Measuring Risky Driving Behavior Using an mHealth Smartphone App: Development and Evaluation of gForce
Notice bibliographique
Résumé
Background: Naturalistic driving studies, designed to objectively assess driving behavior and outcomes, are conducted by equipping vehicles with dedicated instrumentation (eg, accelerometers, gyroscopes, Global Positioning System, and cameras) that provide continuous recording of acceleration, location, videos, and still images for eventual retrieval and analyses. However, this research is limited by several factors: the cost of equipment installation; management and storage of the large amounts of data collected; and data reduction, coding, and analyses. Modern smartphone technology includes accelerometers built into phones, and the vast, global proliferation of smartphones could provide a possible low-cost alternative for assessing kinematic risky driving. Objective: We evaluated an in-house developed iPhone app (gForce) for detecting elevated g-force events by comparing the iPhone linear acceleration measurements with corresponding acceleration measurements obtained with both a custom Android app and the in-vehicle miniDAS data acquisition system (DAS; Virginia Tech Transportation Institute). Methods: The iPhone and Android devices were dashboard-mounted in a vehicle equipped with the DAS instrumentation. The experimental protocol consisted of driving maneuvers on a test track, such as cornering, braking, and turning that were performed at different acceleration levels (ie, mild, moderate, or hard). The iPhone gForce app recorded linear acceleration (ie, gravity-corrected). The Android app recorded gravity-corrected and uncorrected acceleration measurements, and the DAS device recorded gravity-uncorrected acceleration measurements. Lateral and longitudinal acceleration measures were compared. Results: The correlation coefficients between the iPhone and DAS acceleration measurements were slightly lower compared to the correlation coefficients between the Android and DAS, possibly due to the gravity correction on the iPhone. Averaging the correlation coefficients for all maneuvers, the longitudinal and lateral acceleration measurements between iPhone and DAS were rlng=0.71 and rlat=0.83, respectively, while the corresponding acceleration measurements between Android and DAS were rlng=0.95 and rlat=0.97. The correlation coefficients between lateral accelerations on all three devices were higher than with the corresponding longitudinal accelerations for most maneuvers. Conclusions: The gForce iPhone app reliably assessed elevated g-force events compared to the DAS. Collectively, the gForce app and iPhone platform have the potential to serve as feature-rich, inexpensive, scalable, and open-source tool for assessment of kinematic risky driving events, with potential for research and feedback forms of intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».