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

Technische Samenvatting: Zelfmoordrisico-evaluatie met AI-gestuurde videobewaking

Probleemdefinitie
Het artikel behandelt de uitdaging van Zelfmoordrisico-evaluatie (ZRE) in metrostations met behulp van continue videobewaking. Waar bestaande op visie gebaseerde systemen vaak vertrouwen op eenvoudige visuele aanwijzingen (bijvoorbeeld het oversteken van veiligheidsbarrières) of continue menselijke observatie, detecteren deze methoden incidenten vaak te laat voor effectieve preventie of lijden ze aan menselijke vermoeidheid. Het kernprobleem is om voorbij te gaan aan geïsoleerde gebeurtenisdetectie of directe intentie-inferentie. In plaats daarvan definiëren de auteurs ZRE als een taak die gezamenlijk redeneren vereist over individueel passagiersgedrag, ruimtelijke context en temporele dynamiek. Het doel is om een tijdvariërend risicoscore te beoordelen voor elke passagier op basis van de accumulatie van waarneembare gedrags- en ruimtelijke aanwijzingen, in plaats van een klinische diagnose van zelfmoordintentie te stellen.

Methodologie: Het ZRE-Framework
De auteurs stellen ZRE-Framework voor, de eerste interpreteerbare pijplijn die is ontworpen om zelfmoordrisico te beoordelen door bewijs over tijd te aggregeren. Het framework werkt via een geünificeerde pijplijn bestaande uit vijf sequentiële modules:

1. Mensdetectie, Tracking en Pose-schatting:

   • Gebruikt een vooraf getrainde YOLOx-detector om klassen van "persoon" te identificeren.
   • Past ByteTrack toe voor multi-object tracking in beeldruimte.
   • Past HRNet toe om 2D-lichaamspunten binnen binnenvlakken te extraheren.
   • Projecteert getrackte posities in een platform-referentiekooördinatenstelsel met behulp van een homografiematrix, waardoor consistente ruimtelijke analyse over tijd mogelijk wordt.

2. Menselijke Activiteitsherkenning:

   • Gebruikt SSTAR, een skeletgebaseerd spatio-temporeel actieherkenningsmodel dat is vooraf getraind op het ARMM-dataset.
   • Detecteert specifiek drie passagiersacties: 'KijkTunnel', 'Loop' en 'Sta'.
   • Deze labels worden gewogen op basis van hun ruimtelijke context en duur.

3. Platformsemantiek en Zoneconstructie:

   • Gebruikt YOLOv8n voor semantische segmentatie om het platform te partitioneren in relevante ruimtelijke zones op basis van deskundigenconsultatie:
     • Zone A (Muur-nabij): Dicht bij de platformmuur.
     • Zone B (Gele-Lijn Nabij): De overgangsveiligheidszone.
     • Zone C (Verre-Einde Zone): Het gebied direct grenzend aan de tunnel/rand.
   • Deze geometrische modellering maakt detectie van specifieke patronen mogelijk, zoals heen-en-weer bewegen tussen de muur en de gele lijn.

4. Generatie van Positierisico-heatmaps:

   • Genereert individuele heatmaps via dichtheidsaccumulatie en Gaussische smoothing van 2D-trajectpunten.
   • Aggregeert deze tot een globale Positierisico-heatmap ($H(x,y)$) door trajecten van bekende risicopersonen te middelen. Dit vangt gedeelde ruimtelijke patronen en aanhoudende omgevingsfactoren op.

5. Zelfmoordrisico-evaluatie (Inferentie):

   • Extrahert acht interpreteerbare risicofactoren voor elke individu $p$ over een temporeel venster $W_t$:
     1. Positierisicoscore ($PR_p$)
     2. Loop/Sta op de gele lijn ($Cr_p$)
     3. Aantal gele lijnoverstekingen ($NCr_p$)
     4. Tijd doorgebracht op de gele lijn ($TY_p$)
     5. Langste continue segment op de gele lijn ($LY_p$)
     6. Aantal heen-en-weer bewegingen tussen muur en gele lijn ($BF_p$)
     7. KijkTunnel-actie ($LT_p$)
     8. Betreding van de verre-einde zone ($E_p$)
   • Deze indicatoren vormen een featurevector die wordt ingevoerd in een XGBoost-supervised model om een continue risicoscore $R_p \in [0, 1]$ te produceren.

