[论文解读] Recognition of Smoking Gesture Using Smart Watch Technology

Casey A. Cole, Bethany Janos+4 more|arXiv (Cornell University)|Mar 5, 2020

Smoking Behavior and Cessation参考文献 9被引用 6

一句话总结

本研究提出利用智能手表的加速度计数据，通过人工神经网络（ANN）检测吸烟手势，识别吸烟手势与进食、饮水等相似动作的准确率在85%至95%之间。x轴加速度计数据表现最佳，当在Apple Watch数据上训练并在Pebble Steel数据上测试时，跨设备泛化性能超过90%准确率。

ABSTRACT

Diseases resulting from prolonged smoking are the most common preventable causes of death in the world today. In this report we investigate the success of utilizing accelerometer sensors in smart watches to identify smoking gestures. Early identification of smoking gestures can help to initiate the appropriate intervention method and prevent relapses in smoking. Our experiments indicate 85%-95% success rates in identification of smoking gesture among other similar gestures using Artificial Neural Networks (ANNs). Our investigations concluded that information obtained from the x-dimension of accelerometers is the best means of identifying the smoking gesture, while y and z dimensions are helpful in eliminating other gestures such as: eating, drinking, and scratch of nose. We utilized sensor data from the Apple Watch during the training of the ANN. Using sensor data from another participant collected on Pebble Steel, we obtained a smoking identification accuracy of greater than 90% when using an ANN trained on data previously collected from the Apple Watch. Finally, we have demonstrated the possibility of using smart watches to perform continuous monitoring of daily activities.

研究动机与目标

• 开发一种利用可穿戴加速度计传感器检测吸烟手势的方法，以支持戒烟干预。
• 确定加速度计的x、y、z轴中哪一轴对准确识别手势的贡献最大。
• 评估模型在不同智能手表设备（Apple Watch和Pebble Steel）之间的泛化性能。
• 利用现成的智能手表硬件实现吸烟相关行为的持续、实时监测。
• 减少与进食、饮水或抓鼻子等日常动作相似导致的误报。

提出的方法

• 在受控的吸烟手势测试中，从Apple Watch收集加速度计数据。
• 利用收集到的传感器数据训练人工神经网络（ANN），以将吸烟手势与其他相似手势区分开。
• 分析每个加速度计轴（x、y、z）对分类性能的贡献，确定x轴最具区分性。
• 在另一台设备（Pebble Steel）上收集的独立数据集上评估模型性能，以测试跨设备泛化能力。
• 通过特征工程，从加速度数据中提取与吸烟特征动作相对应的时间模式。
• 应用标准机器学习评估协议，包括准确率等指标，以评估分类性能。

实验结果

研究问题

• RQ1 智能手表加速度计数据能否可靠地区分吸烟手势与相似的日常活动？
• RQ2 哪个加速度计轴（x、y、z）在识别吸烟手势方面提供最具区分性的信息？
• RQ3 在Apple Watch设备上训练的ANN模型，能在多大程度上泛化到另一台设备（Pebble Steel）上？
• RQ4 能否利用现成的可穿戴传感器实现吸烟手势的持续、实时监测？
• RQ5 引入y轴和z轴数据在多大程度上提高了吸烟手势检测的特异性？

主要发现

• 人工神经网络在识别吸烟手势与进食、饮水、抓鼻子等相似动作时，准确率达到85%至95%。
• x轴加速度计数据是识别吸烟手势最有效的单一信息源。
• 引入y轴和z轴数据有助于减少非吸烟手势带来的误报，从而提升分类性能。
• 当在Apple Watch数据上训练模型后，其在另一台设备（Pebble Steel）上测试时，准确率超过90%。
• 本研究证明了利用智能手表实现自然环境中吸烟行为持续、实时监测的可行性。
• 结果支持将可穿戴传感器数据与人工神经网络结合，作为一种可扩展、非侵入性的工具，用于早期吸烟复吸检测与干预。