Prevenirea și anticiparea tragediilor de pe platformele de metrou cu ajutorul inteligenței artificiale

Un sistem de inteligență artificial antrenat pe imagini reale de supraveghere a metroului afirmă că poate detecta semnele de avertizare ale unei încercări de sinucidere cu minute înainte de a se întâmpla, urmărind comportamente precum mersul în cerc, statul lângă marginea platformei și privirea repetată în tunel.

Sistemele de învățare automată au fost testate ca sisteme de monitorizare a evenimentelor de pe platformă de mai mulți ani, de obicei cu o variantă a popularei aplicații de recunoaștere a imaginilor You Only Look Once (YOLO), care funcționează în scenarii în care pietonii ar putea cădea sau o infracțiune este comisă, sau în care platforma stației este pur și simplu supraaglomerată (permițând autorităților stației să reglementeze accesul și să remedieze problema).

Din lucrarea din 2024 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’, etapele prin care YOLOV7 identifică pasagerii pe o platformă. Sursă

În urma creșterii numărului de tentative sau sinucideri reușite pe calea ferată în ultimii 3-5 ani (în regiuni precum Regatul Unit, Canada și Țările de Jos), interesul pentru potențialul sistemelor de învățare automată de a identifica comportamentul sinucigaș pe platformele de metrou și cale ferată, pe baza dispoziției și a altor factori, a crescut:

Locuitori ai pragului: date de exemplu din setul de date care alimentează proiectul STARR, care face obiectul lucrării discutate în acest articol. Sursă

În total, varietatea proiectelor care își propun să utilizeze inteligența artificială pentru comportamentul sinucigaș pe platforme nu a adoptat, până în prezent, o metodologie uniformă sau un sistem comun – în principal pentru că metodele care alimentează astfel de sisteme evoluează constant, alături de cunoștințele psihologice și psihiatrice care aduc lumină asupra acestui tip de supraveghere prin inteligență artificială.

Vârful tehnologiei

Acum, o nouă lucrare din Canada oferă o formalizare propusă a acestui domeniu de cercetare, sub forma Evaluării riscului de sinucidere (SRA), în contextul încercărilor de sinucidere în stațiile de metrou.

În colaborare cu autoritățile de transport din Montreal, cercetătorii implicați în noua lucrare au avut acces la imagini cu 66 de încercări reale de sinucidere, capturate de camerele de supraveghere de pe platformă:

Din noua lucrare, predicțiile de ieșire pentru două cadre, unul reprezentând o încercare reală de sinucidere pe calea ferată, și celălalt nu. De o parte și de alta a fiecărei imagini este reprezentată o hartă cu zone periculoase și mai sigure ale platformei supravegheate, arătând în fiecare caz ‘tendința de a sta’ a unei persoane în raport cu gura tunelului. Sursă

Deși a fost necesar să se adreseze în mod artificial dezechilibrului de clasă care apare cu un astfel de set de date cu adevăr parțial limitat, aceasta este, totuși, o dată rară și la un volum viabil; s-ar putea spera că viitoarele proiecte din partea autorităților de transport din întreaga lume ar putea permite un set de date multinațional cu un volum mai mare de exemple. Cu toate acestea, înțelegerile deosebit de sensibile ale unor astfel de imagini fac ca acest lucru să fie mai mult decât o perspectivă casuală sau ușoară.

Inițiativa, spun autorii, este prima care coagulează diversele sarcini care definesc urmărirea într-un schema, și vine cu un nou reper pentru scenariul sinuciderii pe platforma de metrou.

Autorii afirmă:

‘În contrast cu abordările care se concentrează pe subtask-uri izolate sau care încearcă să inferă intenția direct, evaluarea noastră a riscului de sinucidere se bazează pe dovezi acumulate prin integrarea urmăririi persoanei, recunoașterea activității, segmentarea semantică a platformei și modelarea hărții de risc bazată pe traiectorie. ‘

‘Prin formalizarea SRA ca o sarcină distinctă și stabilirea unui pipeline operațional complet care atinge 83,2% ROC-AUC pe date de supraveghere reale, această lucrare subliniază complexitatea evaluării riscului de sinucidere și deschide noi direcții pentru cercetarea sistemelor de inteligență artificială interpretabile pentru binele social.’

