损伤的运动学特征：使用传感器数据和机器学习检测电动滑板车骑手的酒精中毒情况

arXiv:2609.38276v1 公告类型：新 摘要：酒精中毒是造成致命和重伤的电动滑板车事故的主要原因。目前的对策，例如时间限制或骑行前认知筛查，无法实时持续评估电动滑板车驾驶员的身体运动控制或损伤。我们进行了一项对照实验，其中 25 名参与者在清醒状态下并在两个目标血液酒精浓度水平（0.05% 和 0.08%）下骑着仪表化电动滑板车穿过测试跑道。该电动滑板车配备了六轴惯性测量单元 (IMU)、油门和刹车杆位置传感器，所有采样频率均为 100 Hz。计算了两个互补的信号特征：归一化排列熵（量化时间复杂性）和标准差（量化信号幅度）。重复测量相关性确定了七个运动学特征（所有 IMU 和油门信号），随着醉酒程度的增加，其熵下降（p < 0.001），而标准差增加（p < 0.01），这表明醉酒骑手从连续、低幅度的微校正转向较少的、高幅度的反应校正。基于熵的多类逻辑回归分类器，通过留一参与者交叉验证进行评估，总体准确率达到 85%，受试者工作特征曲线 (AuROC) 下的加权一对一面积为 0.94，清醒与高 AuROC 为 1.00。转向速率和横向加速度是最重要的预测特征，表明酒精会导致骑行过程中横向平衡明显崩溃。最终，这些结果表明，板载运动传感与基于熵的信号分析相结合，可以可靠地区分清醒与醉酒的电动滑板车骑行，为自动醉酒检测系统提供基础，从而保持清醒骑手的活动能力。