Determinação de Intoxicação com Análise de Aprendizado de Máquina de Olhos

Pesquisadores da Alemanha e do Chile desenvolveram um novo quadro de aprendizado de máquina capaz de avaliar se uma pessoa está intoxicada, com base em imagens de infravermelho próximo dos olhos.

A pesquisa visa o desenvolvimento de sistemas de “aptidão para o trabalho” em tempo real capazes de avaliar a prontidão de um indivíduo para realizar tarefas críticas, como dirigir ou operar máquinas, e utiliza um detector de objetos novos e treinados a partir do zero que pode individuar os componentes do olho de um sujeito a partir de uma única imagem e avaliá-los contra um banco de dados que inclui imagens de olhos intoxicados e não intoxicados.

Você Só Olha Uma Vez (YOLO) individua os olhos do sujeito, após o que o quadro separa as instâncias e realiza a segmentação para dividir a imagem do olho em suas partes constituintes. Fonte: https://arxiv.org/pdf/2106.15828.pdf

Inicialmente, o sistema captura e individua uma imagem de cada olho com o quadro de detecção de objetos Você Só Olha Uma Vez (YOLO). Em seguida, duas redes otimizadas são usadas para dividir as imagens do olho em regiões semânticas – a rede de atenção Criss Cross (CCNet) lançada em 2020 pela Universidade de Ciência e Tecnologia de Huazhong, e o algoritmo de segmentação DenseNet10, também desenvolvido por vários dos pesquisadores do novo artigo no Chile.

Segmentação obtida a partir de imagens de olhos em infravermelho próximo. Fonte: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Os dois algoritmos empregam apenas 122.514 e 210.732 parâmetros, respectivamente – uma despesa frugal, em comparação com alguns dos conjuntos de recursos maiores em modelos semelhantes, e contrariando a tendência geral de volumes mais altos de dados em quadros de aprendizado de máquina.

Banco de Dados do Ébrio

Para informar o quadro de aprendizado de máquina, os pesquisadores desenvolveram um banco de dados original que apresenta 266 sujeitos ébrios e 765 sujeitos sóbrios.

Amostras do banco de dados obtido de sujeitos ébrios e não ébrios.

Os sujeitos foram solicitados a ficar em frente a duas câmeras Iritech originais, da linha Gemini/Venus, para encarar o dispositivo e serem gravados em estado sóbrio. Em seguida, consumiram 200ml de álcool e foram regravados a intervalos de 15 minutos, à medida que seus níveis de álcool no sangue aumentavam, até a última sessão, 60 minutos após o consumo do álcool.

Isso produziu 21.309 imagens, que foram então anotadas usando a biblioteca Python imgaug.

Preparando os Dados para o Mundo Real

Não foi um fluxo de trabalho altamente automatizado, apesar das ferramentas avançadas usadas – a marcação manual das imagens do olho foi descrita pelos pesquisadores como “um processo muito exigente e demorado”, e levou mais de um ano.

Os dados foram agressivamente aumentados com uma série de métodos projetados para degradar e desafiar o sistema, replicando condições possíveis do mundo real, incluindo flocos de neve, ruído de Poisson (para simular a degradação do sensor de baixa luz), borramento, salpicos e efeitos de chuva. Além disso, o uso de captura de infravermelho elimina a necessidade de condições de iluminação ideais, que não podem ser garantidas em implantações econômicas e práticas.

Esse trabalho árduo finalmente deu frutos com um nível de precisão de 98,60% para a captura e segmentação do olho.

Segmentação da íris com o método dos mínimos quadrados.

Testes

O quadro de segmentação foi testado com cinco plataformas: Osiris, DeepVOG, DenseNet10 (ver acima), CCNet (ver acima) e Grand-Mean. Em todos os casos, a análise demonstrou resultados bem-sucedidos para correlacionar a dilatação da pupila com o nível de embriaguez, embora uma abordagem híbrida usando DenseNet e CCNet tenha se mostrado a mais eficaz.

Os pesquisadores antecipam que seu trabalho possa ser eventualmente incorporado a um sensor de íris NIR padrão e observam que o esforço hercúleo de produzir o banco de dados de olhos ébrios é um benefício provável para este setor de pesquisa biométrica.

Testes de Intoxicação para Consumidores e Indústria por Avaliação de Olhos

A nova pesquisa se baseia em algumas literaturas anteriores notáveis, incluindo um artigo seminal de 2015 de pesquisadores do Brasil e dos EUA, que propôs um método sistemático e racionalizado de avaliação de embriaguez a partir da resposta pupilar. Os pesquisadores desse artigo observaram que o álcool reduz a eficiência cerebral e impede a visão noturna por um fator de 25% e o tempo de reação por 30%, com níveis de gravidade variados de acordo com os níveis de tolerância individuais.

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

A principal questão para a difusão de tais tecnologias é a portabilidade. Já em 2003, a empresa de pesquisa do Reino Unido Hampton Knight ofereceu um sistema para avaliação de embriaguez por análise de olhos – embora custasse £10.000 libras esterlinas na época.

Um estudo preliminar de 2012 estudo de Nova Delhi e dos EUA também explorou a possibilidade de usar técnicas de inteligência artificial sistemáticas para derivar uma pontuação de embriaguez a partir de imagens oculares, embora com menos sucesso do que a pesquisa atual. Esse estudo também contribuiu com um conjunto de dados valioso (IITD Iris Under Alcohol Influence) para o corpo de trabalho nesse campo.

No entanto, inovações recentes em computação de borda e recursos de hardware de aprendizado de máquina móvel otimizados abrem o campo para aplicações móveis muito mais amplas de verificações pré-atividade para embriaguez, incluindo sensores de dentro do veículo que poderiam potencialmente adicionar verificações de íris aos métodos atuais que são de interesse para o quadro de sistema de detecção de álcool do motorista para segurança (DADSS) em desenvolvimento nos EUA – que, até o momento, confiou em sensores de álcool na pele e na avaliação do ar dentro do veículo para vapor de álcool.

Um relatório de 2020 estimou que a adoção de tecnologias desse tipo poderia salvar 11.000 vidas por ano apenas nos EUA.