Suicide Risk Assessment from AI-powered Video Surveillance: An Interpretable Framework for Prevention in Metro Stations

Résumé Technique : Évaluation du Risque de Suicide par Vidéosurveillance Pilotée par l'IA

Définition du Problème
L'article aborde le défi de l'Évaluation du Risque de Suicide (ERS) dans les stations de métro en utilisant une vidéosurveillance continue. Bien que les systèmes basés sur la vision existants reposent souvent sur des indices visuels simples (par exemple, franchir les barrières de sécurité) ou sur une observation humaine continue, ces méthodes détectent fréquemment les incidents trop tard pour une prévention efficace ou souffrent de la fatigue humaine. Le problème central est de dépasser la détection d'événements isolés ou l'inférence directe de l'intention. Au lieu de cela, les auteurs définissent l'ERS comme une tâche nécessitant le raisonnement conjoint du comportement individuel des passagers, du contexte spatial et des dynamiques temporelles. L'objectif est d'évaluer un score de risque variant dans le temps pour chaque passager, basé sur l'accumulation d'indices comportementaux et spatiaux observables, plutôt que d'établir un diagnostic clinique d'intention suicidaire.

Méthodologie : Le Cadre ERS
Les auteurs proposent le Cadre ERS, le premier pipeline interprétable conçu pour évaluer le risque de suicide en agrégeant des preuves au fil du temps. Le cadre fonctionne via un pipeline unifié composé de cinq modules séquentiels :

1. Détection, Suivi et Estimation de la Pose Humaine :

   • Utilise un détecteur YOLOx préentraîné pour identifier les classes « personne ».
   • Emploie ByteTrack pour le suivi multi-objets dans l'espace image.
   • Applique HRNet pour extraire les points clés du corps en 2D dans les boîtes englobantes.
   • Projette les positions suivies dans un système de coordonnées référencé au quai en utilisant une matrice d'homographie, permettant une analyse spatiale cohérente dans le temps.

2. Reconnaissance de l'Activité Humaine :

   • Utilise SSTAR, un modèle de reconnaissance d'actions spatio-temporelles basé sur le squelette, préentraîné sur l'ensemble de données ARMM.
   • Détecte spécifiquement trois actions de passagers : 'RegarderTunnel', 'Marcher' et 'SeTenir'.
   • Ces étiquettes sont pondérées par leur contexte spatial et leur durée.

3. Sémantique du Quai et Construction des Zones :

   • Utilise YOLOv8n pour la segmentation sémantique afin de partitionner le quai en zones spatiales pertinentes basées sur une consultation d'experts :
     • Zone A (Proximité Murale) : Près du mur du quai.
     • Zone B (Proximité Ligne Jaune) : La zone de sécurité de transition.
     • Zone C (Zone Extrême) : La zone immédiatement adjacente au tunnel/bord.
   • Cette modélisation géométrique permet la détection de motifs spécifiques comme les mouvements d'aller-retour entre le mur et la ligne jaune.

4. Génération de la Carte Thermique de Risque de Position :

   • Génère des cartes thermiques individuelles par accumulation de densité et lissage gaussien des points de trajectoire 2D.
   • Agrège ces cartes en une Carte Thermique de Risque de Position globale ($H(x,y)$) en moyennant les trajectoires d'individus connus à risque. Cela capture les motifs spatiaux partagés et les facteurs environnementaux persistants.

5. Évaluation du Risque de Suicide (Inférence) :

   • Extrait huit indicateurs de risque interprétables pour chaque individu $p$ sur une fenêtre temporelle $W_t$ :
     1. Score de Risque de Position ($PR_p$)
     2. Marche/Stationnement sur la ligne jaune ($Cr_p$)
     3. Nombre de franchissements de la ligne jaune ($NCr_p$)
     4. Temps passé sur la ligne jaune ($TY_p$)
     5. Segment continu le plus long sur la ligne jaune ($LY_p$)
     6. Nombre d'aller-retours entre le mur et la ligne jaune ($BF_p$)
     7. Action RegarderTunnel ($LT_p$)
     8. Entrée dans la zone extrême ($E_p$)
   • Ces indicateurs forment un vecteur de caractéristiques alimentant un modèle supervisé XGBoost pour produire un score de risque continu $R_p \in [0, 1]$.

Contributions Clés

1. Formalisation de l'ERS : Le travail définit l'ERS comme une tâche computationnelle distincte axée sur l'évaluation des niveaux de risque basée sur des preuves comportementales et spatiales accumulées, plutôt que sur la prédiction de l'intention ou l'étiquetage des individus.
2. Pipeline Interprétable : Les auteurs introduisent le premier cadre de bout en bout intégrant le suivi, la reconnaissance d'activité, la segmentation sémantique et la modélisation du risque pour produire des évaluations continues au niveau individuel, sans recourir à des indices d'apparence ou des attributs personnels.
3. Alignement avec les Résultats Interdisciplinaires : Les indicateurs de risque sont explicitement dérivés d'études psychologiques et comportementales antérieures (par exemple, Mishara et al.), garantissant que le système reflète des modèles établis tels que le pacing répété et la présence prolongée près du bord du quai.
4. Évaluation en Conditions Réelles : Le cadre est évalué sur des données de vidéosurveillance réelles et éthiquement approuvées provenant d'un système de métro canadien, fournissant à la fois des métriques de performance quantitatives et des analyses d'interprétabilité qualitatives.

Résultats Expérimentaux
Le cadre a été évalué sur un ensemble de données comprenant 66 enregistrements vidéo « à risque » (avant tentative) et 56 enregistrements « témoins », générant 256 instances individuelles (66 à risque, 190 témoins).

• Performance : La configuration entièrement automatique a atteint un ROC-AUC de 83,2 % ($\pm 0,095$).
• Sensibilité/Spécificité : À un seuil fixe de 0,2 (choisi pour favoriser la détection précoce), le système a atteint une sensibilité de 63,1 % et une spécificité de 90,2 %.
• Analyse de la Limite Supérieure : Lorsque les modules de détection/suivi et de reconnaissance d'activité ont été remplacés par des annotations de vérité terrain, le ROC-AUC est passé à 91,9 % et 89,3 % respectivement, indiquant que les erreurs dans les modules de perception précoce contribuent de manière significative à l'écart de performance.
• Interprétabilité : L'analyse de l'importance des caractéristiques (via XGBoost et les valeurs SHAP) a confirmé que les indicateurs liés à l'interaction directe avec la ligne jaune (franchissement, temps passé, mouvement d'aller-retour) étaient les prédicteurs les plus dominants, s'alignant sur la recherche comportementale antérieure.

Signification et Revendications
L'article revendique que sa signification principale réside dans le comblement du fossé entre la vidéosurveillance basée sur l'IA et la recherche interdisciplinaire en prévention du suicide. En formalisant l'ERS comme un problème d'évaluation de risque à long terme et conscient du contexte, le cadre va au-delà de la simple détection d'anomalies ou des alertes d'intrusion. Les auteurs soulignent que le système est conçu pour être interprétable, permettant aux opérateurs humains de comprendre pourquoi un score de risque est élevé (par exemple, en raison de motifs spatiaux spécifiques et d'une persistance temporelle) plutôt que de s'appuyer sur une prédiction de « boîte noire ». Cette approche vise à soutenir les opérateurs humains dans la surveillance en temps réel tout en respectant les contraintes éthiques, évitant l'inférence d'états psychologiques ou l'utilisation d'attributs personnels. Le travail met en lumière la complexité de l'évaluation du risque de suicide et ouvre de nouvelles directions pour le développement de systèmes d'IA interprétables au service du bien social.