Zespół naukowców opracował algorytm uczenia maszynowego zdolny do wykrycia intoksykacji alkoholowej u jeżdżących na hulajnogach elektrycznych na podstawie danych z sensorów ruchu. Badanie przeprowadzono na grupie 25 uczestników, którzy jeździli na oprzyrządowanej hulajnodze w trzech stanach: trzeźwości oraz przy stężeniu alkoholu 0,05% i 0,08%. Hulajnoga wyposażona była w sześcioosiowy czujnik inercyjny (IMU) i sensory położenia dźwigni przyspieszenia i hamowania, działające z częstotliwością 100 Hz.
Analizując dane sensoryczne, naukowcy wyodrębnili siedem cech kinematycznych, które zdecydowanie zmieniały się wraz z intoksykacją. Kluczową obserwacją było, że u pijanych jeżdźców entropia sygnałów (miara złożoności czasowej) malała, podczas gdy odchylenie standardowe (amplituda ruchu) rosło. Zjawisko to wskazuje, że osoby pod wpływem alkoholu przestają wykonywać drobne, precyzyjne korekty kierunku i zamiast tego dokonują rzadszych, ale intensywniejszych manewrów reaktywnych. Klasyfikator oparty na entropii osiągnął 85% dokładności ogólnej przy validacji leave-one-participant-out, a przy rozróżnianiu trzeźwości od wysokiego poziomu intoksykacji - idealny wynik (AuROC 1,00).
Wyniki mają praktyczne znaczenie dla bezpieczeństwa - intoksykacja alkoholowa jest głównym czynnikiem wypadków hulajnóg elektrycznych. Zamiast czasowych ograniczeń lub badań kognitywnych przed jazdą, system mógłby pracować w czasie rzeczywistym, kontinualnie monitorując kontrolę motoryczną jeżdźcy poprzez czujniki już wbudowane w hulajnogę. To otwarcie drogi do inteligentnych systemów bezpieczeństwa, które mogą samodzielnie wycofać się z eksploatacji lub ostrzec kierowcę o utracie zdolności do jazdy.