การตรวจสอบการเมาโดยใช้การวิเคราะห์เครื่องมือจิตวิทยาของดวงตา

นักวิจัยจากเยอรมนีและชิลีได้พัฒนาเฟรมเวิร์กการเรียนรู้ของเครื่องจิตวิทยาใหม่ที่สามารถประเมินได้ว่าบุคคลนั้นเมาหรือไม่ โดยอาศัยภาพดวงตาที่ถ่ายจากอินฟราเรด

การวิจัย นี้ มีเป้าหมายในการพัฒนา ‘ความพร้อมในการปฏิบัติงาน’ ระบบแบบเรียลไทม์ที่สามารถประเมินความพร้อมของบุคคลในการปฏิบัติงานที่สำคัญ เช่น การขับรถหรือการควบคุมเครื่องจักร และใช้เครื่องมือตรวจจับวัตถุใหม่ที่สามารถแยกส่วนประกอบของดวงตาของบุคคลจากภาพเดียวและประเมินผลกับฐานข้อมูลที่มีภาพดวงตาของบุคคลที่เมาและไม่เมา

You Only Look Once (YOLO) individuates the subject’s eyes, after which the framework separates the instances and performs segmentation to break the eye image down into its constituent parts. Source: https://arxiv.org/pdf/2106.15828.pdf

ในตอนแรก ระบบจะบันทึกและแยกภาพดวงตาของบุคคลโดยใช้เฟรมเวิร์กการตรวจจับวัตถุ You-Only-Look-Once (YOLO) หลังจากนั้น จะใช้เครือข่ายที่ได้รับการปรับให้เหมาะสมสองเครือข่ายเพื่อแบ่งภาพดวงตาออกเป็นภูมิภาคเชิงความหมาย – เครือข่าย Criss Cross attention (CCNet) ที่เผยแพร่ในปี 2020 โดยมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีฮัวจง และอัลกอริทึมการแบ่งส่วน DenseNet10 ที่พัฒนาโดยนักวิจัยบางคนจากชิลี

Segmentation obtained from near infra-red eye images. Source: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

ทั้งสองอัลกอริทึมใช้พารามิเตอร์ 122,514 และ 210,732 พารามิเตอร์ตามลำดับ – ซึ่งเป็นการใช้พารามิเตอร์ที่ประหยัดมากเมื่อเทียบกับชุดคุณลักษณะที่ใหญ่กว่าในแบบจำลองที่คล้ายกัน และไม่ตามแนวโน้มทั่วไปในการใช้ปริมาณข้อมูลที่สูงกว่าในเฟรมเวิร์กการเรียนรู้ของเครื่องจิตวิทยา

ฐานข้อมูลของคนเมา

เพื่อให้เฟรมเวิร์กการเรียนรู้ของเครื่องจิตวิทยาสามารถทำงานได้ นักวิจัยได้พัฒนาฐานข้อมูลที่มีภาพดวงตาของบุคคลที่เมา 266 คน และบุคคลที่ไม่เมา 765 คน

Samples from the obtained database of intoxicated and non-intoxicated subjects.

บุคคลที่เข้าร่วมการทดลองจะต้องยืนตรงหน้ากล้อง Iritech สองตัว ชุด Gemini/Venus เพื่อเผชิญหน้ากับอุปกรณ์และถูกบันทึกภาพในขณะที่ไม่เมา หลังจากนั้น พวกเขาจะดื่มแอลกอฮอล์ 200 มิลลิลิตร และถูกบันทึกภาพอีกครั้งทุกๆ 15 นาที เมื่อระดับแอลกอฮอล์ในเลือดเพิ่มขึ้น จนกระทั่งถึงเซสสั่นสุดท้ายหลังจากดื่มแอลกอฮอล์ 60 นาที

สิ่งนี้ทำให้ได้ภาพ 21,309 ภาพ ซึ่งถูกบันทึกโดยใช้ไลบรารี Python imgaug

การเตรียมข้อมูลสำหรับโลกแห่งความเป็นจริง

ไม่ใช่กระบวนการทำงานที่มีการใช้เครื่องจิตวิทยาแบบอัตโนมัติสูง แม้ว่าจะใช้เครื่องมือที่ทันสมัยก็ตาม – การบันทึกภาพดวงตาด้วยมือถูกอธิบายโดยนักวิจัยว่าเป็น “กระบวนการที่ต้องการความพยายามและเวลามาก” และใช้เวลา “มากกว่าหนึ่งปี”

ข้อมูลถูกเพิ่มข้อมูลโดยใช้วิธีการที่ออกแบบมาเพื่อลดคุณภาพและทดสอบระบบ โดยจำลองสภาพแวดล้อมในโลกแห่งความเป็นจริง รวมถึงหิมะ ลมพายุ และผลกระทบของฝน นอกจากนี้ การใช้การบันทึกภาพด้วยอินฟราเรดยังช่วยลดความจำเป็นในการมีแสงสว่างที่เหมาะสม ซึ่งไม่สามารถรับประกันได้ในสถานการณ์จริง

การทำงานอย่างหนักนี้สุดท้ายก็ส่งผลให้ได้ความแม่นยำ 98.60% ในการบันทึกภาพและแบ่งส่วนดวงตา

Iris segmentation with the least-means-squared method.

