Bestemmelse av berusning med maskinlæring og øyeanalyse

Forskere fra Tyskland og Chile har utviklet et nytt maskinlæringsrammeverk som kan vurdere om en person er beruset, basert på nær-infrarøde bilder av øynene.

Forskningen er rettet mot utvikling av ‘fitness for duty’-systemer i sanntid som kan vurdere en persons evne til å utføre kritiske oppgaver som å kjøre bil eller operere maskiner, og bruker en ny og selv-lært gjenstandsdetektor som kan individuere en persons øyekomponenter fra ett enkelt bilde og vurdere dem mot en database som inkluderer berusede og ikke-berusede øyebilder.

You Only Look Once (YOLO) individuerer øynene, og deretter separerer rammeverket instansene og utfører segmentering for å bryte øyebildet ned i dets bestanddeler. Kilde: https://arxiv.org/pdf/2106.15828.pdf

Til å begynne med fanger systemet og individuerer et bilde av hvert øye med You-Only-Look-Once (YOLO)-objektdetektorrammeverket. Deretter brukes to optimerte nettverk til å bryte ned øyebildene i semantiske regioner – Criss Cross-oppmerksomhetsnettverket (CCNet) som ble lansert i 2020 av Huazhong University of Science and Technology, og DenseNet10-segmenteringsalgoritmen, som også ble utviklet av flere av forskerne i det nye papiret i Chile.

Segmentering fra nær-infrarøde øyebilder. Kilde: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

De to algoritmene bruker bare 122 514 og 210 732 parametre henholdsvis – en beskjeden utgift, sammenlignet med noen av de større funksjonssettene i lignende modeller, og går imot den generelle trenden mot høyere volumer av data i maskinlæringsrammeverk.

Database over berusede

For å informere maskinlæringsrammeverket utviklet forskerne en original database med 266 berusede subjekter og 765 nyktere subjekter.

Eksempler fra den oppnådde databasen over berusede og ikke-berusede subjekter.

Subjektene måtte stå foran to Iritech-kameraer, Gemini/Venus-serien, for å bli fanget og registrert som nyktere. Deretter konsumerte de 200 ml alkohol, og ble fanget igjen i 15-minutters intervaller mens blodalkoholnivået steg, opp til den siste sesjonen 60 minutter etter alkoholkonsum.

Dette produserte 21 309 bilder, som deretter ble annotert med Python-biblioteket imgaug.

Forberedelse av data for den virkelige verden

Det var ikke en høyt automatisert arbeidsflyt, til tross for de avanserte verktøyene som ble brukt – manuell labeling av øyebildene ble beskrevet av forskerne som ‘en svært krevende og tidskrevende prosess’, og tok mer enn ett år.

Dataene ble aggressivt forbedret med en rekke metoder designet for å degradere og utfordre systemet, og replikere mulige virkelige verdensforhold, inkludert snøfnugg, Poisson-støy (for å simulere lavt lys-sensor-degradering), uskarphets-, sprekke- og regneffekter. Foruten dette eliminerer bruk av infrarød opptak behovet for ideelle lysforhold, som ikke kan garanteres i økonomiske og praktiske utviklinger.

Dette møysommelige arbeidet betalte til slutt av med en nøyaktighet på 98,60 % for øyefanging og segmentering.

Iris-segmentering med minste-kvadrat-metoden.

Testing

Segmenteringsrammeverket ble testet med fem plattformer: Osiris, DeepVOG, DenseNet10 (se over), CCNet (se over) og Grand-Mean. I alle tilfeller viste analysen suksessfulle resultater for å korrelere pupillutvidelse med grad av berusning, selv om en hybridtilnærming som bruker DenseNet og CCNet viste seg å være mest effektiv.

Forskerne antar at deres arbeid kan til slutt bli inkorporert i en standard NIR-irisensor, og merker at den herkuliske innsatsen for å produsere den bidragende berusede øyedatabasen sannsynligvis er en fordel for dette området av biometrisk forskning.

Forbruker- og industritesting av berusning gjennom øyeutvurdering

Den nye forskningen bygger på noen bemerkelsesverdige tidligere studier, inkludert en seminal 2015-studie fra forskere i Brasil og USA, som foreslo en systematisk og rasjonalisert metode for å vurdere berusning fra pupillrespons. Forskerne for denne studien observerte at alkohol reduserer hjernens effektivitet og forverrer nattsyn med en faktor på 25 %, og reaksjonstid med 30 %, med varierende alvorlighetsgrader etter individets toleransenivå.

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

Hovedproblemet for diffusjon av slike teknologier er bæring. Allerede i 2003 tilbød det britiske forskningsselskapet Hampton Knight et system for berusningsevaluering gjennom øyeanalyse – selv om det kostet 10 000 britiske pund på den tiden.

En preliminær 2012-studie fra New Delhi og USA utforsket også muligheten for å bruke systematiske AI-teknikker til å avlede en berusningspoengsum fra øyebilder, selv om med mindre suksess enn den nåværende forskningen. Denne studien bidro også med en verdifull datasett (IITD Iris Under Alcohol Influence) til arbeidet i dette feltet.

Likevel åpner nyvinninger i kantcomputing og optimerte mobile maskinlæringshåndteringressurser opp feltet for langt mer mobile anvendelser av for-aktivitetskontroller for berusning, inkludert bil-sensorer som potensielt kan legge til iris-kontroller til de nåværende metodene som er av interesse for Driver Alcohol Detection System for Safety (DADSS)-rammeverket som utvikles i USA – som til nå har avhengig av hud-alkoholsensorer og evaluering av bilens luft for alkoholvapor.

En 2020-rapport estimerte at innføringen av teknologier av denne typen kunne spare 11 000 liv om året i USA alene.