[论文解读] 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 4

一句话总结

本文提出了一种基于可穿戴设备运动数据的虚拟呼气酒精检测系统，利用监督式机器学习检测酒精中毒。通过分析自由行走步态，系统在100%真正例率（TPR）下实现0.95 AUC与0.05假正例率（FPR），提供一种非侵入性方法，可在检测到酒后驾驶时提醒用户或禁用联网汽车。

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.

研究动机与目标

• 开发一种非侵入性、基于可穿戴设备的酒精中毒检测方法，利用运动数据替代呼气酒精检测仪。
• 将醉酒检测形式化为基于多种可穿戴传感器步态模式的监督式机器学习任务。
• 评估不同传感器类型和特征集（如直方图、频域特征、统计特征）在检测醉酒状态方面的有效性。
• 在真实酒吧环境中，将系统与警用级呼气酒精检测仪测量结果进行对比验证。
• 探索将该系统集成至联网汽车中以预防酒后驾驶的可行性。

提出的方法

• 使用四种可穿戴设备（Google Glass、LG G-Watch、Microsoft Band 和 Samsung Galaxy S4）从30名受试者收集步态运动数据。
• 将检测任务形式化为二分类（醉酒 vs. 清醒）与回归任务（估算呼气酒精浓度，BrAC）。
• 使用警用级呼气酒精检测仪作为标注醉酒程度的基准真实值。
• 提取四类特征集：运动分布直方图、频域特征（FFT）、已知步态特征及统计特征。
• 训练并评估多种分类器（SVM、RF、GBC、LR），其中梯度提升分类器（GBC）表现最佳。
• 开展消融研究，评估各类特征集对整体检测准确率的贡献。

实验结果

研究问题

• RQ1 基于常见可穿戴设备的运动数据，能否可靠地通过步态变化检测酒精中毒？
• RQ2 哪种可穿戴设备组合与传感器特征集的搭配能实现最高的醉酒检测准确率？
• RQ3 不同特征集（直方图、频域特征、统计特征、步态特征）如何影响检测模型的性能？
• RQ4 基于自由行走步态的系统能否以足够高的准确率检测醉酒状态，从而适用于现实世界的干预措施？
• RQ5 该系统是否足够稳健，可部署于联网汽车中，以在驾驶员醉酒时防止点火启动？

主要发现

• 利用四种可穿戴设备的数据，系统在240 μg/L的BrAC阈值下检测醉酒的AUC达到0.95。
• 仅使用智能手机与智能手表，系统仍实现0.94的AUC，表明在硬件要求最低的情况下性能依然出色。
• 运动分布直方图是最重要的特征集，单独使用时AUC最高（0.80），而排除该特征集时AUC最低（0.42）。
• 基于频域的特征贡献最小，单独使用时AUC仅为0.53，而排除该特征集时AUC反而升至0.97，表明其预测能力有限。
• 系统在保持100%真正例率（TPR）的同时，仅产生5%的假正例率（FPR），表明具有高敏感性与低误报率。
• 结果表明，检测醉酒需要多部位身体运动数据，仅依靠单一身体部位的传感器无法实现可靠检测。