仅凭传感器数据，机器学习就能以85%准确率识别醉酒滑板车骑手，清醒与高醉状态区分度达100%！
Kinematic signatures of impairment: Detecting alcohol intoxication in e-scooter riders using sensor data and machine learning
📖 AI 总结
本研究针对电动滑板车骑行者酒驾这一致命事故的重要诱因，开展了一项受控实验，让25名参与者在清醒状态及两种目标血液酒精浓度（0.05%和0.08%）下骑行装配传感器的滑板车。滑板车配备六轴惯性测量单元及油门、刹车位置传感器，采样率100赫兹。研究计算了归一化排列熵和标准差两类信号特征，发现随醉酒程度加深，七个运动学特征的熵显著下降而标准差上升，表明醉酒骑行者从连续、低幅度的微调转向更少但幅度更大的反应性修正。基于熵的多分类逻辑回归分类器在留一参与者交叉验证中达到85%的总体准确率，加权AuROC为0.94，清醒与高醉状态的AuROC达1.00，转向速率和横向加速度是最重要的预测特征。该研究证明车载运动传感结合熵分析能可靠区分清醒与醉酒骑行，为自动醉酒检测系统奠定了基础。
🔑 关键词速览
| 归一化排列熵 | 一种衡量时间序列复杂性的非线性指标，值越低表示信号越规律、可预测性越高。 |
| 六轴惯性测量单元 | 一种集成三轴加速度计和三轴陀螺仪的传感器，用于测量物体的加速度和角速度。 |
| 留一参与者交叉验证 | 一种交叉验证方法，每次留出一个参与者的所有数据作为测试集，其余参与者的数据用于训练，以评估模型的泛化能力。 |
| 接收者操作特征曲线下面积 | 一种评估二分类模型性能的指标，值越接近1表示模型区分正负类的能力越强。 |
| 血液酒精浓度 | 血液中酒精的百分比浓度，是衡量醉酒程度的法律和医学标准。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