基于多通道1DCNN-Attention-BiLSTM框架的步态DUI检测研究

《IEEE Access》：DUI Detection From Gait Using a Multichannel 1DCNN-Attention-BiLSTM Framework

本研究针对传统酒驾检测方法侵入性强、依赖外部硬件的问题，提出了一种基于智能手机加速度计数据的被动式酒精中毒检测框架。研究人员开发了多通道混合1DCNN-Attention-BiLSTM（MC-Hybrid）模型，通过并行1DCNN提取短期特征，自注意力机制聚焦关键模式，BiLSTM建模时序依赖关系。在包含121名受试者的NIH数据集上，该模型达到了93%的准确率和0.8653的F1分数，较现有最佳方法提升9.5%。该非侵入性方法为实时DUI监测提供了新思路，对提升道路交通安全具有重要意义。

　　

酒精摄入后短短几分钟内就能穿过血脑屏障，提高血液酒精含量（BAC），损害神经运动、认知和心理运动功能。据美国疾病控制与预防中心（CDC）报告，美国每年有17.8万人死于过度饮酒，其中酒驾（DUI）造成的交通事故占比高达32%。2022年有13,524起交通死亡事故与酒精有关，平均每42分钟就有一人丧生，造成的经济损失高达1,233亿美元。

传统BAC检测方法如呼吸分析仪、经皮酒精监测仪（TAM）和血液检测虽然准确，但需要购买和携带额外硬件，成本高、侵入性强，不适合路边大规模DUI执法。这凸显了对被动、非侵入性解决方案的迫切需求，能够在不引人注意的情况下检测酒精引起的损伤，减少DUI事件并提高道路安全。

步态作为一种需要注意力参与的半自动运动功能，受到酒精中毒的影响，使其成为可行的非侵入性检测方式。中毒步态表现出躯干摇摆增加、运动学改变，以及速度、平衡、步频和步幅属性的变化。执法部门目前依靠路边现场清醒测试（如走直线、单腿站立）来基于步态摇摆评估DUI。

本研究提出了一种新颖的深度学习框架，用于从智能手机加速度计数据中被动检测酒精中毒。研究人员设计了一个受试者级别的预处理流程，包括分层分割、低通滤波、滑动窗口分割和随机过采样来解决类别不平衡问题。核心创新是多通道混合1DCNN-Attention-BiLSTM（MC-Hybrid）模型，该模型通过并行1DCNN提取短期特征，利用自注意力机制增加预测模式的权重，并采用双向LSTM建模时序依赖关系。

研究团队使用了在巴特勒医院进行的机构审查委员会（IRB）批准研究中收集的步态数据，包含121名参与者的1,800多万个样本。数据采集过程中，参与者遵循结构化酒精给药协议，在75英尺的医院走廊上重复行走任务，腰部佩戴的智能手机应用被动捕获加速度计和陀螺仪传感器数据。

在技术方法方面，研究采用了严格的评估流程，包括与多种机器学习和深度学习基线模型的比较、多种传感器数据窗口大小的研究、注意力机制的比较以及消融研究。通过五折交叉验证评估模型的泛化能力，并利用注意力权重可视化和通道消融分析进行模型可解释性研究。

模型训练性能分析显示，MC-Hybrid在训练过程中表现出良好的学习曲线，训练损失和验证损失差异小于10%，表明过拟合得到有效控制。AUC评分在训练过程中持续提升，最终达到0.98的优异性能，表明模型能够有效区分醉酒和清醒状态。

与现有方法的对比结果表明，MC-Hybrid以93%的准确率和0.8653的F1分数显著优于现有最佳方法（Li等人的83.5%准确率），提升幅度达9.5%。同时，该模型也超越了所有基线模型，包括传统机器学习方法（SVM、随机森林等）和深度学习模型（1D-CNN、Bi-LSTM等），优势超过9.0%。

窗口大小比较研究发现，较大的窗口尺寸（1024，对应4.88秒）能够提供最佳性能，这与醉酒受试者倾向于小心行走和步速较慢的观察一致。在不同注意力机制的比较中，自注意力机制以超过2%的性能优势优于多头注意力（MHA）、交叉注意力和时序注意力等其他机制。

模型可解释性分析揭示了有趣的现象。注意力权重分析显示，清醒样本需要比醉酒样本高13.5%的注意力权重，表明醉酒模式更加刻板，需要较少的分布式注意力进行分类。这符合临床观察到的醉酒步态表现出刻板共济失调模式的发现。时间分布分析发现，25-50%的步态阶段（对应中期支撑阶段）包含最大的类别区分信息，此时体重转移发生，单肢支撑需要最大平衡控制。

通道消融研究进一步验证了模型的生物学合理性。Y轴（垂直方向）的遮挡导致15.8%的准确率下降，表明模型自动优先考虑了最具区分度的信号维度。这与酒精主要影响姿势稳定性和平衡的临床观察一致，而现场清醒测试也专门评估这些方面。相比之下，Z轴的移除仅产生0.5%的AUC下降，这与智能手机佩戴在参与者躯干上、屏幕朝前的设置相符，因为醉酒主要表现为躯干的左右摇摆。

消融研究证实了MC-Hybrid各组件的重要性。移除自注意力层导致F1分数从0.8653降至0.8238，AUC从0.98降至0.97，凸显了注意力在捕捉显著醉酒步态特征中的关键作用。移除CNN层显著降低了性能（准确率降至88.48%），表明其对输入数据特征提取的重要性。虽然双向性的移除对性能影响较小，但每个组件的组合产生了最佳性能。

研究也坦诚指出了若干局限性。MC-Hybrid在区分某些边界BAC水平（如半醉酒状态）时存在困难，这是现实环境中由于这些范围内的步态模式重叠和轻微损伤导致的常见挑战。虽然模型实现了0.9192的高召回率，但0.8174的精确度意味着存在不可忽视的假阳性率，在实际应用中可能带来社会和使用性影响。

此外，压力、疲劳和轻微损伤等混杂因素可能以类似于酒精中毒的方式改变步态模式，这是未来需要解决的重要问题。数据集存在明显的类别不平衡（清醒样本占74.87%，醉酒样本占25.13%），虽然随机过采样有效缓解了这一问题，但可能增加过拟合风险。

尽管存在这些局限性，这项发表在《IEEE Access》上的研究代表了智能手机基酒驾检测的重要进展。MC-Hybrid框架通过创新的多通道深度学习方法，实现了对酒精引起的步态损伤的高精度检测，为开发实用、非侵入性的实时酒精损伤监测系统奠定了基础。未来工作将致力于在非受控环境中验证模型性能，探索跨域迁移学习，并扩展模型以检测其他物质（如大麻）和疲劳引起的步态损伤。

这项研究的真正意义在于其潜在的社会影响——通过利用智能手机的普及性（98%的美国人拥有智能手机）和其被动收集运动数据的能力，这种非侵入性方法可以实时检测酒精引起的心理运动损伤，有可能防止DUI事件和相关伤害，为提升公共安全做出重要贡献。