Sarhoşluğu Gözlerin Makine Öğrenimi Analizi ile Belirleme

Almanya ve Şili’den araştırmacılar, bir kişinin sarhoş olup olmadığını değerlendirebilen bir makine öğrenimi çerçevesi geliştirdiler. Bu çerçeve, gözlerin yakın kızılötesi görüntülerini kullanıyor.

Araştırma, ‘görev için uygunluk’ gerçek zamanlı sistemlerin geliştirilmesine yönelikti. Bu sistemler, bir bireyin kritik görevleri yerine getirmeye hazır olup olmadığını değerlendirebiliyor. Örneğin, araç kullanma veya makine operasyonu gibi görevler için. Araştırmacılar, bir göz algılayıcısı ve bir gözü bölen iki optimize edilmiş ağ kullanarak, göz görüntülerini anlamlı bölgelere ayırabiliyorlar.

You Only Look Once (YOLO) gözleri ayırt ediyor, ardından çerçeve örnekleri ayırıyor ve segmentasyon yapıyor.. Kaynak: https://arxiv.org/pdf/2106.15828.pdf

Sistem ilk olarak her gözün görüntüsünü yakalıyor ve You-Only-Look-Once (YOLO) nesne algılama çerçevesi ile gözleri ayırt ediyor. Ardından, iki optimize edilmiş ağ kullanılıyor: 2020 yılında Huazhong Üniversitesi Bilim ve Teknoloji Enstitüsü tarafından yayınlanan Criss Cross dikkat ağı (CCNet) ve Şili’deki araştırmacılar tarafından geliştirilen DenseNet10 segmentasyon algoritması.

Yakın kızılötesi göz görüntülerinden elde edilen segmentasyon. Kaynak: https://www.researchgate.net/publication/346903035_Towards_an_Efficient_Segmentation_Algorithm_for_Near-Infrared_Eyes_Images#pf6

Bu iki algoritma, yalnızca 122.514 ve 210.732 parametre kullanıyor. Bu, benzer modellerdeki daha büyük özelliklere kıyasla cimri bir harcama ve daha yüksek veri hacmine yönelik genel eğilime aykırı.

Sarhoşluk Veritabanı

Araştırmacılar, makine öğrenimi çerçevesini bilgilendirmek için 266 sarhoş ve 765 ayık kişi içeren bir veritabanı geliştirdiler.

Sarhoş ve ayık kişilerden elde edilen veritabanı örnekleri.

Katılımcılar, iki Iritech kamera önünde durmaları, cihaza bakmaları ve kaydedilmeleri gerekiyordu. Ardından, 200 ml alkol tükettiler ve kan alkollü seviyeleri yükseldikçe 15 dakikalık aralıklarla yeniden kaydedildiler.

Bu, 21.309 görüntü üretti ve bu görüntüler Python kütüphanesi imgaug kullanılarak etiketlendi.

Verilerin Gerçek Dünyaya Hazırlanması

Bu iş akışı, kullanılan gelişmiş araçlara rağmen, otomatik değildi. Araştırmacılar, göz görüntülerinin elle etiketlenmesinin “çok zor ve zaman alan bir süreç” olduğunu belirttiler ve bu iş bir yılı aşkın bir süre aldı.

Veriler, sistemin gerçek dünya koşullarını simüle etmek için çeşitli yöntemlerle zenginleştirildi. Bu yöntemler arasında kar taneleri, Poisson gürültüsü (düşük ışık sensör bozulmasını simüle etmek için), bulanıklaşma, leke ve yağmur efektleri bulunuyordu. Ayrıca, kızılötesi görüntü kullanımı, ideal aydınlatma koşullarının garantilenmesini gerektirmedi.

Bu zorlu çalışma sonunda, göz yakalama ve segmentasyon için %98,60’lık bir doğruluk seviyesine ulaşıldı.

En küçük kareler iris segmentasyonu.

Test Edilmesi

Segmentasyon çerçevesi, beş platformda test edildi: Osiris, DeepVOG, DenseNet10, CCNet ve Grand-Mean. Tüm durumlarda, analiz, göz bebeklerinin büyümesi ile sarhoşluk seviyesi arasında başarılı sonuçlar gösterdi. Ancak, DenseNet ve CCNet’i birleştiren bir yaklaşım en etkili yöntem oldu.

Araştırmacılar, çalışmalarının sonunda, bir standart NIR iris sensörüne entegre edilebileceğini ve sarhoş göz veritabanının bu biyometrik araştırma alanına önemli bir katkı olabileceğini öngörüyorlar.

Tüketici ve Endüstriyel Sarhoşluk Testi Göz Değerlendirmesi

Bu yeni araştırma, Brezilya ve ABD’deki araştırmacıların 2015 yılında yayınladıkları bir çalışmaya dayanıyor. Bu çalışmada, göz bebeklerinin tepkisine dayalı sistemli ve mantıksal bir sarhoşluk değerlendirme yöntemi önerildi. Araştırmacılar, alkolün beyin verimliliğini azalttığını ve gece görüşünü %25, tepki süresini %30 oranında bozduğunu gözlemlediler.

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

Bu tür teknolojilerin yaygınlaşması için temel sorun, taşınabilirlik. 2003 yılında, UK araştırma şirketi Hampton Knight, göz analizi ile sarhoşluk değerlendirmesi için bir sistem sunmuştu, ancak o zamanlar bu sistem 10.000 sterlin maliyetiyle oldukça pahalıydı.

2012 yılında yapılan bir ön çalışma, New Delhi ve ABD’den araştırmacılar tarafından yürütüldü ve göz görüntülerinden sarhoşluk puanı elde etme olasılığını araştırdı. Bu çalışma, bu alanda önemli bir veri seti (IITD Iris Under Alcohol Influence) sağladı.

Ancak, kenar işlem ve optimize mobil makine öğrenimi donanım kaynaklarındaki recent gelişmeler, sarhoşluk öncesi kontroller için daha taşınabilir uygulamaları mümkün kılıyor. Örneğin, araç içi sensörler, mevcut yöntemlere iris kontrollerini ekleyerek, ABD’de geliştirilen Sürücü Alkol Tespit Sistemi Güvenlik (DADSS) çerçevesine entegre edilebilir.

2020 yılında yapılan bir rapor, bu tür teknolojilerin benimsenmesinin ABD’de yılda 11.000 hayat kurtarabileceğini tahmin ediyor.