Bepaling van intoxicatie met machine learning-analyse van ogen

Onderzoekers uit Duitsland en Chili hebben een nieuw machine learning-kader ontwikkeld dat kan bepalen of iemand onder invloed is van alcohol, op basis van near-infraroodbeelden van hun ogen.

Het onderzoek is gericht op de ontwikkeling van ‘fitness for duty’-systemen in real-time die de gereedheid van een individu kunnen beoordelen om kritieke taken uit te voeren, zoals rijden of machinerie bedienen, en gebruikt een novum en scratch-getraind objectdetector dat een onderwerpseye-componenten kan individueren uit een enkel beeld en deze kan evalueren tegen een database die intoxicated en non-intoxicated ogenbeelden bevat.

You Only Look Once (YOLO) individueert de ogen van het onderwerp, waarna het kader de instanties scheidt en segmentatie uitvoert om het oogbeeld te splitsen in zijn constituerende delen. Bron: https://arxiv.org/pdf/2106.15828.pdf

Aanvankelijk captureert het systeem en individueert een beeld van elk oog met het You-Only-Look-Once (YOLO) objectdetectiekader. Vervolgens worden twee geoptimaliseerde netwerken gebruikt om de oogbeelden te splitsen in semantische regio’s – het Criss Cross aandachtnetwerk (CCNet) dat in 2020 is vrijgegeven door de Huazhong University of Science and Technology, en het DenseNet10 segmentatiealgoritme, dat ook is ontwikkeld door enkele van de onderzoekers van het nieuwe artikel in Chili.

Segmentatie verkregen uit near-infrarood oogbeelden. Bron: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

De twee algoritmen gebruiken slechts 122.514 en 210.732 parameters respectievelijk – een zuinige uitgave, in vergelijking met sommige van de grotere feature-sets in soortgelijke modellen, en gaan tegen de algemene trend van hogere volumes aan gegevens in ML-kaders.

Database van de Drank

Om het machine learning-kader te informeren, hebben de onderzoekers een originele database ontwikkeld met 266 beschonken onderwerpen en 765 nuchtere onderwerpen.

Voorbeelden uit de verkregen database van beschonken en niet-beschonken onderwerpen.

De onderwerpen moesten voor twee Iritech-camera’s van de Gemini/Venus-reeks staan, het apparaat aankijken en worden opgenomen terwijl ze nuchter waren. Vervolgens consumeerden ze 200 ml alcohol en werden ze opnieuw opgenomen in intervallen van 15 minuten terwijl hun bloedalcoholgehalte steeg, tot de laatste sessie 60 minuten na consumptie van de alcohol.

Dit produceerde 21.309 beelden, die vervolgens werden geannoteerd met de Python-bibliotheek imgaug.

De gegevens voorbereiden voor de echte wereld

Het was geen zeer geautomatiseerde workflow, ondanks de geavanceerde tools die werden gebruikt – handmatige labeling van de oogbeelden werd door de onderzoekers beschreven als ‘een zeer veeleisende en tijdrovende proces’, en duurde meer dan een jaar.

De gegevens werden agressief verrijkt met een reeks methoden die waren ontworpen om het systeem te degraderen en uit te dagen, waardoor mogelijke echte wereldomstandigheden werden gesimuleerd, waaronder sneeuwvlokken, Poisson-ruis (om lage lichtsensordegradatie te simuleren), blur, spatten en regeneffecten. Bovendien maakt het gebruik van infraroodopname de noodzaak voor ideale lichtomstandigheden overbodig, wat niet kan worden gegarandeerd in economische en praktische inzet.

Dit zware werk betaalde uiteindelijk met een nauwkeurigheid van 98,60% voor oogdetectie en segmentatie.

Irissegmentatie met de least-means-squared-methode.

Testen

Het segmentatiekader werd getest met vijf platforms: Osiris, DeepVOG, DenseNet10 (zie hierboven), CCNet (zie hierboven) en Grand-Mean. In alle gevallen toonde de analyse succesvolle resultaten voor het correleren van pupilverwijding met het niveau van dronkenschap, hoewel een hybride benadering met DenseNet en CCNet het meest effectief bleek.

De onderzoekers verwachten dat hun werk uiteindelijk kan worden geïntegreerd in een standaard NIR-irissensor en merken op dat de herculische inspanning om de bijdragende beschonken oogdatabase te produceren, waarschijnlijk een voordeel is voor dit gebied van biometrisch onderzoek.

Consumenten- en industriële intoxicatietesten via oogevaluatie

Het nieuwe onderzoek bouwt voort op enkele opmerkelijke eerdere literatuur, waaronder een seminaal artikel uit 2015 van onderzoekers in Brazilië en de VS, dat een systematische en gerationaliseerde methode voor het evalueren van intoxicatie vanuit pupillaire respons voorstelde. Onderzoekers voor dat artikel observeerden dat alcohol de hersenefficiëntie vermindert en de nachtzicht vermindert met een factor van 25% en de reactietijd met 30%, met variërende niveaus van ernst afhankelijk van de individuele tolerantieniveaus.

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

Het primaire probleem voor de verspreiding van dergelijke technologieën is draagbaarheid. Al in 2003 bood het Britse onderzoeksbedrijf Hampton Knight een systeem voor intoxicatie-evaluatie via ooganalyse – hoewel het toen £10.000 kostte.

Een voorlopig onderzoek uit 2012 uit New Delhi en de VS onderzocht ook de mogelijkheid om systematische AI-technieken te gebruiken om een intoxicatiescore af te leiden uit oogbeelden, hoewel met minder succes dan het huidige onderzoek. Dat onderzoek droeg ook een waardevolle dataset (IITD Iris Under Alcohol Influence) bij aan het lichaam van werk in dit veld.

Recente innovaties in edge computing en geoptimaliseerde mobiele machine learning-hardwarebronnen openen het veld voor veel meer mobiele toepassingen van pre-activiteitcontroles voor intoxicatie, waaronder in-car-sensoren die mogelijk iriscontroles kunnen toevoegen aan de huidige methoden die van belang zijn voor het Driver Alcohol Detection System for Safety (DADSS)-kader dat in de VS wordt ontwikkeld – dat tot nu toe is gebaseerd op huid-alcoholsensoren en de evaluatie van in-voertuiglucht voor alcoholdamp.

Een rapport uit 2020 schatte dat de adoptie van technologieën van dit type 11.000 levens per jaar in de VS alleen kan redden.