[論文レビュー] Virtual Breathalyzer

Ben Nassi, Lior Rokach+1 more|arXiv (Cornell University)|Dec 14, 2016

Anomaly Detection Techniques and Applications参考文献 24被引用数 4

ひとこと要約

本論文では、スマートウォッチ、スマートフォン、Google Glass、フィットネストラッカーなどのウェアラブルデバイスからのモーションドメインを用いて、教師あり機械学習によりアルコール中毒状態を検出する仮想ブreatalyzerシステムを提案する。自由な歩行パターンを分析することで、0.95のAUCと100%のTPRにおける0.05のFPRを達成し、飲酒運転が検出された際にユーザーにアラートを発するか、接続された自動車を無効化する非侵襲的手段を提供する。

ABSTRACT

Driving under the influence of alcohol is a widespread phenomenon in the US where it is considered a major cause of fatal accidents. In this research we present a novel approach and concept for detecting intoxication from motion differences obtained by the sensors of wearable devices. We formalize the problem of drunkenness detection as a supervised machine learning task, both as a binary classification problem (drunk or sober) and a regression problem (the breath alcohol content level). In order to test our approach, we collected data from 30 different subjects (patrons at three bars) using Google Glass and the LG G-watch, Microsoft Band, and Samsung Galaxy S4. We validated our results against an admissible breathalyzer used by the police. A system based on this concept, successfully detected intoxication and achieved the following results: 0.95 AUC and 0.05 FPR, given a fixed TPR of 1.0. Applications based on our system can be used to analyze the free gait of drinkers when they walk from the car to the bar and vice-versa, in order to alert people, or even a connected car and prevent people from driving under the influence of alcohol.

研究の動機と目的

• ブレストアライザーに代わる、ウェアラブルデバイスに依存する非侵襲的で、モーションドメインを用いたアルコール中毒状態の検出手法を開発すること。
• 複数のウェアラブルセンサーからの歩行パターンを用いて、酔い状態検出を教師あり機械学習タスクとして形式化すること。
• 異なるセンサータイプと特徴量セット（ヒストグラム、周波数、統計量など）が中毒状態検出に与える効果を評価すること。
• 実際のバーレーストのブレストアライザー測定値と照合し、実世界のバー環境下でシステムの有効性を検証すること。
• このシステムを連結自動車に統合し、飲酒運転を防止する可能性を検討すること。

提案手法

• Google Glass、LG G-Watch、Microsoft Band、Samsung Galaxy S4の4種類のウェアラブルデバイスを用いて、30名の被験者から歩行モーションドメインデータを収集した。
• 検出タスクを二値分類（酔っている vs. 醒いている）および回帰（呼気アルコール濃度、BrACの推定）として形式化した。
• 中毒状態レベルのラベル付けに警察用の高精度ブレストアライザーを基準値とした。
• 4つの特徴量セットを抽出した：動き分布のヒストグラム、周波数ドメイン特徴量（FFT）、既知の歩行特徴量、統計的特徴量。
• SVM、RF、GBC、LRの複数の分類器を訓練・評価したが、勾配ブースティング分類器（GBC）が最も優れた性能を示した。
• 各特徴量セットが全体の検出精度に与える寄与度を評価するためのアブレーションスタディを実施した。

実験結果

リサーチクエスチョン

• RQ1 一般的なウェアラブルデバイスからのモーションドメインは、歩行パターンの変化に基づいてアルコール中毒状態を信頼性高く検出可能か？
• RQ2 どのウェアラブルデバイスとセンサーフィーチャーの組み合わせが中毒状態検出の精度を最も高めるか？
• RQ3 ヒストグラム、周波数、統計量、歩行特徴量といった異なる特徴量セットは、検出モデルの性能にどのように寄与するか？
• RQ4 自由な歩行による検出システムは、実世界の介入に十分な精度で中毒状態を検出可能か？
• RQ5 このシステムは、運転手が酔っている場合にエンジンを始動不能にするために、連結自動車に導入可能ほど十分に頑丈か？

主な発見

• 4種類のウェアラブルデバイスのデータを用いて、240 μg/LのBrAC閾値で中毒状態検出のAUCが0.95に達した。
• スマートフォンとスマートウォッチのみを用いても、AUCが0.94に達し、最小限のハードウェアで優れた性能を示した。
• 動き分布のヒストグラムが最も重要な特徴量セットであり、単独で使用した場合に最高のAUC（0.80）を達成し、除外した場合に最低のAUC（0.42）を示した。
• 周波数ベースの特徴量が最も寄与度が低く、単独で使用した場合のAUCは0.53にとどまり、除外した場合にAUCが0.97に上昇したため、予測力が限定的であることが示唆された。
• システムは100%の真正陽性率（TPR）を維持しながら、わずか5%の偽陽性率（FPR）を達成しており、高い感度と低い誤報率を示している。
• 結果から、中毒状態の検出には複数部位の動きデータが必要であることが示唆され、単一の身体部位センサーだけでは信頼性のある検出が不十分であることがわかった。