Vårt forskningsarv
Från biologisk perception till artificiell förståelse
Preventai har sina rötter i forskningsprojekt vid Lunds universitet och LU Innovation, där vårt fokus från början var att undersöka hur AI kunde användas i fysiska miljöer — inte för att ersätta mänskliga processer, utan för att förstå dem.
Vår forskning började 2021 med ett brett mål: att utveckla intelligenta system för inomhusmiljöer, som kunde känna av, tolka och förebygga förändringar över tid.
Den röda tråden har alltid varit prevention – att upptäcka mönster innan de leder till problem.
AI för levande system: växternas hälsa som första studie
Det första forskningsprojektet fokuserade på hur artificiell intelligens kunde användas för att övervaka och förutse fysiologiska förändringar i växter.
I stället för att automatisera bevattning och ljusstyrning, riktades fokus mot att analysera växternas termiska signaturer – hur små temperaturförändringar kunde avslöja stress, infektion eller sjukdom.
Vi använde värmekameror som registrerade strålning i det långvågiga infraröda spektrumet (8–14 μm) – samma spektrum som används inom medicinsk termografi.
Med hjälp av dessa kameror kunde vi extrahera mikroskopiska förändringar i växternas bladtemperatur och korrelera dem med biologiska indikatorer för sjukdom.
Tanken var enkel men kraftfull:
När en växt blir sjuk, uppvisar den samma fysiologiska reaktion som en människa – temperaturförändring som vid feber.
Denna idé markerade början på det vi senare skulle kalla preventionsteknologi – AI som upptäcker och varnar innan något går fel.
Projektet genomfördes i samarbete med ett svenskt industriföretag och gav oss både teknisk och metodologisk erfarenhet av att arbeta med sensorbaserad data i realtid.
Emotion & Well-Being Detection
Nästa steg mot mänsklig förståelse
Efter framgångarna med växtstudierna växte en ny fråga fram:
Om vi kan upptäcka biologisk stress i växter genom värme, kan vi då också förstå mänskliga emotioner genom fysiologiska förändringar i värmesignaturer?
Vi riktade våra sensorer mot människans mest uttrycksfulla område — ansiktet.
Genom termografi kunde vi nu observera blodflödet under huden i realtid, där små variationer i mikrocirkulationen speglar emotionella och fysiologiska tillstånd.
Termiskt spektrum och metodik
Vi använde kameror kalibrerade för 8–14 μm-spektrumet, vilket gör det möjligt att mäta temperaturförändringar med en känslighet på ±0.02°C.
I dessa värmebilder framträder subtila mönster i blodflödet – särskilt kring panna, näsa, kinder och maxillärregionen – som tidigare forskning visat vara starkt korrelerade med emotionella tillstånd.
Exempel på termiska ansiktssignaturer vid olika emotionella tillstånd
ROI-markering för temperaturanalys
Termisk kartläggning av ansiktsregioner
Olika emotionella tillstånd i termisk form
Bilderna refererar till studien: Human emotions detection based on a smart-thermal system of thermographic images av Irving A. Cruz-Albarrán, Juan P. Benitez-Rangel, Roque A. Osornio-Rios, Luis A. Morales-Hernandez (2017)
Byggandet av Nordens första termiska ansiktsdatabas
Med stöd från LU Innovation och universitetets forskningsfonder byggde vi Nord-Europas första termiska dataset av människoansikten.
Deltagare rekryterades genom etiskt godkända procedurer, och varje individ genomgick en omfattande frågeformulärsprocess om livsstil, medicinering och psykosociala faktorer.
Därefter placerades de i ett ljusisolerat, helt mörkt laboratorium där värmekameror registrerade deras ansikten medan de exponerades för emotionellt framkallande stimuli – video, bild och ljudmaterial med syfte att väcka glädje, ilska, rädsla, sorg och avsky.
All datainsamling skedde under kontrollerade miljöförhållanden (20–22°C, 50 % relativ luftfuktighet) för att säkerställa mätbar stabilitet.
Från manuell analys till egen AI-modell
Till en början analyserades data manuellt. Genom matematiska modeller (ΔT = Tf – Ti) beräknades temperaturförändringar i utvalda regions of interest (ROI): kinder, panna, näsa och maxillärregion.
Dessa värden jämfördes med etablerade referensstudier — framför allt Cruz-Albarrán et al. (2017) – som visade hur varje emotion är förknippad med specifika termiska mönster (t.ex. minskad temperatur i näsan vid ilska, ökad i pannan vid rädsla).
När de manuella resultaten bekräftade korrelationerna, tränade vi vår första termografiska Computer Vision-modell baserad på dessa förändringar.
Vi byggde egna embeddings och en anpassad feature-extraktor för att kunna identifiera mönster på mikroskopisk nivå.
Resultat
88% träffsäkerhet
i identifiering av emotionella tillstånd
Från forskning till applikation
Vår forskning inom emotionell termografi var aldrig ett kommersiellt projekt — det var ett akademiskt experiment, men det gav oss något mycket större: metodologin för att bygga etisk och förklarbar AI.
Projektet lärde oss hur man:
- •designar kontrollerade miljöer för datainsamling,
- •skapar robusta modeller från små och känsliga dataset,
- •och framför allt – hur man utvecklar AI som respekterar biologisk och mänsklig integritet.
När forskningen avslutades och presenterades på Ideon Science Park gick vi vidare till nästa steg: att tillämpa samma principer i realtid – på video.
Ur detta växte den idé som idag driver Preventai:
att skapa system som inte bara ser händelser, utan förstår dem, i verkliga miljöer, med samma respekt för integritet som i ett forskningslaboratorium.
Forskningskällor
Cruz-Albarrán, I. A., Benitez-Rangel, J. P., Osornio-Rios, R. A., & Morales-Hernandez, L. A. (2017). Human emotions detection based on a smart-thermal system of thermographic images. Infrared Physics & Technology, 81, 250–261.
Ioannou, S., Gallese, V., & Merla, A. (2014). Thermal infrared imaging in psychophysiology: potentialities and limits. Frontiers in Human Neuroscience, 8(8), 349.
Wang, F., & Zhao, C. (2021). Thermal imaging technology for plant disease detection. Computers and Electronics in Agriculture, 186, 106205.
Caldwell, D. G., et al. (2017). Infrared thermal sensing in biological systems: applications and challenges. Infrared Physics & Technology, 81, 195–207.
Från laboratoriet till verkligheten
Det som började som experimentell forskning om växters och människors fysiologi, blev grunden till ett helt nytt sätt att tänka på AI.
De tekniker vi utvecklade – mikrotemperaturanalys, realtidsförståelse, datainsamling utan intrång – lade grunden för dagens Vision Language Model-arkitektur.
I dag fortsätter vi att bygga vidare på samma forskningsprincip:
AI ska förstå, inte övervaka.
Det är vårt arv från Lunds universitet – och vår riktning framåt.