[论文解读] 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 4

一句话总结

本研究提出一种基于智能手机的步态分析系统，利用惯性传感器（加速度计、陀螺仪、磁力计）和贝叶斯正则化神经网络（BRNN），在自然饮酒情境下实时估算血液酒精浓度（BAC）。该方法通过在并步行走任务中，从100 Hz的传感器数据中使用滑动窗口提取24个步态特征，实现可靠的BAC估算，且BRNN在准确性和效率方面优于其他模型。

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.

研究动机与目标

• 识别在真实饮酒环境中与血液酒精浓度（BAC）相关的显著步态特征。
• 开发一种机器学习模型，能够从步态模式中估算连续的BAC水平，而非将醉酒状态二值化（是/否）分类。
• 评估并比较多种机器学习技术在利用传感器提取的步态特征进行BAC估算中的表现。
• 证明使用消费级智能手机实现实时、客观的酒精相关运动协调能力损害监测的可行性。

提出的方法

• 通过自定义的iPhone应用程序（DrinkTRAC）收集自我报告的饮酒量和惯性传感器数据（三轴加速度计、陀螺仪、磁力计），在标准化的5步并步行走任务中进行数据采集。
• 传感器数据以100 Hz的采样率采集，并通过滑动窗口技术提取24个步态特征，包括加速度和角速度信号的能量、均值和标准差。
• 使用70%的数据训练贝叶斯正则化神经网络（BRNN）进行回归，以基于提取的步态特征估算BAC。
• 剩余30%的数据用于测试和验证，以评估模型的泛化能力和性能表现。
• 将该模型与其它训练算法和机器学习技术进行比较，最终选择BRNN，因其具有更高的准确率和更快的收敛速度。
• 基于自我报告的饮酒次数和参与者的人口学特征，使用既定公式计算eBAC（估算的BAC），从而提供比单纯饮酒计数更准确的BAC代理指标。

实验结果

研究问题

• RQ1 在自然饮酒环境中，从智能手机惯性传感器中提取的哪些步态特征与血液酒精浓度（BAC）相关性最强？
• RQ2 能否仅通过智能手机传感器采集的步态数据，利用机器学习模型准确估算连续的BAC水平？
• RQ3 贝叶斯正则化神经网络（BRNN）在基于步态特征估算BAC时，相较于其他机器学习模型表现如何？
• RQ4 标准化的并步行走任务在多大程度上可减少变异，提升真实场景中BAC估算的可靠性？

主要发现

• 贝叶斯正则化神经网络（BRNN）在基于步态特征估算BAC方面优于其他训练算法和机器学习模型，表现出最高的准确率和最快的收敛速度。
• 该模型在不同BAC水平下均实现了可靠的估算，表明从智能手机传感器中提取的步态特征能够有效反映酒精引起的运动协调能力损害。
• 基于滑动窗口的特征提取方法成功捕捉了步态模式的动态变化，其中加速度和角速度信号的能量、均值及标准差等特征尤为具有信息量。
• 本研究证明了使用配备标准惯性传感器的消费级智能手机，在真实场景中客观监测酒精相关步态损害的可行性。
• 尽管样本量较小（n=10）且存在70%的EMA数据缺失，结果仍支持基于步态分析实现实时BAC估算的可行性验证。
• 该方法在高风险饮酒情境中具有潜力，可集成至即时干预系统，以预防酒精相关伤害。