Bestämning av berusning med maskinlärandeanalys av ögon

Forskare från Tyskland och Chile har utvecklat ett nytt maskinlärande-ramverk som kan utvärdera om en person är berusad, baserat på nära infraröda bilder av deras ögon.

Forskningen syftar till att utveckla “fitness for duty”-system i realtid som kan bedöma en persons beredskap att utföra kritiska uppgifter som att köra bil eller operera maskiner, och använder en ny och från grunden utvecklad objektidentifierare som kan identifiera en persons ögonkomponenter från en enda bild och utvärdera dem mot en databas som innehåller bilder av berusade och icke-berusade ögon.

You Only Look Once (YOLO) identifierar ögonen, varefter ramverket separerar instanserna och utför segmentering för att bryta ner ögonbilden i dess beståndsdelar. Källa: https://arxiv.org/pdf/2106.15828.pdf

Initialt fångar och identifierar systemet en bild av varje öga med You-Only-Look-Once (YOLO)-objektidentifieringsramverket. Därefter används två optimerade nätverk för att bryta ner ögonbilderna i semantiska regioner – Criss Cross-uppmärksamhetsnätverket (CCNet) som släpptes 2020 av Huazhong University of Science and Technology, och DenseNet10-segmenteringsalgoritmen, som också utvecklats av flera av forskarna i Chile.

Segmentering erhållen från nära infraröda ögonbilder. Källa: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

De två algoritmerna använder endast 122 514 respektive 210 732 parametrar – en sparsam utgift, i jämförelse med vissa större funktionssamlingar i liknande modeller, och som går emot den allmänna trenden mot högre volymer data i maskinlärande-ramverk.

Berusningsdatabas

För att informera maskinlärande-ramverket utvecklade forskarna en originaldatabas som innehåller 266 berusade ämnen och 765 nyktra ämnen.

Exempel från den erhållna databasen av berusade och icke-berusade ämnen.

Ämnena var tvungna att stå framför två ursprungliga Iritech-kameror, Gemini/Venus-serien, för att möta enheten och bli inspelade nyktra. Därefter konsumerade de 200 ml alkohol och blev återinspelade i 15-minutersintervall medan deras blodalkoholnivåer steg, upp till den sista sessionen 60 minuter efter alkoholkonsumtionen.

Detta resulterade i 21 309 bilder, som sedan annoterades med Python-biblioteket imgaug.

Förberedelse av data för den verkliga världen

Det var inte en högt automatiserad arbetsflöde, trots de avancerade verktygen som användes – manuell märkning av ögonbilderna beskrevs av forskarna som “en mycket krävande och tidskrävande process”, och tog mer än ett år.

Data aggregerades aggressivt med en serie metoder som syftade till att försämra och utmana systemet, och som replikerade möjliga verkliga världsförhållanden, inklusive snöflingor, Poisson-brus (för att simulera lågkvalitetsensorförsämring), oskärpa, stänk och regneffekter. Utöver detta eliminerar användningen av infraröd inspelning behovet av idealiska belysningsförhållanden, som inte kan garanteras i ekonomiska och praktiska distributioner.

Denna mödosamma arbete resulterade till slut i en noggrannhetsnivå på 98,60 % för ögoninspelning och segmentering.

Iris-segmentering med minsta-kvadratmetoden.

Testning

Segmenteringsramverket testades med fem plattformar: Osiris, DeepVOG, DenseNet10 (se ovan), CCNet (se ovan) och Grand-Mean. I alla fall visade analysen framgångsrika resultat för korrelering av pupillutvidgning till berusningsnivå, även om en hybridmetod som använder DenseNet och CCNet visade sig vara den mest effektiva.

Forskarna förväntar sig att deras arbete kan inkorporeras i en standard NIR-irisensor och noterar att det herkuliska arbetet med att producera den bidragande berusade ögon-databasen sannolikt är en fördel för denna sektor av biometrisk forskning.

Konsument- och industriell berusningstestning genom ögonutvärdering

Den nya forskningen bygger på några noterbara tidigare studier, inklusive en banbrytande studie från 2015 av forskare i Brasilien och USA, som föreslog en systematisk och rationaliserad metod för utvärdering av berusning från pupillrespons. Forskarna i den studien observerade att alkohol minskar hjärneffektiviteten och försämrar nattsynen med en faktor på 25 % och reaktionstiden med 30 %, med varierande svårighetsgrader enligt den enskildes toleransnivåer.

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

Huvudproblemet för spridning av sådana teknologier är bärbarhet. Redan 2003 erbjöd det brittiska forskningsföretaget Hampton Knight ett system för berusningsutvärdering genom ögonanalys – men det kostade 10 000 pund sterling vid den tiden.

En preliminär studie från 2012 i New Delhi och USA undersökte också möjligheten att använda systematiska AI-tekniker för att erhålla en berusningspoäng från okulära bilder, men med mindre framgång än den nuvarande forskningen. Den studien bidrog också med en värdefull dataset (IITD Iris Under Alcohol Influence) till den vetenskapliga litteraturen inom detta område.

Men nyliga innovationer inom edge computing och optimerad mobil maskinlärande-hårdvara öppnar upp fältet för långt fler mobila tillämpningar av för-aktivitetskontroller för berusning, inklusive in-bilsensorer som potentiellt kan lägga till iris-kontroller till de nuvarande metoderna som är av intresse för Driver Alcohol Detection System for Safety (DADSS)-ramverket som utvecklas i USA – som hittills har förlitat sig på hud-alkoholsensorer och utvärdering av in-vehicle-luft för alkoholånga.

En rapport från 2020 uppskattade att antagandet av teknologier av detta slag kunde rädda 11 000 liv per år i USA ensamt.