Noua lucrare, intitulată Evaluarea riscului de sinucidere din supravegherea video cu inteligență artificială: Un cadru interpretabil pentru prevenirea în stațiile de metrou, provine de la patru autori de la Université TÉLUQ, Polytechnique Montréal și Université du Québec à Montréal.

Metodă

Cadrul autorilor analizează un flux de supraveghere video în timp real pentru a genera un scor de risc de sinucidere actualizat în mod continuu pentru fiecare pasager urmărit. Persoanele sunt detectate, urmărite și convertite în reprezentări simplificate ale poziției corpului, după care un sistem de recunoaștere a activității bazat pe schelet identifică acțiuni pe perioade scurte de timp:

Pipeline-ul sistemului pentru estimarea riscului de sinucidere al pasagerilor din date de supraveghere video, arătând cum urmărirea, estimarea poziției corpului, recunoașterea activității, zonarea platformei și hărțile de traiectorie sunt combinate pentru a converti mișcările și comportamentele individuale într-un scor de risc actualizat în mod continuu pentru fiecare persoană de pe platformă.

Platforma este apoi împărțită în zone semnificative, permițând detectarea modelelor de mișcare – cum ar fi mersul în cerc între diferite zone – și proiectarea traiectoriilor pasagerilor pe o hartă a platformei, făcând posibilă generarea de hărți de căldură care evidențiază zonele cel mai frecvent ocupate sau traversate de persoane asociate cu un risc ridicat.

În final, sistemul corelează aceste modele spațiale cu comportamentele observate pentru a produce o evaluare individuală a riscului de sinucidere pentru fiecare persoană de pe platformă – un proces pe care autorii îl numesc inferență a riscului.

Autorii au utilizat o implementare preantrenată YOLOX ca detector de oameni pentru sistemul lor, constatând că starea sa implicită este perfect utilizabilă în acest scop. ByteTrack a fost utilizat pentru orchestrarea urmăririi multi-obiect.

Fiecare persoană identificată prin aceste procese primește propriul model HRNet preantrenat, care oferă estimarea articulațiilor și puncte cheie ale corpului într-o cutie de delimitare determinată de cea mai exterioară dintre aceste estimări:

Exemple de estimare a articulațiilor de la HRNet, utilizate în noul proiect. Sursă

Pozele evaluate din datele video de pe platforma de metrou sunt construite în hărți cumulative care definesc mișcarea istorică (a se vedea ‘hărțile de platformă’ de lângă imaginea de mai sus).

Noul sistem incorporează cadrul STARR, o lucrare anterioară destinată evaluării probabilității de comportament sinucigaș pe platforme:

Estimarea poziției corpului din cadrul STARR. Sursă

În acest caz, STARR este utilizat pentru a detecta trei anotări de acțiune ale pasagerilor: PrivireÎnTunel; Mers; și Stare.

Pentru a incorpora contextul ambiental, concepția sistemului despre platformă este împărțită în zone semantic semnificative utilizând un model de segmentare semantică YOLOv8n antrenat pe imagini de platformă manual anotate:

Semantica platformei: procesul de zonare utilizat de sistem pentru a converti o platformă segmentată în trei regiuni comportamentale semnificative. Zonele rezultate, proximale cu peretele, proximale cu linia galbenă și adiacente tunelului oferă contextul spațial utilizat pentru a evalua mișcările și comportamentele pasagerilor.

Rezultatul segmentării este utilizat pentru a estima limitele platformei și a defini trei zone operaționale: o zonă proximală cu peretele, lângă peretele platformei; o zonă proximală cu linia galbenă, unde pasagerii pot aproba marginea platformei rămânând în limitele de siguranță; și o zonă din capătul platformei, lângă intrarea în tunel.

Aceste zone oferă contextul spațial necesar pentru a identifica comportamente asociate cu un risc ridicat de sinucidere. În special, ele permit sistemului să detecteze mișcarea repetată între perete și linia galbenă, precum și intrarea în zona din capătul platformei.

Combinate cu hărțile de traiectorie generate anterior, aceste indicatori spațiali sunt ulterior incorporați în evaluarea finală a riscului de sinucidere.

Interesant, lucrarea notează că una dintre caracteristicile încercărilor de sinucidere este tendința de a lăsa un obiect pe platformă; cu toate acestea, autorii nu au putut să incorporeze acest aspect în această versiune a proiectului, lăsându-l pentru lucrări viitoare.

