21、基于智能手机加速度计数据的饮酒状态识别研究

基于智能手机加速度计数据的饮酒状态识别研究

1. 现有检测方式局限性

目前，有多种检测饮酒状态的方式，但都存在一定局限性。例如，某些设备体积较大，不适合日常随意佩戴；经皮酒精浓度（TAC）传感器虽可检测人体酒精浓度，但价格昂贵且需时刻佩戴，较为沉重；智能手机应用虽能提供即时干预，但需用户手动输入实时数据，频繁操作易使人厌烦，效果不佳。

2. 新的检测思路

为解决上述问题，可利用智能手机内置的电子传感器，如加速度计和陀螺仪，通过收集这些传感器的数据，分析人的行走行为，以此判断是否饮酒过量。这种方法具有明显优势：用户无需手动输入数据，且加速度计在大多数智能手机中都很常见，成本较低。加速度计数据包含 x、y、z 三个维度的加速度，共同决定人的身体运动。

3. 研究方法：深度学习与 LSTM 模型

本研究采用深度学习方法，构建了多个混合长短期记忆网络（LSTM）模型。LSTM 是一种特殊的循环神经网络（RNN），能捕捉数据中的长期依赖关系，且无需额外的数据信息。研究中使用了不同变体的 LSTM 网络，并比较了它们的性能。其中，卷积长短期记忆网络（ConvLSTM）模型表现最佳，它先对输入数据进行卷积操作，再通过 LSTM 层进行序列分析。

4. 数据集情况

4.1 数据来源

研究使用的数据来自 UCI 机器学习库，于 2017 年收集。数据集包含 13 名参与者，其中 11 人使用 iPhone，2 人使用 Android 手机。

4.2 数据内容

参与者佩戴 SCRAM 传感器记录不同时间戳的 TAC 值，数据集还包含 x、y、