利用手机传感器与人工神经网络检测自然环境中饮酒时段步态变化
计算机与社会
2017-12-01 v2 机器学习
机器学习
摘要
手机传感器可能有助于评估饮酒引起的步态变化。本研究确定了（1）在自然环境的饮酒场合中收集步态相关数据的可行性，以及（2）手机传感器测量的步态相关特征与估计血液酒精浓度（eBAC）的关系。十名年轻成年重度饮酒者被提示在连续四个周末每晚 8 点至 12 点间每小时完成一次 5 步步态任务。我们从手机传感器收集了 3 轴加速度计、陀螺仪与磁力计数据，并使用滑动窗口技术计算了 24 个步态相关特征。基于酒精使用的生态瞬时评估（EMA）在每个时间点计算 eBAC 水平。我们使用人工神经网络模型分析训练集（数据的 70%）与验证和测试集（数据的 30%）中传感器特征与 eBAC 的关联。我们分析了 128 个同时捕获 eBAC 与步态相关传感器数据的点，包括未饮酒时（n=60）、eBAC 上升时（n=55）或 eBAC 下降时（n=13）。21 个数据点捕获于 eBAC 超过法定限值（0.08 mg/dl）时。使用贝叶斯正则化神经网络，步态相关的手机传感器特征与 eBAC 显示出高相关性（Pearson 相关系数 r > 0.9），且 >95% 的估计 eBAC 将落在实际 eBAC 的 -0.012 至 +0.012 之间。在自然环境的饮酒场合中从智能手机传感器收集步态相关数据是可行的。基于传感器的特征可用于推断与升高的血液酒精含量相关的步态变化。
引用
@article{arxiv.1711.03410,
title = {Using Phone Sensors and an Artificial Neural Network to Detect Gait Changes During Drinking Episodes in the Natural Environment},
author = {Brian Suffoletto and Pedram Gharani and Tammy Chung and Hassan Karimi},
journal= {arXiv preprint arXiv:1711.03410},
year = {2017}
}