การคาดการณ์และป้องกันโศกนาฏกรรมบนแท่นรถไฟด้วย AI

ระบบ AI ที่ได้รับการฝึกฝนจากวิดีโอการ giám sátของรถไฟใต้ดินอ้างว่าสามารถสังเกตเห็นสัญญาณเตือนของการพยายามฆ่าตัวตายได้ภายในไม่กี่นาทีก่อนที่จะเกิดขึ้น โดยติดตามพฤติกรรม เช่น การเดินไปมา การลinger ที่ขอบแท่น และการมองเข้าไปในอุโมงค์อย่างซ้ำซาก

ระบบการเรียนรู้ของเครื่องได้รับการทดสอบเป็นระบบการ giám sátเหตุการณ์บนแท่นแล้ว มีหลายปี โดยทั่วไปแล้วจะมีการใช้การรับรู้ภาพ You Only Look Once (YOLO) ซึ่งเป็นซีรีส์ยอดนิยมของการรับรู้ภาพที่ใช้ในการใช้งานที่มีผู้คน อาจตกหรือ หรือการกระทำที่ มีการกระทำผิดกฎหมาย หรือสถานการณ์ที่ แท่นมีผู้คนหนาแน่น (ทำให้เจ้าหน้าที่สามารถควบคุมการเข้าถึงและแก้ไขปัญหาได้)

จากงานวิจัยปี 2024 ‘Train Station Pedestrian Monitoring Pilot Study Using an Artificial Intelligence Approach’ ซึ่งแสดงถึงขั้นตอนในการระบุผู้โดยสารบนแท่นโดยใช้ YOLOV7 แหล่งที่มา

ด้วยจำนวนการพยายามฆ่าตัวตายหรือการฆ่าตัวตายที่เพิ่มขึ้นในช่วง 3-5 ปีที่ผ่านมา (ในประเทศ เช่น สหราชอาณาจักร, แคนาดา และ เนเธอร์แลนด์) ความสนใจในระบบการเรียนรู้ของเครื่องเพื่อระบุพฤติกรรมที่มีแนวโน้มจะฆ่าตัวตายบนแท่นรถไฟและรถไฟใต้ดินเพิ่มขึ้น โดยอาศัยการกระทำและปัจจัยอื่น ๆ

ผู้คนบนขอบ: ตัวอย่างข้อมูลจากชุดข้อมูลที่ใช้ในการวิจัย STARR ซึ่งปรากฏในงานวิจัยที่พูดถึงในบทความนี้ แหล่งที่มา

ในภาพรวม โครงการที่พยายามใช้ AI เพื่อระบุพฤติกรรมที่มีแนวโน้มจะฆ่าตัวตายบนแท่นไม่ได้นำเสนอวิธีการหรือระบบที่เป็นมาตรฐานหรือที่ใช้กันอย่างแพร่หลาย – ส่วนหนึ่งเนื่องจากวิธีการที่ใช้ในการพัฒนาระบบเหล่านี้กำลังพัฒนาอย่างต่อเนื่อง เช่นเดียวกับความรู้ทางจิตวิทยาและจิตแพทย์ที่ให้ความเข้าใจเกี่ยวกับการใช้ AI ในการ giám sátนี้

เทคโนโลยีล้ำสมัย

ขณะนี้ มีการศึกษใหม่จากแคนาดาที่เสนอการกำหนดรูปแบบของการวิจัยนี้เป็น การประเมินความเสี่ยงการฆ่าตัวตาย (SRA) ในบริบทของการพยายามฆ่าตัวตายบนแท่นรถไฟ

นักวิจัยได้ร่วมมือกับหน่วยงานการขนส่งของมอนทรีออลเพื่อเข้าถึงวิดีโอการ giám sátของแท่นที่มีการพยายามฆ่าตัวตายจริง 66 ครั้ง

จากงานวิจัยใหม่ ซึ่งแสดงถึงผลลัพธ์ของการพยายามฆ่าตัวตายสองครั้ง โดยมีแผนที่ความร้อนของพื้นที่ที่มีความเสี่ยงบนแท่น แหล่งที่มา

