Die forensische Analyse von Blutspuren am Tatort ist ein entscheidender Schritt zur Rekonstruktion von Ereignissen. Die Form und Lage von Blutflecken liefern wertvolle Hinweise, da Blut als biologische Flüssigkeit physikalischen Gesetzen unterliegt. Ähnliche Tropfenformen deuten auf identische Entstehungsdynamiken hin. In der Kriminalistik werden Klassifizierungssysteme verwendet, um Blutproben anhand ihrer Form zu kategorisieren, in der Annahme, dass gleichartige Muster auf ähnliche Entstehungsweisen zurückzuführen sind. Bekannte Systeme, wie das von Gardner et al., basieren auf der Geschwindigkeit der Blutstropfen , während das System von Bevel und Gardner die ursächliche Kraft berücksichtigt . Dieses unterscheidet primär zwischen aktiv und passiv induzierten Blutspuren. Passive Spuren entstehen allein durch die Schwerkraft, aktive Spuren werden zusätzlich durch äußere Kräfte beschleunigt.
Am Tatort ermöglicht diese Klassifizierung eine Unterscheidung, ob eine Blutspur das direkte Ergebnis einer aktiven Krafteinwirkung ist oder ob sie passiv von Wunden oder erhöhten Objekten getropft ist. Das System von Bevel und Gardner unterteilt aktive Blutspuren weiter in Transfer- und Projektionsspuren, woraus sich vier Hauptkategorien ergeben: passive Spuren, Transferspuren, Projektionsspuren und sonstige Spuren (Miscellaneous). Jede dieser Oberkategorien umfasst eine unterschiedliche Anzahl von Blutmustern, die voneinander unterscheidbar sind, wie in Abbildung 1 dargestellt.
Die Anwendung von künstlicher Intelligenz, insbesondere von Deep-Learning-Ansätzen wie Convolutional Neural Networks (CNNs), eröffnet neue Möglichkeiten in der forensischen Analyse. Das Ziel ist die Automatisierung der Klassifizierung von Blutspuren, um eine rein objektive Betrachtung zu gewährleisten und menschliche Fehlinterpretationen, die durch kontextuelle Informationen beeinflusst werden können, zu reduzieren .
Deep Learning mit Inception v3
Das Open-Source-Projekt TensorFlow von Google bietet eine benutzerfreundliche Plattform für maschinelles Lernen, die auf nahezu allen Systemen eingesetzt werden kann. Wir nutzen dieses Framework, um ein CNN zu trainieren, das automatisch zwischen Blutspitzern und Blutstropfen unterscheiden kann.
CNNs sind künstliche neuronale Netze, die von biologischen Prozessen im Gehirn inspiriert sind und häufig zur Verarbeitung von Bildern oder Audiodateien eingesetzt werden. Grundsätzlich bestehen sie aus einer oder mehreren Convolutional Layers, gefolgt von einer Pooling Layer. In der Convolutional Layer wird eine kleine Matrix auf die Eingabe angewendet, um die Aktivität einzelner Neuronen zu bestimmen. In der Pooling Layer werden überflüssige Informationen aussortiert, indem nur die aktivste Information aus bestimmten Bereichen weitergegeben wird (Max-Pooling). Dies reduziert den Speicherbedarf und erhöht die Rechengeschwindigkeit. Nach diesen Schichten folgt typischerweise eine Fully Connected Layer, in der die Anzahl der Neuronen der Anzahl der vordefinierten Klassen entspricht, die das Netzwerk unterscheiden soll. Die Softmax-Funktion wandelt die Aktivitäten in eine Wahrscheinlichkeitsverteilung um. Diese Struktur dient dazu, Informationen aus 2D- oder 3D-Daten zu extrahieren und die Wahrscheinlichkeiten für die Übereinstimmung mit den gegebenen Klassen zu berechnen. Bekannte Anwendungen von CNNs sind die Sprach- und Bilderkennung.
Während herkömmliche CNNs oft durch das Stapeln von Schichten optimiert wurden, wurde während der ImageNet Recognition Challenge ein neuer Ansatz entwickelt: Inception, dessen aktuelle Version Inception v3 von Googlenet , steigert die Leistung durch clevere Programmiertechniken. Unterschiedliche und reduzierte Filtergrößen verbessern die Leistung und erkennen markante Bildbereiche leichter, selbst wenn diese unterschiedliche Größen aufweisen (siehe Abbildung 2).
Das 2015 von Google veröffentlichte TensorFlow-Framework optimiert insbesondere die Programmierung im maschinellen Lernen durch zahlreiche vorgefertigte Lösungen und Kompatibilität mit vielen Programmiersprachen. Mathematische Operationen werden als Graph dargestellt, der den sequenziellen Fluss aller auszuführenden Operationen repräsentiert. Das CNN Inception v3 ist in Version 1.4.1 von TensorFlow enthalten und ermöglicht Wissenschaftlern die Anwendung vortrainierter Modelle auf eigene Daten oder das Training eigener Modelle. In dieser Publikation werden selbst erstellte zweidimensionale Bilddaten von Blutspuren klassifiziert. Inception v3 ist hierfür die ideale Plattform innerhalb von TensorFlow, da es hohe Leistung für diese Art von Daten verspricht und leicht zu kopieren ist.
Motivation und Zielsetzung
Erfahrene Forensiker können Blutspurenmuster mit hoher Erfolgsquote klassifizieren. Studien haben jedoch gezeigt, dass kontextuelle Informationen vom Tatort oft in die Entscheidungsfindung einfließen, was zu einer höheren Fehlklassifikationsrate führt . Die vorliegende Studie evaluiert daher die Möglichkeit, den Prozess der Blutspurenklassifizierung zu automatisieren. Dieser Ansatz verspricht eine rein objektive Sichtweise der Blutspuren. Deep-Learning-Ansätze eignen sich gut für die Bilderkennung, wo Informationen von Millionen von Pixeln mit wenigen erlaubten Klassen abgeglichen werden müssen . Viele Bereiche der forensischen Wissenschaft profitieren bereits von computergestützten Analysen, die Rechenzeiten verkürzen und Hochdurchsatzanalysen ermöglichen . Auch im Bereich der forensischen Blutspurenanalyse sind in den letzten Jahren neue Ansätze zur digitalen Analyse entstanden . Es existieren bereits kommerzielle Softwareprodukte zur Unterstützung der Interpretation von Blutspuren . Insbesondere in diesem Feld wäre eine automatische Klassifizierung von enormem Nutzen.
Um einen Grundstein für die automatische Blutspurenklassifizierung zu legen, konzentriert sich diese Publikation auf die Unterscheidung zwischen passiv entstandenen Tropfspuren und aktiv entstandenen Blutspitzern. Per Definition entstehen Tropfspuren durch das Fallen von Blutstropfen allein aufgrund der Schwerkraft, während Blutspitzer durch eine Kraft entstehen, die Blutstropfen durch die Luft schleudert . Die Unterscheidung zwischen Tropfspuren und Blutspitzern ist vergleichsweise einfach, da sie visuell leicht zu erkennen sind. Tropfspuren sind fast perfekt rund, während Blutspitzer je nach angewendeter Kraft unterschiedliche Formen annehmen.