[论文解读] TEXIVE: Detecting Drivers Using Personal Smart Phones by Leveraging Inertial Sensors

Bo Cheng, Xuesi Jian+1 more|arXiv (Cornell University)|Jul 6, 2013

Context-Aware Activity Recognition Systems参考文献 35被引用 7

一句话总结

TEXIVE 是一种基于智能手机的系统，利用惯性传感器（加速度计、陀螺仪、磁力计）检测驾驶员和打字行为，无需外部基础设施。通过融合车辆进入、就座位置和打字过程中的微小动作与传感器模式，该系统在消费级设备上实现了实时检测，分类准确率达到 87.18%，精确率达到 96.67%。

ABSTRACT

In this work, we address a fundamental and critical task of detecting the behavior of driving and texting using smartphones carried by users. We propose, design, and implement TEXIVE that leverages various sensors integrated in the smartphone and realizes our goal of distinguishing drivers and passengers and detecting texting using rich user micro-movements and irregularities that can be detected by sensors in the phone before and during driving and texting. Without relying on external infrastructure, TEXIVE has an advantage of being readily implemented and adopted, while at the same time raising a number of challenges that need to be carefully addressed for achieving a successful detection with good sensitivity, specificity, accuracy, and precision. Our system distinguishes the driver and passengers by detecting whether a user is entering a vehicle or not, inferring which side of the vehicle s/he is entering, reasoning whether the user is siting in front or rear seats, and discovering if a user is texting by fusing multiple evidences collected from accelerometer, magnetometer, and gyroscope sensors. To validate our approach, we conduct extensive experiments with several users on various vehicles and smartphones. Our evaluation results show that TEXIVE has a classification accuracy of 87.18%, and precision of 96.67%.

研究动机与目标

• 仅使用智能手机内置的惯性传感器检测驾驶与打字行为，消除对外部基础设施的依赖。
• 通过分析车辆进入、就座位置及传感器模式下的微小动作，区分驾驶员与乘客。
• 通过分析加速度计、陀螺仪和磁力计数据中独特的手部运动模式，检测驾驶时的打字行为。
• 在真实环境下实现高检测准确率、精确率、灵敏度和特异性，同时能耗极低。
• 通过传感器融合与机器学习技术，在移动平台上实现低功耗、实时的活动识别。

提出的方法

• 融合加速度计、陀螺仪和磁力计数据，检测车辆进入与用户姿势。
• 应用离散余弦变换（DCT）与小波分析，从传感器信号中提取频域特征。
• 采用机器学习模型对用户动作（如从左/右侧进入、就座位置为前/后排）进行分类。
• 采用滑动窗口方法，窗口步长为 0.5 秒，使用朴素贝叶斯分类器实现实时活动识别。
• 应用加速度幅值作为过滤器，验证连续活动识别结果，提升可靠性。
• 通过将传感器采样频率降低至每 10 秒一次，每次采样间隔 0.05 秒，优化能效，减少电池消耗。

实验结果

研究问题

• RQ1 智能手机中的惯性传感器能否可靠检测用户作为驾驶员进入车辆的时刻？
• RQ2 传感器模式能否有效区分从左侧或右侧进入车辆，以及前排或后排就座的位置？
• RQ3 能否利用智能手机传感器以足够高的准确率检测打字过程中的微小动作？
• RQ4 与单传感器方法相比，传感器融合如何提升检测准确率与鲁棒性？
• RQ5 持续惯性传感的能耗成本是多少？是否能在不牺牲检测性能的前提下实现最小化？

主要发现

• TEXIVE 在区分驾驶员与乘客及检测打字行为方面，分类准确率达到 87.18%，精确率达到 96.67%。
• 基于传感器模式分析，系统对就座位置（前/后）和进入侧边（左/右）的识别准确率高达 100%。
• 通过分析输入时间间隔，打字检测准确率达到 90%，可有效区分正常打字与驾驶时打字行为。
• 实时识别延迟仅为 0.2184 秒，实现近乎即时检测。
• 通过优化采样频率，电池消耗降低至 30 分钟内仅下降 4%，显著低于基于 GPS 的方案。
• 即使手机未置于口袋中，系统仍具鲁棒性，得益于证据融合与侧向信号分析，尽管在非理想配置下性能略有下降。