แม้ว่าจะต้องแก้ไขปัญหาเรื่องความไม่สมดุลของชุดข้อมูลที่มีจำนวนการพยายามฆ่าตัวตายจริงที่จำกัด แต่นี่เป็นข้อมูลที่มีค่าและเป็นข้อมูลที่มีปริมาณที่ใช้ได้

โครงการนี้เป็นโครงการแรกที่รวมงานที่หลากหลายเข้าด้วยกันและสร้างเป็นแบบจำลอง และเป็นโครงการแรกที่สร้างมาตรฐานใหม่สำหรับการพยายามฆ่าตัวตายบนแท่นรถไฟ

ผู้เขียนระบุว่า:

‘ไม่เหมือนกับวิธีการที่มุ่งเน้นไปที่งานย่อยหรือพยายามคาดเดาเจตนาโดยตรง การกำหนดรูปแบบของเราคือการประเมินความเสี่ยงการฆ่าตัวตายจากหลักฐานที่สะสมโดยการรวมการตรวจจับบุคคล การรับรู้กิจกรรม การแบ่งส่วนเชิงความหมายของแท่น และการสร้างแบบจำลองความร้อนของเส้นทาง’

‘โดยการกำหนดรูปแบบ SRA เป็นงานที่ชัดเจนและสร้างมาตรฐานใหม่สำหรับระบบที่ทำงานได้ เราเน้นย้ำถึงความซับซ้อนของการประเมินความเสี่ยงการฆ่าตัวตายและเปิดโอกาสใหม่สำหรับการวิจัยเกี่ยวกับระบบ AI ที่สามารถอธิบายได้สำหรับสิ่งที่ดี’

งานวิจัยใหม่นี้มีชื่อเรื่องว่า การประเมินความเสี่ยงการฆ่าตัวตายจากวิดีโอการ giám sátที่ใช้ AI: แนวทางที่สามารถอธิบายได้สำหรับการป้องกันบนแท่นรถไฟ และเป็นผลงานของนักวิจัยสี่คนจาก Université TÉLUQ, Polytechnique Montréal และ Université du Québec à Montréal

วิธีการ

เฟรมเวิร์กของนักวิจัยวิเคราะห์วิดีโอการ giám sátแบบเรียลไทม์เพื่อสร้างคะแนนความเสี่ยงการฆ่าตัวตายที่อัปเดตอย่างต่อเนื่องสำหรับผู้โดยสารแต่ละคน บุคคลจะถูกตรวจจับ ติดตาม และแปลงเป็นรูปแบบที่เรียบง่ายของการวางท่าทาง

ระบบการประมวลผลสำหรับการประเมินความเสี่ยงการฆ่าตัวตายของผู้โดยสารจากวิดีโอการ giám sát โดยแสดงถึงวิธีการที่การตรวจจับ การประมาณการ การรับรู้กิจกรรม การแบ่งส่วนเชิงความหมาย และการสร้างแบบจำลองความร้อนของเส้นทางถูกใช้เพื่อแปลงการเคลื่อนไหวและพฤติกรรมของแต่ละบุคคลให้เป็นคะแนนความเสี่ยงที่อัปเดตอย่างต่อเนื่อง

แท่นจะถูกแบ่งออกเป็นโซนที่มีความหมาย โดยทำให้สามารถตรวจจับการเคลื่อนไหวระหว่างพื้นที่ต่าง ๆ ได้ เส้นทางของผู้โดยสารจะถูกฉายลงบนแผนที่ของแท่น ทำให้สามารถสร้างแผนที่ความร้อนของพื้นที่ที่มีความเสี่ยงได้

สุดท้าย ระบบจะอ้างอิงรูปแบบพื้นที่เหล่านี้กับพฤติกรรมที่สังเกตได้เพื่อสร้างการประเมินความเสี่ยงการฆ่าตัวตายสำหรับผู้โดยสารแต่ละคน – กระบวนการที่นักวิจัยเรียกว่า การอนุมานความเสี่ยง

นักวิจัยใช้การนำไปใช้ YOLOX ที่พรีเทรนเป็นตัวตรวจจับบุคคลสำหรับระบบของตน และพบว่าสถานะที่พรีเทรนสามารถใช้ได้โดยไม่ต้องมีการปรับแต่งใด ๆ ByteTrack ถูกใช้เพื่อจัดการการตรวจจับวัตถุหลายรายการ

