Assistência médica
Determinando intoxicação com análise de olhos por aprendizado de máquina
Pesquisadores da Alemanha e do Chile desenvolveram uma nova estrutura de aprendizado de máquina capaz de avaliar se uma pessoa está intoxicada, com base em imagens infravermelhas próximas de seus olhos.
A pesquisa destina-se ao desenvolvimento de sistemas em tempo real de 'aptidão para o trabalho' capazes de avaliar a prontidão de um indivíduo para realizar tarefas críticas, como dirigir ou operar máquinas, e usa um novo detector de objetos treinado por arranhões que pode individualizar o comportamento de um indivíduo componentes oculares de uma única imagem e avaliá-los em um banco de dados que inclui imagens de olhos intoxicados e não intoxicados.
You Only Look Once (YOLO) individualiza os olhos do sujeito, após o que a estrutura 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 individualiza uma imagem de cada olho com o You-Only-Look-Once (YOLO) estrutura de detecção de objetos. Depois disso, duas redes otimizadas são usadas para dividir as imagens dos olhos em regiões semânticas – o Criss Cross rede de atenção (CCNet) lançado em 2020 pela Universidade Huazhong de Ciência e Tecnologia, e o DenseNet10 algoritmo de segmentação, também desenvolvido por vários pesquisadores do novo artigo no Chile.
Segmentação obtida a partir de imagens oculares próximas do infravermelho. 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 – um gasto frugal, em comparação com alguns dos conjuntos de recursos maiores em modelos semelhantes, e contrariando a tendência geral de maiores volumes de dados em estruturas de ML.
banco de dados do bêbado
Para informar a estrutura de aprendizado de máquina, os pesquisadores desenvolveram um banco de dados original com 266 indivíduos intoxicados e 765 indivíduos sóbrios.
Amostras do banco de dados obtido de indivíduos intoxicados e não intoxicados.
Os sujeitos foram obrigados a ficar na frente de duas câmeras originais da Iritech, a gama Gemini/Venus, para enfrentar o dispositivo e para serem gravados sóbrios. Depois disso, eles consumiram 200ml de álcool e foram recapturados em intervalos de 15 minutos conforme seus níveis de álcool no sangue aumentavam, até a sessão final aos 60 minutos desde o consumo do álcool.
Isso produziu 21,309 imagens, que foram anotadas usando a biblioteca Python imagem.
Preparando os dados para o mundo real
Não foi um fluxo de trabalho altamente automatizado, apesar das ferramentas avançadas usadas - a rotulagem manual das imagens oculares foi descrita pelos pesquisadores como "um processo muito exigente e demorado" e levou mais de um ano.
Os dados foram aumentados agressivamente com uma série de métodos projetados para degradar e desafiar o sistema, replicando possíveis condições do mundo real, incluindo flocos de neve, ruído de Poisson (para simular a degradação do sensor com pouca luz), desfoque, respingos e efeitos de chuva. Além disso, o uso da captação infravermelha dispensa a necessidade de condições ideais de iluminação, que não podem ser garantidas em implantações econômicas e práticas.
Esse trabalho cansativo acabou compensando com um nível de precisão de 98,60% para captura e segmentação dos olhos.
Segmentação da íris com o método dos mínimos quadrados.
ensaio
A estrutura de segmentação foi testada com cinco plataformas: Osiris, DeepVOG, DenseNet10 (veja acima), CCNet (veja acima) e média geral. 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 mais eficaz.
Os pesquisadores antecipam que seu trabalho pode eventualmente ser incorporado a um sensor de íris NIR padrão e observam que o esforço hercúleo de produzir o banco de dados de olhos intoxicados é um provável benefício para este setor de pesquisa biométrica.
Testes de intoxicação industrial e de consumo por meio de avaliação ocular
A nova pesquisa baseia-se em alguma literatura anterior notável, incluindo um artigo seminal de 2015 de pesquisadores do Brasil e dos EUA, que propôs um método sistemático e racionalizado de avaliação da intoxicação por resposta pupilar. Os pesquisadores desse artigo observaram que o álcool reduz a eficiência do cérebro e prejudica a visão noturna em um fator de 25%, e o tempo de reação em 30%, com níveis variados de gravidade de acordo com os níveis de tolerância do indivíduo.
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 britânica Hampton Knight oferecido um sistema de avaliação de intoxicação por meio de análise ocular - embora custasse £ 10,000 libras esterlinas na época.
Uma preliminar de 2012 estudo de Nova Delhi e dos EUA também exploraram a possibilidade de usar técnicas sistemáticas de IA para derivar uma pontuação de intoxicação 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 neste campo.
No entanto, inovações recentes em computação de borda e recursos otimizados de hardware de aprendizado de máquina móvel abrem o campo para muito mais aplicações móveis de verificações pré-atividade para intoxicação, incluindo sensores veiculares que poderiam adicionar verificações de íris aos métodos atuais que são de interesse ao Sistema de Detecção de Álcool do Motorista para Segurança (PAPAI) sendo desenvolvida nos Estados Unidos – que até o momento contava com sensores de álcool na pele e a avaliação do ar do veículo para vapor de álcool.
A 2020 Denunciar estimou que a adoção de tecnologias desse tipo poderia salvar 11,000 vidas por ano somente nos Estados Unidos.
