使用多通道1DCNN-注意力-BiLSTM框架从走路检测DUI
Samuel Chibuoyim Uche1, Emmanuel Agu1, Kristin Grimone2
1Computer Science Department, Worcester Polytechnic Institute, Worcester, MA 01609, USA.
IEEE access : practical innovations, open solutions
|December 31, 2025
概括
检测酒后驾驶 (DUI) 对道路安全至关重要. 这项研究引入了一种新的深度学习模型,使用智能手机数据进行非侵入性酒精障碍检测,实现高精度.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 运输安全运输安全
背景情况:
- 酒精中毒严重损害了对驾驶至关重要的功能,导致了大量的交通事故死亡.
- 目前用于检测酒后驾驶 (DUI) 的方法具有侵入性,不适合持续监测.
- 现有的机器学习和深度学习方法用于被动损伤检测面临诸如特征工程和数据可变性等挑战.
研究的目的:
- 提出一种新的深度学习框架,用于使用智能手机加速度计数据进行非侵入性酒精中毒检测.
- 解决先前方法的局限性,包括主体间和主体内变异性和类不平衡.
- 开发一套实用且持续的道路安全监控解决方案.
主要方法:
- 使用包括过,细分和过量采样在内的主体级预处理管道来处理数据变化和类不平衡.
- 开发了一个多通道混合1D-CNN-Attention-BiLSTM (MC-Hybrid) 模型,集成1D-CNNs用于特征提取,自我注意力用于模式加权,以及BiLSTM用于时间分析.
- 该模型的性能与各种机器学习和深度学习基线进行了严格评估,并对窗口大小和注意力机制进行了调查.
主要成果:
- 拟议的MC-Hybrid模型实现了93%的准确性和0.8653的F1得分,明显超过了最先进和基线方法.
- 与其他注意力类型相比,自我注意力机制贡献了2%的性能改善,突出了其在识别关键步态模式方面的有效性.
- 该框架在处理智能手机传感器数据中固有的步态变化和阶级不平衡方面表现出了强度.
结论:
- 新的MC-Hybrid深度学习框架提供了一种高度准确和实用的非侵入性方法,用于使用智能手机加速度计检测酒精损伤.
- 这种方法有潜力显著提高道路安全,通过持续监测驾驶酒后驾驶 (DUI).
- 这项研究强调了深度学习,特别是注意力机制在分析复杂的传感器数据中对现实世界的安全应用的有效性.