บุคคลแต่ละคนจะถูกกำหนดให้มีโมเดล HRNet ที่พรีเทรนเพื่อประมาณการข้อต่อและจุดกึ่งกลางของร่างกายภายในกล่องที่กำหนดโดยการประมาณการข้อต่อเหล่านั้น

ตัวอย่างการประมาณการข้อต่อจาก HRNet ที่ใช้ในโครงการใหม่นี้ แหล่งที่มา

การวางท่าทางที่ประเมินจากวิดีโอบนแท่นจะถูกสร้างเป็นแผนที่สะสมที่กำหนดการเคลื่อนไหวทางประวัติศาสตร์

เฟรมเวิร์กใหม่นี้รวม STARR ซึ่งเป็นงานก่อนหน้าที่ออกแบบมาเพื่อประเมินความน่าจะเป็นของพฤติกรรมที่มีแนวโน้มจะฆ่าตัวตายบนแท่น

การประมาณการการวางท่าทางจาก STARR แหล่งที่มา

ในกรณีนี้ STARR ถูกใช้เพื่อตรวจจับสามการกระทำที่มีคำอธิบายด้วยตัวมันเอง: LookTunnel; Walk; และ Stand

เพื่อเพิ่มบริบทของสภาพแวดล้อม ระบบจะแบ่งพื้นที่ของแท่นออกเป็นโซนที่มีความหมายโดยใช้โมเดลการแบ่งส่วนเชิงความหมาย YOLOv8n ที่ได้รับการฝึกฝนจากภาพแท่นที่มีการบันทึกย่อโดยมือ

การแบ่งพื้นที่แท่น: กระบวนการโซนนิ่งที่ระบบใช้เพื่อแปลงพื้นที่ที่แบ่งออกเป็นสามโซนที่มีความหมาย

ผลลัพธ์ของการแบ่งส่วนนี้ถูกใช้เพื่อประมาณการขอบเขตของแท่นและกำหนดสามพื้นที่ที่ใช้งานได้: โซนที่อยู่ใกล้กับกำแพง โซนที่อยู่ใกล้กับเส้นเหลือง และโซนที่อยู่ใกล้กับทางเข้าอุโมงค์

โซนที่มีความหมายเหล่านี้ให้บริบทพื้นที่ที่จำเป็นสำหรับการระบุพฤติกรรมที่มีความเสี่ยงสูง ซึ่งรวมถึงการเคลื่อนไหวซ้ำ ๆ ระหว่างกำแพงและเส้นเหลือง และการเข้าสู่พื้นที่ที่อยู่ใกล้กับทางเข้าอุโมงค์

เมื่อรวมกับแผนที่ความร้อนของเส้นทางที่สร้างขึ้นก่อนหน้านี้ สัญญาณพื้นที่เหล่านี้จะถูกนำมาใช้ในการประเมินความเสี่ยงการฆ่าตัวตายสุดท้าย

น่าสนใจที่จะทราบว่าบทความนี้ชี้ให้เห็นว่าหนึ่งในลักษณะเด่นของการพยายามฆ่าตัวตายคือการ ทิ้งของไว้บนแท่น อย่างไรก็ตาม นักวิจัยไม่สามารถรวมสิ่งนี้เข้ากับโครงการในครั้งนี้ได้ และจะพิจารณาในงานวิจัยในอนาคต

แผนที่ความเสี่ยงของแท่น

แทนที่จะพึ่งพาพฤติกรรมของบุคคลเพียงคนเดียว เฟรมเวิร์กนี้ยังรวมแผนที่ความร้อนของเส้นทางจากกรณีที่มีความเสี่ยงหลายกรณีเพื่อสร้างแผนที่ความเสี่ยงของแท่นทั่วทั้งพื้นที่

การสร้างแผนที่ความเสี่ยงของแท่นจากการเคลื่อนไหวของผู้โดยสารที่มีความเสี่ยงหลายคน

พื้นที่ที่มีการเข้าพักอย่างต่อเนื่องจะปรากฏเป็นพื้นที่ที่มีความเสี่ยงสูง ในขณะที่พื้นที่ที่มีการเข้าพักไม่บ่อยหรือไม่ยาวนานจะยังคงเป็นพื้นที่ที่มีความเสี่ยงต่ำ คะแนนความเสี่ยงของตำแหน่งที่ได้รับนี้จะถูกนำมาใช้เป็นหนึ่งในปัจจัยในการประเมินความเสี่ยงการฆ่าตัวตายสุดท้าย