การทดสอบ

เฟรมเวิร์กการแบ่งส่วนถูกทดสอบด้วยแพลตฟอร์ม 5 แพลตฟอร์ม: Osiris, DeepVOG, DenseNet10 (ดูข้างบน), CCNet (ดูข้างบน) และ Grand-Mean ในทุกกรณี การวิเคราะห์แสดงผลลัพธ์ที่ประสบความสำเร็จในการสอดคล้องกับการขยายตัวของม่านตาและระดับการเมา แม้ว่าการใช้วิธีการแบบผสมผสานโดยใช้ DenseNet และ CCNet จะเป็นวิธีที่มีประสิทธิภาพที่สุด

นักวิจัยคาดหวังว่างานของพวกเขาสามารถรวมเข้ากับเซ็นเซอร์ดวงตาที่ใช้อินฟราเรดมาตรฐานได้ในอนาคต และชี้ให้เห็นว่าการสร้างฐานข้อมูลดวงตาที่เมาเป็นผลประโยชน์ที่น่าจะเกิดขึ้นในภาคการวิจัยชีวมิตินี้

การตรวจสอบการเมาและการทดสอบดวงตาของผู้บริโภคและอุตสาหกรรม

การวิจัยใหม่นี้สร้างขึ้นจากผลงานวิจัยก่อนหน้านี้ที่มีชื่อเสียง รวมถึงงานวิจัยในปี 2015 ของนักวิจัยจากบราซิลและสหรัฐอเมริกา ซึ่งเสนอวิธีการที่เป็นระบบและเป็นเหตุเป็นผลในการประเมินการเมาโดยใช้การตอบสนองของม่านตา นักวิจัยในงานวิจัยนั้นพบว่าแอลกอฮอล์ลดประสิทธิภาพของสมองและทำให้การมองเห็นในเวลากลางคืนลดลง 25% และการตอบสนองลดลง 30% โดยมีระดับความรุนแรงที่แตกต่างกันไปตามระดับการทนต่อแอลกอฮอล์ของแต่ละบุคคล

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

ปัญหาหลักในการแพร่กระจายเทคโนโลยีเหล่านี้คือความสามารถในการพกพา ตั้งแต่ปี 2003 บริษัทวิจัยจากสหราชอาณาจักร Hampton Knight เสนอ ระบบสำหรับการประเมินการเมาโดยใช้การวิเคราะห์ดวงตา – แม้ว่าจะมีราคา 10,000 ปอนด์สเตอร์ลิงในขณะนั้น

การศึกษาที่ไม่ได้รับการเผยแพร่ในปี 2012 พบ ความเป็นไปได้ในการใช้เทคนิคการเรียนรู้ของเครื่องจิตวิทยาแบบเป็นระบบเพื่อสร้างคะแนนการเมาโดยใช้ภาพดวงตา แม้ว่าจะมีความสำเร็จน้อยกว่าการวิจัยในปัจจุบัน การศึกษานั้นยังให้ข้อมูลที่มีคุณค่า (IITD Iris Under Alcohol Influence) เพื่อเพิ่มเข้าไปในงานวิจัยในด้านนี้

อย่างไรก็ตาม การพัฒนาล่าสุดในด้านการประมวลผลข้อมูลแบบเอดจ์และการเพิ่มประสิทธิภาพของฮาร์ดแวร์การเรียนรู้ของเครื่องจิตวิทยาแบบมือถือเปิดโอกาสให้สามารถใช้งานแบบพกพาได้มากขึ้น รวมถึงเซ็นเซอร์ในรถยนต์ที่สามารถเพิ่มการตรวจสอบดวงตาให้กับวิธีการปัจจุบันที่น่าสนใจสำหรับเฟรมเวิร์ก Driver Alcohol Detection System for Safety (DADSS) ที่กำลังพัฒนาในสหรัฐอเมริกา – ซึ่งจนถึงปัจจุบันใช้เซ็นเซอร์แอลกอฮอล์บนผิวหนังและการประเมินอากาศในรถยนต์สำหรับไอแอลกอฮอล์

รายงานในปี 2020 พบ ว่าการนำเทคโนโลยีประเภทนี้ไปใช้สามารถช่วยชีวิตได้ 11,000 คนต่อปีในสหรัฐอเมริกาเพียงอย่างเดียว