[논문 리뷰] An Artificial Neural Network for Gait Analysis to Estimate Blood Alcohol Content Level

Pedram Gharani, Brian Suffoletto외 2명|arXiv (Cornell University)|2017. 12. 03.

Balance, Gait, and Falls Prevention참고 문헌 29인용 수 4

한 줄 요약

이 연구는 자연스러운 음주 상황에서 실시간으로 혈중 알코올 농도(BAC)를 추정하기 위해 관성 센서(가속도계, 자이로스코프, 자석계)와 베이지안 정규화 신경망(BRNN)을 사용하는 스마트폰 기반 보행 분석 시스템을 제안한다. 이 방법은 100 Hz 센서 데이터에서 슬라이딩 윈도우를 통해 24개의 보행 특징을 추출함으로써 신뢰할 수 있는 BAC 추정을 달성하며, 정확성과 효율성 면에서 다른 모델보다 BRNN이 뛰어나다.

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.

연구 동기 및 목표

• 실제 음주 환경에서 혈중 알코올 농도(BAC)와 관련된 주요 보행 특징을 스마트폰 센서 데이터에서 식별하기 위해.
• 이성적 중단(예/아님)으로 분류하는 것이 아니라 연속적인 BAC 수준을 추정할 수 있는 기계학습 모델을 개발하기 위해.
• 센서에서 유도된 보행 특징를 사용하여 BAC 추정을 위한 여러 기계학습 기법을 평가하고 비교하기 위해.
• 소비자용 스마트폰을 사용하여 음주 관련 운동 조절 능력 저하를 실시간으로 객관적으로 모니터링할 수 있는 가능성을 입증하기 위해.

제안 방법

• 표준화된 5단계의 타원 보행 과제 동안 자기 보고된 음료 섭취량과 관성 센서 데이터(3축 가속도계, 자이로스코프, 자석계)를 수집하기 위해 특수 제작된 아이폰 앱(DrinkTRAC)을 사용하였다.
• 센서 데이터는 100 Hz로 샘플링되었으며, 슬라이딩 윈도우 기법을 사용하여 가속도 및 각속도 신호의 에너지, 평균, 표준편차를 포함한 총 24개의 보행 특징을 추출하였다.
• 추출된 보행 특징에서 BAC를 추정하기 위해 70%의 데이터를 사용하여 베이지안 정규화 신경망(BRNN)을 훈련시켰다.
• 남은 30%의 데이터는 모델 일반화 및 성능 평가를 위해 테스트 및 검증에 사용되었다.
• 다른 훈련 알고리즘과 기계학습 기법과의 비교를 통해 BRNN가 더 높은 정확도와 수렴 속도를 보였기에 최종 선택되었다.
• eBAC(추정된 BAC)는 자기 보고된 음료 섭취량과 참가자 인구통계학적 특징을 기반으로 기존 공식을 사용하여 계산되었으며, 음료 수 계산만으로는 부족한 정확도를 보완하는 더 정확한 BAC 대체 지표를 제공하였다.

실험 결과

연구 질문

• RQ1 스마트폰 관성 센서에서 추출한 보행 특징 중 자연스러운 음주 환경에서 혈중 알코올 농도(BAC)와 가장 강하게 상관되는 것은 무엇인가?
• RQ2 스마트폰 센서를 통해 수집된 보행 데이터만을 사용하여 기계학습 모델이 연속적인 BAC 수준을 정확하게 추정할 수 있는가?
• RQ3 베이지안 정규화 신경망(BRNN)의 성능이 보행 특징에서 BAC를 추정하는 데 있어 다른 기계학습 모델과 비교해 어떻게 다른가?
• RQ4 표준화된 타원 보행 과제는 실제 환경에서 BAC 추정의 변동성과 신뢰성을 어느 정도 감소시키고 향상시킬 수 있는가?

주요 결과

• 베이지안 정규화 신경망(BRNN)은 보행 특징에서 BAC를 추정하는 데 있어 다른 훈련 알고리즘과 기계학습 모델보다 뛰어난 정확도와 가장 빠른 수렴 속도를 보였다.
• 모델은 다양한 BAC 수준에서 신뢰할 수 있는 추정을 달성하였으며, 스마트폰 센서에서 추출한 보행 특징가 음주로 인한 운동 능력 저하를 효과적으로 반영할 수 있음을 시사한다.
• 슬라이딩 윈도우 기반 특징 추출 방법은 보행 패턴의 동적 변화를 성공적으로 포착하였으며, 특히 가속도 및 각속도 신호의 에너지, 평균, 표준편차와 같은 특징이 정보량이 많았다.
• 이 연구는 표준 관성 센서를 탑재한 소비자용 스마트폰을 사용하여 실제 환경에서 음주 관련 보행 능력 저하를 객관적으로 모니터링할 수 있음을 입증하였다.
• 표본 수(n=10)와 EMA 데이터 누락(70%) 등의 제한이 있었음에도 불구하고, 보행 분석을 통한 실시간 BAC 추정의 개념 증명이 가능하다는 결과를 도출하였다.
• 이 접근법은 특히 고위험 음주 환경에서 음주 관련 부상 예방을 위한 즉시 개입 시스템에 통합될 잠재력이 있다.