คะแนนความเสี่ยงสุดท้ายจะขึ้นอยู่กับแปดปัจจัยที่สะสมไว้: คะแนนความเสี่ยงของตำแหน่งที่ได้รับจากแผนที่ความร้อนของแท่น; การเดินหรือยืนบนเส้นเหลือง; จำนวนครั้งที่ข้ามเส้นเหลือง; เวลาทั้งหมดที่ใช้บนเส้นเหลือง; ระยะเวลาที่ไม่หยุดยั้งที่ใช้บนเส้นเหลือง; การเคลื่อนไหวซ้ำ ๆ ระหว่างกำแพงและเส้นเหลือง; การหันหน้าเข้าหาอุโมงค์; และการเข้าสู่พื้นที่ที่อยู่ใกล้กับทางเข้าอุโมงค์

สัญญาณพฤติกรรมและพื้นที่เหล่านี้จะถูกรวมกันโดยใช้ XGBoost เพื่อสร้างการประเมินความเสี่ยงการฆ่าตัวตายที่อัปเดตอย่างต่อเนื่องสำหรับผู้โดยสารแต่ละคน

ข้อมูลและทดสอบ

การทดสอบถูกดำเนินการโดยใช้วิดีโอการ giám sátที่จัดหาโดย Société de transport de Montréal (STM) ซึ่งประกอบด้วยการบันทึก 66 ครั้ง แต่ละครั้งบันทึกเป็นเวลา 5 นาที ก่อนที่จะเกิดการพยายามฆ่าตัวตายจริง พร้อมด้วยการบันทึก 56 ครั้งที่ไม่มีการพยายามฆ่าตัวตายจากกล้องเดียวกันในเวลาเดียวกัน

ด้วยความช่วยเหลือจากผู้เชี่ยวชาญด้านจิตวิทยาและพฤติกรรมที่มีแนวโน้มจะฆ่าตัวตาย ผู้โดยสารแต่ละคนจะถูกบันทึกย่อว่าเป็นกรณีที่มีความเสี่ยงหรือไม่ ทำให้เกิดชุดข้อมูลที่มีผู้โดยสาร 256 คน โดย 66 คนเกี่ยวข้องกับการพยายามฆ่าตัวตาย และ 190 คนอยู่ในกลุ่มควบคุม

เพื่อป้องกันการรั่วไหลของข้อมูล ผู้โดยสารทั้งหมดที่ถูกบันทึกจากวิดีโอเดียวกันจะถูกกำหนดให้อยู่ในกลุ่มเดียวกัน โดย 75% ของข้อมูลจะถูกใช้ในการฝึกอบรมและ 25% จะถูกเก็บไว้สำหรับการทดสอบ โดยรักษาสมดุลระหว่างกรณีที่มีความเสี่ยงและกลุ่มควบคุม

การจำแนกประเภท XGBoost ถูกฝึกอบรมเป็นเวลา 300 รอบ โดยมีอัตราการเรียนรู้ที่ 0.05 และการสุ่มตัวอย่างสำหรับทั้งกรณีการฝึกอบรมและคุณลักษณะ เพื่อปรับปรุงการสรุปผล เนื่องจากชุดข้อมูลมีกรณีควบคุมมากกว่ากรณีที่มีความเสี่ยงอย่างมาก กระบวนการฝึกอบรมจึงชดเชยโดยการกำหนดน้ำหนักเพิ่มเติมให้กับกรณีชนกลุ่มน้อย

ประสิทธิภาพถูกประเมินหลัก ๆ โดยใช้ พื้นที่ใต้เส้นโค้งการรับ-การปฏิเสธ (ROC-AUC) ซึ่งวัดความสามารถของระบบในการแยกแยะระหว่างกรณีที่มีความเสี่ยงและกลุ่มควบคุม

