[論文レビュー] An Artificial Neural Network for Gait Analysis to Estimate Blood Alcohol Content Level

Pedram Gharani, Brian Suffoletto+2 more|arXiv (Cornell University)|Dec 3, 2017

Balance, Gait, and Falls Prevention参考文献 29被引用数 4

ひとこと要約

本研究では、インertialセンサー（加速度計、ジャイロスコープ、マグネトメータ）とベイジアン正則化ニューラルネットワーク（BRNN）を用いたスマートフォンベースの歩行分析システムを提案し、自然な飲酒状況下で血液アルコール濃度（BAC）をリアルタイムに推定する。本手法は、100 Hzのセンサデータからスライディングウインドウを用いて100人の被験者によるタッグウォークタスク中に24の歩行特徴を抽出することで、信頼性の高いBAC推定を実現し、他のモデルと比較して精度と効率性に優れる。

ABSTRACT

Impairments in gait occur after alcohol consumption, and, if detected in real-time, could guide the delivery of "just-in-time" injury prevention interventions. We aimed to identify the salient features of gait that could be used for estimating blood alcohol content (BAC) level in a typical drinking environment. We recruited 10 young adults with a history of heavy drinking to test our research app. During four consecutive Fridays and Saturdays, every hour from 8pm to 12am, they were prompted to use the app to report alcohol consumption and complete a 5-step straight-line walking task, during which 3-axis acceleration and angular velocity data was sampled at a frequency of 100 Hz. BAC for each subject was calculated. From sensor signals, 24 features were calculated using a sliding window technique, including energy, mean, and standard deviation. Using an artificial neural network (ANN), we performed regression analysis to define a model determining association between gait features and BACs. 70\% of data was used as a training dataset, and the results were tested and validated using the rest of samples. We evaluated different training algorithms for the neural network and the result showed that a Bayesian regularization neural network (BRNN) was the most efficient and accurate. Analyses support the use of the tandem gait task paired with our approach to reliably estimate BAC based on gait features. Results from this work could be useful in designing effective prevention interventions to reduce risky behaviors during periods of alcohol consumption.

研究の動機と目的

• 現実世界の飲酒環境において、血液アルコール濃度（BAC）と相関する顕著な歩行特徴をスマートフォンセンサデータから同定すること。
• 二値分類（あり／なし）ではなく、連続的なBACレベルを推定可能な機械学習モデルを開発すること。
• センサーから抽出された歩行特徴を用いて、BAC推定のための複数の機械学習手法を評価・比較すること。
• 消費者用スマートフォンを用いた、アルコール関連の運動機能障害をリアルタイムで客観的にモニタリングする可能性を示すこと。

提案手法

• 標準化された5段階のタッグウォークタスク中に、自己報告の飲酒回数とインertialセンサデータ（3軸加速度計、ジャイロスコープ、マグネトメータ）を収集するためのカスタムiPhoneアプリ（DrinkTRAC）を用いた。
• センサデータは100 Hzでサンプリングされ、スライディングウインドウ手法を用いて、加速度および角速度信号のエネルギー、平均、標準偏差を含む24の歩行特徴を抽出した。
• ベイジアン正則化ニューラルネットワーク（BRNN）を70％のデータで学習させ、抽出された歩行特徴からBACを回帰推定した。
• 残りの30％のデータをテストおよび検証に使用し、モデルの汎化性能と性能を評価した。
• 他のトレーニングアルゴリズムや機械学習手法と比較した結果、BRNNが優れた精度と収束速度を示したため、採用された。
• eBAC（推定BAC）は、自己報告の飲酒回数と参加者のデモグラフィック情報をもとに確立された式を用いて算出され、単なる飲酒回数のカウントよりもより正確なBACの代理指標を提供した。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンのインエントシャルセンサから抽出されたどの歩行特徴が、自然な飲酒環境下で血液アルコール濃度（BAC）と最も強く相関しているか？
• RQ2 スマートフォンセンサを用いて収集された歩行データのみを用いて、機械学習モデルが連続的なBACレベルを正確に推定できるか？
• RQ3 ベイジアン正則化ニューラルネットワーク（BRNN）は、他の機械学習モデルと比較して、歩行特徴からのBAC推定においてどのように性能を発揮するか？
• RQ4 標準化されたタッグウォークタスクは、現実世界の設定においてBAC推定のばらつきをどれほど低減し、信頼性を向上させられるか？

主な発見

• ベイジアン正則化ニューラルネットワーク（BRNN）は、他のトレーニングアルゴリズムや機械学習モデルと比較して、歩行特徴からのBAC推定において最高の精度と最も速い収束速度を示した。
• モデルは多様なBACレベルにわたり信頼性の高い推定を達成しており、スマートフォンセンサから抽出された歩行特徴がアルコール誘発性の運動機能障害を効果的に反映できることを示した。
• スライディングウインドウに基づく特徴抽出手法は、歩行パターンの動的変化を効果的に捉えた。特に、加速度および角速度信号のエネルギー、平均、標準偏差といった特徴が情報量が多く、特に有用であった。
• 本研究では、標準的なインエントシャルセンサを備えた消費者用スマートフォンを用いて、現実世界の設定でアルコール関連の歩行障害を客観的にモニタリングすることが可能であることを示した。
• サンプルサイズ（n=10）の制限やEAMデータの欠損（70％）の限界が存在するが、本研究の結果は、歩行分析を用いたリアルタイムBAC推定の概念実証を支持している。
• 本手法は、特に高リスクの飲酒状況において、アルコール関連の怪我を予防するための即時の介入への統合の可能性を示している。