S-ADL：在受控环境中探索基于智能手机的日常生活活动以检测血液酒精浓度

文献标题

S-ADL: Exploring Smartphone-based Activities of Daily Living to Detect Blood Alcohol Concentration in a Controlled Environment

文献信息

• 主题领域: 人机交互，智能手机功能评估，检测酒精浓度
• 关键词: 酒精检测, 活动日常生活, 智能手机应用, 功能评估, 机器学习

研究背景与问题

• 作者发现的问题或挑战:

  • 酒精滥用在年轻人群体中十分常见，并引发健康和社会问题。
  • 当前的酒精浓度（BAC）检测方法（例如自我报告、传感器监测或呼吸测试）存在准确性不足、用户负担过重或不适时性的问题。
  • 虽然一些研究尝试通过智能手机实现功能评估，但缺乏对复杂认知功能的敏感性，尤其是在检测微量酒精时的表现不足。

• 为什么这个问题很重要:

  • 准确检测BAC对于预防酒精相关事故（如酒驾）具有公共健康和安全重要性。
  • 提供一个更便捷、更实时的工具能够帮助年轻人随时监控酒精摄入，减少健康损害。

• 研究动机与相关工作:

  • 现有智能手机基于运动传感器或简单反应实验方法无法敏感检测轻微酒精效应。
  • 智能手机已成为日常生活必不可少的工具，人们基于手机的日常使用行为可能反映其认知功能状态，尤其酒精影响时的活动效率变化。
  • 基于此，作者提出将“智能手机日常活动”（S-ADL）结合机器学习模型，用于酒精检测。

解决方案

• 提出的方法或解决方案:

  • 开发并验证一种新的S-ADL方法，用于酒精浓度检测。
  • S-ADL基于对智能手机常见应用的日常交互行为（如短信回复、网站搜索、银行交易等）进行场景化设计和功能评估。
  • 从智能手机交互数据中提取性能指标，并训练机器学习模型以分类不同BAC阶段。

• 解决方案的创新之处:

  • 将传统日常生活评估（ADL）概念扩展到智能手机交互行为。
  • 提出既能反映认知功能变化，又能够自动化的评估指标（如完成任务时间、输入字符速率等）。
  • S-ADL方法通过实际常用的手机应用任务避免了学习效应，提高测量的准确性。

• 实施步骤与关键技术:

  1. 定义S-ADL任务类别（如通信、信息搜索、财务管理）。
  2. 设计并测试场景化的S-ADL任务脚本。
  3. 在控制实验环境中招募40名健康青年，进行BAC分段实验（BAC阶段：0%、0.03%-0.04%、0.07%-0.08%）。
  4. 通过机器学习模型（如随机森林、梯度提升机）训练基于S-ADL性能指标的分类器。
  5. 使用SHAP值分析关键性能指标对模型的贡献。

研究成果

• 取得的具体成果:

  • 使用S-ADL性能指标训练的机器学习模型能够有效检测BAC，二分类模型平均AUC-ROC和准确率达到81%左右。
  • 与传统的计算机化神经心理测试（CNT）相比，S-ADL方法表现更好，敏感性更高且受学习效应影响较小。
  • 仅使用两个任务（信息搜索和短信回复），可以在一分钟或更短时间内实现80%的检测准确性。

• 与现有解决方案相比的优势:

  • 更便捷：基于日常使用的手机应用设计，无需额外设备或复杂设置。
  • 更实时：能够快速检测BAC，无需等待几小时或额外数据输入。
  • 更敏感：尤其对轻度饮酒（BAC 0.03%-0.04%）表现优越。

• 实验或评估结果:

  • 提取的关键指标包括任务完成时间、输入字符速率等。
  • 信息搜索与短信回复为预测BAC的最佳任务组合。
  • 模型性能的稳健性基于留一交叉验证方法评估。

• 局限性与未来方向:

  • 局限性:

    • 实验在控制环境下进行，且仅针对年轻健康个体，可能难以直接推广到真实场景或其他人群。
    • 不同智能手机操作系统（如Android与iOS）间的差异尚需进一步验证。
    • 隐私保护问题需要进一步技术强化。

  • 未来方向:

    • 扩展参与者人群到不同年龄、种族和健康状态，以验证模型的广泛适用性。
    • 探索利用其他智能设备传感器或物联网技术扩展BAC检测能力，例如家庭IoT或汽车传感器。
    • 解决真实场景中的背景噪音（如干扰通知、天气因素）问题，通过多源数据降低检测误差。
    • 开发针对酒精依赖和心理健康问题的功能性监测系统，基于S-ADL评估长期风险。