เมตริกเพิ่มเติมประกอบด้วย ความไว ซึ่งวัดการระบุกรณีที่มีความเสี่ยงอย่างถูกต้อง; ความจำเพาะ ซึ่งวัดการระบุกลุ่มควบคุมอย่างถูกต้อง; อัตราการเตือนเท็จ ซึ่งสะท้อนถึงการเตือนเท็จ (FPR); และ อัตราการตรวจไม่พบ ซึ่งสะท้อนถึงการตรวจไม่พบรายการ (FNR) ระดับการตัดสินใจที่ต่ำถูกนำมาใช้เพื่อจัดลำดับความสำคัญของการระบุกรณีที่มีความเสี่ยงในระยะแรก

ประสิทธิภาพของเฟรมเวิร์กการประเมินความเสี่ยงการฆ่าตัวตายภายใต้สี่การกำหนดค่า โดยเปรียบเทียบการกำหนดค่าที่ได้รับการช่วยเหลือจากข้อมูลจริง การกำหนดค่าสูงสุด และการกำหนดค่าแบบอัตโนมัติที่สมบูรณ์แบบทั่ว ROC-AUC ความไว ความจำเพาะ อัตราการเตือนเท็จ และอัตราการตรวจไม่พบ

ตามตารางผลลัพธ์เบื้องต้นด้านบน ระบบอัตโนมัติที่สมบูรณ์แบบบรรลุROC-AUC ที่ 0.832 ในขณะที่การแทนที่ส่วนประกอบการตรวจจับและติดตามอัตโนมัติด้วยการบันทึกย่อจากข้อมูลจริงเพิ่มประสิทธิภาพเป็น 0.919

การแทนที่เฉพาะส่วนการรับรู้กิจกรรมเพิ่มประสิทธิภาพเป็น 0.893 คะแนนสูงสุดที่ 0.924 ถูกได้รับเมื่อใช้การบันทึกย่อจากข้อมูลจริงสำหรับทั้งหมด ซึ่งบ่งชี้ว่าการตรวจจับ การติดตาม และการ추출สัญญาณต่าง ๆ ยังคงเป็นแหล่งที่มาหลักของข้อผิดพลาดในกระบวนการปัจจุบัน

การวิเคราะห์โมเดล XGBoost ที่ฝึกอบรมแล้วชี้ให้เห็นว่า การโต้ตอบโดยตรงกับเส้นเหลือง เป็นหนึ่งในตัวทำนายที่มีพลังมากที่สุดของความเสี่ยงที่เพิ่มขึ้น ตามด้วย จำนวน การข้ามเส้นเหลือง และการเคลื่อนไหวซ้ำ ๆ ระหว่างโซนของแท่น เวลาใช้บนเส้นเหลืองและคะแนนความเสี่ยงของตำแหน่งก็มีส่วนช่วยอย่างมีนัยสำคัญ ในขณะที่การมองเข้าหาอุโมงค์และการเข้าสู่พื้นที่ที่อยู่ใกล้กับทางเข้าอุโมงค์ให้สัญญาณเพิ่มเติม แต่น้อยกว่า

เมื่อกลับมาที่ผลลัพธ์เชิงคุณภาพที่แสดงไว้ข้างต้น เฟรมเวิร์กได้กำหนดคะแนนความเสี่ยงที่สูงให้กับบุคคลที่เกี่ยวข้องกับการพยายามฆ่าตัวตายในภายหลัง ในขณะที่กำหนดคะแนนความเสี่ยงที่ต่ำกว่าสำหรับผู้โดยสารที่อยู่ใกล้เคียงในกลุ่มควบคุม

ผลลัพธ์เชิงคุณภาพที่แสดงในงานวิจัย โดยแสดงถึงการคาดการณ์ของสองรูปภาพจากข้อมูลการ giám sát พร้อมด้วยแผนที่ความร้อนเพื่อแสดงการอยู่และกิจกรรมอื่น ๆ บนแท่น

ในกรณีหนึ่ง คะแนนความเสี่ยงที่ 0.98 ถูกเชื่อมโยงกับการมีอยู่ที่ยาวนานบนเส้นเหลืองและพื้นที่ที่ระบุว่ามีความเสี่ยงสูงโดยแผนที่ความร้อนของตำแหน่ง ในอีกกรณีหนึ่ง บุคคลที่มีความเสี่ยงได้รับคะแนน 0.92 ในขณะที่ผู้โดยสารที่อยู่ใกล้เคียงในกลุ่มควบคุมได้รับคะแนนการประเมินที่ต่ำกว่ามาก