O hartă a riscului de platformă

În loc să se bazeze doar pe comportamentul unei singure persoane, cadrul combină, de asemenea, hărțile de traiectorie de la multiple cazuri cunoscute cu risc pentru a crea o ‘hartă a riscului de platformă’ la nivel de platformă:

Construirea unei hărți a riscului de platformă din mișcările a multiple persoane cu risc. Zonele care atrag în mod repetat ocuparea prelungită, mersul în cerc sau alte comportamente asociate cu risc devin din ce în ce mai proeminente și sunt ulterior utilizate ca unul dintre factorii în evaluarea finală a riscului.

Zonele care atrag în mod repetat ocuparea prelungită devin regiuni cu risc ridicat, în timp ce locațiile asociate cu vizite scurte sau infrequente rămân zone cu risc scăzut. Rezultatul scorului de poziție devine unul dintre intrările utilizate în evaluarea finală a riscului de sinucidere.

Scorul final de risc se bazează pe opt indicatori acumulați în timp: un scor de poziție derivat din hărțile de platformă; dacă un pasager merge sau stă pe linia galbenă; numărul de treceri peste linia galbenă; timpul total petrecut pe linia galbenă; perioada neîntreruptă cea mai lungă petrecută pe linia galbenă; mișcarea repetată între perete și linia galbenă; orientarea repetată către tunel; și intrarea în zona adiacentă tunelului.

Acești semnale comportamentali și spațiali sunt combinați printr-un model XGBoost, producând o estimare actualizată în mod continuu a riscului de sinucidere pentru fiecare individ de pe platformă.

Date și teste

Testele au fost efectuate pe imagini de supraveghere furnizate de Société de transport de Montréal (STM), cuprinzând 66 de înregistrări de cinci minute capturate înainte de încercări reale de sinucidere, împreună cu 56 de înregistrări de control din aceleași camere, la ore comparabile în care nu a avut loc nicio încercare de sinucidere.

Cu ajutorul experților în psihologie și sinucidere, pasagerii individuali au fost anotați în funcție de apartenența la un scenariu cu risc sau de control, producând un set de date cu 256 de indivizi, dintre care 66 au fost asociați cu cazuri de încercare de sinucidere, și 190 au fost asignați grupului de control.

Pentru a preveni scurgerea de informații, toți indivizii extrași din aceeași înregistrare au fost asignați aceleiași diviziuni a datelor, cu 75% din date utilizate pentru antrenare și 25% rezervate pentru testare, menținând echilibrul dintre cazurile cu risc și cele de control.

Clasificatorul XGBoost a fost antrenat pentru 300 de iterații de boostare, la o rată de învățare de 0,05, cu subsampling pentru atât instanțele de antrenare, cât și pentru caracteristici, pentru a îmbunătăți generalizarea. Deoarece setul de date conține substanțial mai multe cazuri de control decât cazuri cu risc, procesul de antrenare a compensat acest lucru prin asignarea unui greutate suplimentară clasei minoritare.

Performanța a fost evaluată în primul rând utilizând Aria sub curba caracteristicii de operare a receptorului (ROC-AUC), măsurând cât de eficient sistemul diferențiază între indivizi cu risc și cei de control.

Metricile suplimentare au inclus sensibilitatea, care măsoară identificarea corectă a cazurilor cu risc; specificitatea, care măsoară identificarea corectă a cazurilor de control; rata fals pozitivă, care reflectă alarmele false (FPR); și rata fals negativă, care reflectă detectările ratate (FNR). Un prag de decizie deliberat scăzut a fost adoptat pentru a prioritiza identificarea precoce a situațiilor potențial periculoase:

Performanța cadrului de evaluare a riscului de sinucidere sub patru configurații, comparând variantele asistate de adevăr parțial, limite superioare și complet automate pe ROC-AUC, sensibilitate, specificitate, rată de alarmă falsă și rată de detectare ratată – și arătând impactul performanței înlocuirii anotărilor de adevăr parțial cu module de detectare, urmărire și recunoaștere a activității automate.

În rezultatele inițiale prezentate mai sus, sistemul complet automatizat a atins un ROC-AUC de 0,832, în timp ce înlocuirea componentelor de detectare și urmărire automate cu anotări de adevăr parțial a crescut performanța la 0,919.

