Intoxicatie bepalen met machine learning-analyse van ogen

Onderzoekers uit Duitsland en Chili hebben een nieuw machine learning-framework ontwikkeld dat kan evalueren of iemand dronken is, op basis van nabij-infraroodbeelden van hun ogen.

De onderzoek is gericht op de ontwikkeling van 'fitness for duty' real-time systemen die in staat zijn om de bereidheid van een individu om kritieke taken uit te voeren, zoals autorijden of het bedienen van machines, te beoordelen, en maakt gebruik van een nieuwe en krasgetrainde objectdetector die iemands oogcomponenten uit een enkel beeld en evalueer ze tegen een database met beelden van dronken en niet-dronken ogen.

In eerste instantie legt het systeem een ​​beeld van elk oog vast met de You-Only-Look-Once (YOLO) objectdetectiekader. Hierna worden twee geoptimaliseerde netwerken gebruikt om de oogbeelden op te splitsen in semantische regio's - de Criss Cross attention network (CCNet) uitgebracht in 2020 door de Huazhong University of Science and Technology, en de Dichte Net10 segmentatie-algoritme, ook ontwikkeld door verschillende onderzoekers van het nieuwe artikel in Chili.

De twee algoritmen gebruiken respectievelijk slechts 122,514 en 210,732 parameters - een zuinige uitgave, in vergelijking met sommige van de grotere feature-sets in vergelijkbare modellen, en tegen de algemene trend in naar grotere datavolumes in ML-frameworks.

Database van de dronkaard

Om het machine learning-kader te informeren, ontwikkelden de onderzoekers een originele database met 266 dronken proefpersonen en 765 nuchtere proefpersonen.

De proefpersonen moesten voor twee originele Iritech-camera's, de Gemini/Venus-reeks, staan ​​met hun gezicht naar het apparaat gericht en nuchter worden opgenomen. Hierna consumeerden ze 200 ml alcohol en werden ze met tussenpozen van 15 minuten opnieuw gevangen terwijl hun alcoholgehalte in het bloed steeg, tot aan de laatste sessie 60 minuten na consumptie van de alcohol.

Dit leverde 21,309 afbeeldingen op, die vervolgens werden geannoteerd met behulp van de Python-bibliotheek beeld.

De gegevens voorbereiden voor de echte wereld

Het was geen sterk geautomatiseerde workflow, ondanks de geavanceerde tools die werden gebruikt – het handmatig labelen van de oogbeelden werd door de onderzoekers beschreven als 'een zeer veeleisend en tijdrovend proces', en nam veel tijd in beslag. meer dan een jaar.

De gegevens werden agressief aangevuld met een reeks methoden die zijn ontworpen om het systeem te degraderen en uit te dagen, waarbij mogelijke omstandigheden in de echte wereld worden nagebootst, waaronder sneeuwvlokken, Poisson-ruis (om sensorverslechtering bij weinig licht te simuleren), onscherpte, spatten en regeneffecten. Daarnaast maakt het gebruik van infraroodopname de behoefte aan ideale lichtomstandigheden overbodig, die niet kunnen worden gegarandeerd in economische en praktische toepassingen.

Dit slopende werk heeft uiteindelijk zijn vruchten afgeworpen met een nauwkeurigheidsniveau van 98,60% voor het vastleggen en segmenteren van de ogen.

Testen

Het segmentatieraamwerk is getest met vijf platformen: Osiris, DiepVOG, DenseNet10 (zie hierboven), CCNet (zie hierboven), en Groot-gemiddelde. In alle gevallen liet de analyse succesvolle resultaten zien voor het correleren van pupilverwijding met de mate van dronkenschap, hoewel een hybride aanpak met DenseNet en CCNet het meest effectief bleek.

De onderzoekers verwachten dat hun werk uiteindelijk kan worden opgenomen in een standaard NIR-irissensor, en merken op dat de gigantische inspanning om de bijdragende database voor bedwelmde ogen te produceren waarschijnlijk een voordeel is voor deze sector van biometrisch onderzoek.

Consumenten- en industriële intoxicatietesten door middel van oogevaluatie

Het nieuwe onderzoek bouwt voort op een aantal opmerkelijke eerdere literatuur, waaronder een baanbrekend artikel uit 2015 van onderzoekers in Brazilië en de VS, waarin een systematische en gerationaliseerde methode werd voorgesteld om intoxicatie te evalueren op basis van de respons van de pupillen. Onderzoekers voor dat artikel merkten op dat alcohol de hersenefficiëntie vermindert en het nachtzicht met een factor 25% en de reactietijd met 30% schaadt, waarbij de ernst varieert afhankelijk van de tolerantieniveaus van het individu.

Het belangrijkste probleem voor de verspreiding van dergelijke technologieën is draagbaarheid. Al in 2003, het Britse onderzoeksbureau Hampton Knight aangeboden een systeem voor beoordeling van dronkenschap door middel van ooganalyse - hoewel het destijds £ 10,000 pond kostte.

Een voorlopig 2012 studies uit New Delhi en de VS onderzocht ook de mogelijkheid om systematische AI-technieken te gebruiken om een ​​dronkenschapsscore af te leiden uit oculaire beelden, zij het met minder succes dan het huidige onderzoek. Die studie heeft ook een waardevolle dataset (IITD Iris Under Alcohol Influence) bijgedragen aan het oeuvre op dit gebied.

Recente innovaties op het gebied van edge computing en geoptimaliseerde hardwarebronnen voor mobiel machine learning openen echter het veld voor veel meer mobiele toepassingen van pre-activiteitscontroles op dronkenschap, waaronder sensoren in de auto die mogelijk iriscontroles kunnen toevoegen aan de huidige methoden die van belang zijn naar het Driver Alcohol Detection System for Safety (DADSS) raamwerk dat wordt ontwikkeld in de VS - dat tot nu toe heeft vertrouwd op huidalcoholsensoren en de evaluatie van de lucht in voertuigen op alcoholdamp.

Een 2020 verslag geschat dat de toepassing van dit soort technologieën alleen al in de VS 11,000 levens per jaar zou kunnen redden.