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

技术摘要：基于人工智能视频监控的自杀风险评估

问题定义
本文探讨了在地铁站利用连续监控视频进行自杀风险评估（SRA）的挑战。现有的基于视觉的系统通常依赖于简单的视觉线索（例如跨越安全护栏）或持续的人工观察，但这些方法往往因发现事故过晚而无法有效预防，或受限于人工疲劳。核心问题在于超越孤立的事件检测或直接意图推断。相反，作者将 SRA 定义为需要联合推理个体乘客行为、空间上下文以及时序动态的任务。其目标是根据可观察的行为和空间线索的累积，为每位乘客评估随时间变化的风险分数，而非对自杀意图进行临床诊断。

方法论：SRA 框架
作者提出了SRA 框架，这是首个旨在通过随时间聚合证据来评估自杀风险的可解释性流程。该框架通过一个包含五个顺序模块的统一流程运行：

1. 人体检测、跟踪与姿态估计：

   • 使用预训练的YOLOx检测器识别“人”类别。
   • 采用ByteTrack在图像空间中进行多目标跟踪。
   • 应用HRNet在边界框内提取 2D 人体关键点。
   • 利用单应性矩阵将跟踪位置投影到以站台为参考的坐标系中，从而实现跨时间的一致性空间分析。

2. 人体活动识别：

   • 利用SSTAR，这是一种在 ARMM 数据集上预训练的基于骨架的时空动作识别模型。
   • 专门检测三种乘客动作：“眺望隧道”、“行走”和“站立”。
   • 这些标签根据其空间上下文和持续时间进行加权。

3. 站台语义与区域构建：

   • 使用YOLOv8n进行语义分割，根据专家咨询将站台划分为相关空间区域：
     • A 区（近墙区）： 靠近站台墙壁的区域。
     • B 区（近黄线区）： 过渡安全区。
     • C 区（远端区）： 紧邻隧道/边缘的区域。
   • 这种几何建模使得检测特定模式（如在墙壁与黄线之间的来回移动）成为可能。

4. 位置风险热力图生成：

   • 通过对 2D 轨迹点进行密度累积和高斯平滑，生成个体热力图。
   • 通过平均已知高风险个体的轨迹，将这些热力图聚合成全局位置风险热力图（$H(x,y)$）。这捕捉了共享的空间模式和持续的环境因素。

5. 自杀风险评估（推理）：

   • 在时间窗口 $W_t$ 内，为每个个体 $p$ 提取八个可解释的风险指标：
     1. 位置风险分数（$PR_p$）
     2. 在黄线上行走/站立（$Cr_p$）
     3. 跨越黄线的次数（$NCr_p$）
     4. 在黄线上停留的时间（$TY_p$）
     5. 在黄线上连续停留的最长片段（$LY_p$）
     6. 墙壁与黄线之间的来回次数（$BF_p$）
     7. 眺望隧道动作（$LT_p$）
     8. 进入远端区（$E_p$）
   • 这些指标构成特征向量，输入到XGBoost监督模型中，输出连续的风险分数 $R_p \in [0, 1]$。

主要贡献

1. SRA 的形式化： 该工作将 SRA 定义为一项独特的计算任务，侧重于基于累积的行为和空间证据评估风险等级，而非预测意图或给个人贴标签。
2. 可解释性流程： 作者引入了首个端到端框架，整合了跟踪、活动识别、语义分割和风险建模，以生成连续的、个体层面的评估，且不依赖外观线索或个人属性。
3. 与跨学科发现的一致性： 风险指标明确源自先前的心理学和行为学研究（例如 Mishara 等人），确保系统反映既定的模式，如反复踱步和在站台边缘长时间停留。
4. 现实世界评估： 该框架在来自加拿大地铁系统的经伦理批准的现实世界监控数据上进行了评估，提供了定量性能指标和定性可解释性分析。

实验结果
该框架在一个包含 66 段“高风险”视频记录（尝试前）和 56 段“控制”记录的数据集上进行了评估，共得到 256 个个体实例（66 个高风险，190 个控制）。

• 性能： 全自动配置实现了83.2% 的 ROC-AUC（$\pm 0.095$）。
• 灵敏度/特异性： 在固定阈值 0.2（旨在有利于早期检测）下，系统实现了**63.1%的灵敏度和90.2%**的特异性。
• 上限分析： 当用真实标注替换检测/跟踪和活动识别模块时，ROC-AUC 分别提升至91.9%和89.3%，表明早期感知模块中的误差对性能差距有显著贡献。
• 可解释性： 特征重要性分析（通过 XGBoost 和 SHAP 值）证实，与直接与黄线交互（跨越、停留时间、来回移动）相关的指标是最主要的预测因子，这与先前的行为研究一致。

意义与主张
本文声称，其主要意义在于弥合基于人工智能的监控与跨学科自杀预防研究之间的差距。通过将 SRA 形式化为一种情境感知、长期的风险评估问题，该框架超越了简单的异常检测或入侵警报。作者强调，该系统设计为可解释的，允许人类操作员理解风险分数为何较高（例如，由于特定的空间模式和时序持续性），而不是依赖“黑盒”预测。这种方法旨在支持人类操作员进行实时监控，同时遵守伦理约束，避免推断心理状态或使用个人属性。该工作突显了自杀风险评估的复杂性，并为开发用于社会公益的可解释人工智能系统开辟了新的方向。