Înlocuirea doar a modulului de recunoaștere a activității a produs un câștig mai mic, ridicând ROC-AUC la 0,893. Scorul cel mai ridicat, 0,924, a fost obținut atunci când toate intrările au fost furnizate din anotări de adevăr parțial, sugerând că detectarea, urmărirea și extragerea indicatorilor rămân principalele surse de eroare în pipeline-ul actual.

Analiza modelului XGBoost antrenat a indicat că interacțiunea directă cu linia galbenă a fost printre cei mai puternici predictorii ai riscului ridicat, urmată de numărul de treceri peste linia galbenă și de mișcarea repetată între zonele platformei. Timpul petrecut pe linia galbenă și scorul de poziție au contribuit, de asemenea, semnificativ, în timp ce atenția îndreptată către tunel și intrarea în zona din capătul platformei au oferit semnale suplimentare, dar mai puțin decisive.

Revenind la rezultatele calitative prezentate anterior, cadrul a asignat scoruri de risc ridicate indivizilor ulterior asociați cu încercări de sinucidere, în timp ce a asignat scoruri semnificativ mai scăzute pasagerilor de control din jur:

Așa cum s-a arătat anterior în articol, rezultatele calitative prezentate în lucrare prezintă predicțiile de ieșire pentru două imagini din datele de supraveghere, cu hărți de căldură de o parte și de alta pentru a indica activitățile și staționările pe platformă.

Într-un caz, un scor de risc de 0,98 a fost legat de prezența prelungită pe linia galbenă și de ocuparea zonelor identificate ca fiind cu risc ridicat de către harta de poziție. În alt caz, un individ cu risc a primit un scor de 0,92, în timp ce pasagerii de control din jur au primit estimări mult mai scăzute.

Conform autorilor, aceste distincții provin din acumularea mai multor indicatori, mai degrabă decât dintr-un singur comportament. Trecerea prelungită peste linia galbenă, orientarea repetată către tunel și prezența susținută în zonele cu risc ridicat ale platformei contribuie toate la estimări ale riscului ridicate.

Autorii concluzionează:

‘Dincolo de performanță, studiul nostru subliniază interpretabilitatea, arătând că evaluările riscului sunt conduse de indicatori intuitivi aliniați cu factorii de risc comportamental și spațial stabiliți.’

‘Acest lucru poziționează cadrul propus ca un pod semnificativ între sistemele de supraveghere prin inteligență artificială și cercetarea interdisciplinară privind prevenirea sinuciderii.’

Concluzie

Pe o notă personală, este o ocazie din ce în ce mai rară să găsești o lucrare de inteligență artificială care merită raportat și care nu este probabil să creeze o reacție incendiară într-o parte a populației, deoarece ar fi greu de contestat valoarea obiectivelor din spatele unui astfel de proiect.

Pe o notă practică, cantitatea foarte mică de pixeli ocupată de cap și cantitatea relativ mică de spațiu pe ecran ocupată de întreaga persoană sub supraveghere în acest scenariu fac foarte dificil de determinat dacă individul privește frecvent spre tunel – unul dintre semnele distinctive ale potențialei sinucideri pe calea ferată.

Ca întotdeauna, în proiecte referitoare la infrastructura de supraveghere, aceasta pare a fi o problemă de rezoluție și resurse: dacă ar exista mai multe camere la intervale mai frecvente care să acopere platforma, inclusiv una care să acopere în mod special ieșirea din tunel (adică partea din tunel din care trenul de metrou apare brusc), ar exista posibilitatea de a implica unele dintre diversele cadre în jurul direcției privirii. Așa cum stau lucrurile, lucrarea actuală se bazează pe evaluarea întregii direcții a corpului pentru a semnala faptul că subiectul se uită spre tunel.

În cele din urmă, problema este una bugetară, cel puțin în ceea ce privește infrastructura feroviară; dacă toate platformele ar fi echipate cu bariere și porți – caracteristici care apar rareori în stațiile de metrou din Londra și în rețelele de metrou din alte orașe ale lumii – atunci platformele nu ar oferi nicio oportunitate de auto-vătămare.

Desigur, supravegherea sporită este opțiunea mai ieftină, iar identificarea precoce a semnelor caracteristice de auto-vătămare ar putea permite intervenția directă înainte de a se produce o tragedie.

Publicat pentru prima dată marți, 9 iunie 2026