 않습니다.
이 힘든 작업은 결국 98,60% 수준의 정확도로 눈을 캡처하고 분할하는 성과를 거두었습니다.
최소 평균 제곱 방법을 사용한 홍채 분할.
지원
세그먼테이션 프레임워크는 XNUMX가지 플랫폼에서 테스트되었습니다. 오시리스, DeepVOG, DenseNet10(위 참조), CCNet(위 참조) 및 총 평균. DenseNet과 CCNet을 사용하는 하이브리드 접근 방식이 가장 효과적인 것으로 입증되었지만 모든 경우에 분석 결과 동공 확장과 음주 수준의 상관 관계에 대한 성공적인 결과가 나타났습니다.
연구원들은 그들의 작업이 결국 표준 NIR 홍채 센서에 통합될 수 있을 것으로 예상하고, 기여하는 술에 취한 안구 데이터베이스를 생성하는 엄청난 노력이 이 생체 인식 연구 분야에 이익이 될 가능성이 높다는 점에 주목합니다.
눈 평가를 통한 소비자 및 산업 중독 검사
새로운 연구는 동공 반응으로 인한 중독을 평가하는 체계적이고 합리화된 방법을 제안한 브라질과 미국 연구자들의 2015년 논문을 포함하여 몇 가지 주목할만한 이전 문헌을 기반으로 합니다. 해당 논문의 연구자들은 알코올이 뇌 효율성을 감소시키고 야간 시력을 25%, 반응 시간을 30% 손상시키며 개인의 내성 수준에 따라 심각도가 다양하다는 사실을 관찰했습니다.
출처: https://pixellab.group/publication/2015/pinheiro2015/pinheiro2015.pdf
이러한 기술의 확산에 대한 주요 문제는 이식성입니다. 2003년 초에 영국 리서치 회사인 Hampton Knight는 제공 눈 분석을 통한 중독 평가 시스템 – 당시 £10,000의 비용이 들었습니다.
예비 2012 공부 뉴델리와 미국은 현재 연구보다 덜 성공했지만 안구 이미지에서 중독 점수를 도출하기 위해 체계적인 AI 기술을 사용할 가능성을 탐색했습니다. 이 연구는 또한 이 분야의 작업 본문에 귀중한 데이터 세트(IITD Iris Under Alcohol Influence)를 제공했습니다.
그러나 최근의 에지 컴퓨팅 및 최적화된 모바일 머신 러닝 하드웨어 리소스의 혁신은 잠재적으로 관심 있는 현재 방법에 홍채 검사를 추가할 수 있는 차량 내 센서를 포함하여 중독에 대한 사전 활동 검사의 훨씬 더 많은 모바일 애플리케이션을 위한 분야를 열어줍니다. 안전을 위한 운전자 음주 감지 시스템(아빠) 미국에서 개발 중인 프레임워크 – 현재까지 알코올 증기에 대한 피부 알코올 센서 및 차량 내 공기 평가에 의존해 왔습니다.
2020 신고 이러한 유형의 기술을 채택하면 미국에서만 연간 11,000명의 생명을 구할 수 있을 것으로 추산됩니다.