Belangrijkste Bijdragen

1. Formalisatie van ZRE: Het werk definieert ZRE als een distinct computatieel taak gericht op het beoordelen van risiconiveaus op basis van geaccumuleerd gedrags- en ruimtelijk bewijs, in plaats van intentie te voorspellen of individuen te labelen.
2. Interpreteerbare Pijplijn: De auteurs introduceren het eerste end-to-end framework dat tracking, activiteitsherkenning, semantische segmentatie en risicomodellering integreert om continue, individuele beoordelingen te produceren zonder te vertrouwen op uiterlijke kenmerken of persoonlijke attributen.
3. Aansluiting bij Interdisciplinaire Bevindingen: De risicofactoren zijn expliciet afgeleid uit eerdere psychologische en gedragsstudies (bijvoorbeeld Mishara et al.), waardoor het systeem gevestigde patronen weerspiegelt, zoals herhaaldelijk heen-en-weer lopen en langdurige aanwezigheid nabij de platformrand.
4. Evaluatie in de Reële Wereld: Het framework is geëvalueerd op ethisch goedgekeurde, real-world bewakingsdata van een Canadees metrosysteem, wat zowel kwantitatieve prestatie-indicatoren als kwalitatieve interpreteerbaarheidsanalyses oplevert.

Experimentele Resultaten
Het framework is geëvalueerd op een dataset bestaande uit 66 "risicovolle" video-opnames (voor de poging) en 56 "controle"-opnames, resulterend in 256 individuele instanties (66 risicovol, 190 controle).

• Prestatie: De volledig automatische configuratie behaalde een ROC-AUC van 83,2% ($\pm 0,095$).
• Sensitiviteit/Specificiteit: Bij een vaste drempelwaarde van 0,2 (gekozen om vroege detectie te bevorderen), behaalde het systeem een sensitiviteit van 63,1% en een specificiteit van 90,2%.
• Bovenste Grensanalyse: Toen de detectie/tracking- en activiteitsherkenningmodules werden vervangen door ground-truth annotaties, verbeterde de ROC-AUC respectievelijk tot 91,9% en 89,3%, wat aangeeft dat fouten in vroege perceptiemodules significant bijdragen aan de prestatiekloof.
• Interpreteerbaarheid: Feature-importante analyse (via XGBoost en SHAP-waarden) bevestigde dat indicatoren gerelateerd aan directe interactie met de gele lijn (oversteken, tijd doorgebracht, heen-en-weer bewegen) de meest dominante voorspellers waren, in overeenstemming met eerdere gedragsresearch.

Betekenis en Claims
Het artikel claimt dat de primaire betekenis ligt in het overbruggen van de kloof tussen AI-gestuurde bewaking en interdisciplinair zelfmoordpreventieonderzoek. Door ZRE te formaliseren als een contextbewust, langetermijnrisico-evaluatieprobleem, gaat het framework voorbij aan eenvoudige anomaliedetectie of inbraakalarmering. De auteurs benadrukken dat het systeem is ontworpen om interpreteerbaar te zijn, waardoor menselijke operators kunnen begrijpen waarom een risicoscore hoog is (bijvoorbeeld vanwege specifieke ruimtelijke patronen en temporele persistentie) in plaats van te vertrouwen op een "black box"-voorspelling. Deze aanpak beoogt menselijke operators te ondersteunen bij real-time monitoring terwijl ethische beperkingen worden nageleefd, waarbij inferentie van psychologische toestanden of het gebruik van persoonlijke attributen wordt vermeden. Het werk benadrukt de complexiteit van zelfmoordrisico-evaluatie en opent nieuwe richtingen voor het ontwikkelen van interpreteerbare AI-systemen voor maatschappelijk nut.