ตามที่นักวิจัยระบุ ความแตกต่างเหล่านี้เกิดขึ้นจากการสะสมของหลายสัญญาณ ไม่ใช่พฤติกรรมเดียว การข้ามเส้นเหลืองซ้ำ ๆ การหันหน้าเข้าหาอุโมงค์ และการอยู่ในพื้นที่ที่มีความเสี่ยงสูงบนแท่น ล้วนเป็นส่วนช่วยให้เกิดการประเมินความเสี่ยงที่สูงขึ้น

นักวิจัยสรุปว่า:

‘นอกเหนือจากประสิทธิภาพแล้ว การศึกษาของเรายังเน้นย้ำถึงความสามารถในการอธิบาย โดยแสดงให้เห็นว่าการประเมินความเสี่ยงถูกขับเคลื่อนด้วยตัวชี้วัดที่สอดคล้องกับปัจจัยความเสี่ยงพฤติกรรมและพื้นที่ที่เป็นที่ยอมรับ’

‘โครงการที่เราเสนอเป็นสะพานเชื่อมที่มีความหมายระหว่างระบบการ giám sát AI และการวิจัยเชิงวิชาการเกี่ยวกับการป้องกันการฆ่าตัวตาย’

สรุป

ในเรื่องส่วนตัว เป็นการปลอบใจที่จะพบว่ามีงานวิจัย AI ที่มีค่าและไม่น่าจะสร้างปฏิกิริยาที่รุนแรงในบางส่วนของประชากร เนื่องจากเป็นเรื่องที่ยากที่จะโต้แย้งคุณค่าของวัตถุประสงค์เบื้องหลังโครงการประเภทนี้

ในทางปฏิบัติ พื้นที่ที่ครอบคลุมโดยหัวของผู้โดยสารที่อยู่ภายใต้การ giám sátในสถานการณ์นี้มีขนาดเล็กมาก และพื้นที่ทั้งหมดที่ครอบคลุมโดยบุคคลทั้งหมดบนจอแสดงผลก็มีขนาดเล็กเช่นกัน ทำให้ยากที่จะบอกว่าบุคคลนั้นกำลังมองไปที่อุโมงค์บ่อย ๆ ซึ่งเป็นหนึ่งในสัญญาณที่บ่งบอกถึงการพยายามฆ่าตัวตายบนรางรถไฟ

เหมือนกับโครงการอื่น ๆ ที่เกี่ยวข้องกับโครงสร้างพื้นฐานการ giám sát สิ่งนี้ดูเหมือนจะเป็นปัญหาเรื่องความละเอียดและทรัพยากร: หากมีกล้องเพิ่มเติมที่ชิดกันมากขึ้นเพื่อปกคลุมแท่น รวมถึงกล้องที่ครอบคลุมทางออกอุโมงค์ (เช่น มุมมองของอุโมงค์ที่รถไฟเข้ามา) ก็จะมีโอกาสที่จะใช้เฟรมเวิร์กที่พัฒนาอย่างต่อเนื่องเกี่ยวกับทิศทางมอง

สุดท้าย ปัญหาก็คือเรื่องงบประมาณ หากแท่นทุกแห่งมีการติดตั้งรั้วและประตู – ซึ่งปรากฏไม่บ่อยนักในสถานีรถไฟใต้ดินลอนดอนและเครือข่ายรถไฟใต้ดินในเมืองอื่น ๆ ทั่วโลก – แท่นเหล่านั้นก็จะไม่มีโอกาสให้เกิดการทำร้ายตนเอง

แน่นอนว่าการเพิ่มการ giám sátเป็นตัวเลือกที่ถูกกว่า และการระบุอาการที่บ่งบอกถึงการทำร้ายตนเองในระยะแรกอาจทำให้สามารถดำเนินการได้ทันทีก่อนที่จะเกิดโศกนาฏกรรม

เผยแพร่ครั้งแรกวันที่ 9 มิถุนายน 2026