[論文レビュー] A foundation model for electrodermal activity data

Leonardo Alchieri, Matteo Garzon+5 more|arXiv (Cornell University)|Feb 20, 2026

Emotion and Mood Recognition被引用数 0

ひとこと要約

この論文は、EDAMAME という大規模でオープンなウェアラブルEDAデータの多データセット集合上で訓練された、EDA用のオープンソース基盤モデルUMEを紹介し、下流タスクでベースラインよりも優れた性能を、はるかに少ないリソースで実現することを示します。

ABSTRACT

Foundation models have recently extended beyond natural language and vision to timeseries domains, including physiological signals. However, progress in electrodermal activity (EDA) modeling is hindered by the absence of large-scale, curated, and openly accessible datasets. EDA reflects sympathetic nervous system activity and is widely used to infer cognitive load, stress, and engagement. Yet very few wearable devices provide continuous, unobtrusive sensing, and the only large-scale archive to date is proprietary. To address this gap, we compile EDAMAME, a collection of EDA traces from 24 public datasets, comprising more than 25,000 hours from 634 users. Using this resource, we train UME, the first dedicated foundation model for EDA. In eight out of ten scenarios, UME outperforms baselines and matches generalist timeseries foundation models while using 20x fewer computational resources. Our findings, however, also highlight the intrinsic challenges of EDA modeling, motivating further research to unlock its full potential. All datasets, model weights, and code are released to support further research.

研究の動機と目的

• ウェアラブル信号の基盤モデルを可能にするためのオープンな大規模EDAデータの必要性を動機づける。
• 訓練と評価のための多様でオープンなEDAデータセットコレクション EDAMAME を作成する。
• 自己教師付きコントラスト学習で訓練されたEDAデータ用のオープン基盤モデルUMEを開発する。
• UMEを多様な下流タスクで評価し、手作特徴量や他の時系列モデルと比較する。
• 再現性とさらなる研究を促進するため、データセット、モデルウェイト、コードを公開する。

提案手法

• EDAMAMEを、Empatica E4デバイスで収集され、4 Hzサンプリングの総計25,000時間以上、634ユーザー分として、24の公開EDAデータセットから組み立てる。
• データをButterworth低域通過フィルタ（0.4 Hz）で前処理し、cvxEDA分解を用いて位相性成分とトーン成分に分解し、入力として位相性、トーン性、および元のEDA信号を用いる。
• 学習のために60秒ウィンドウを0.25 sのオーバーラップでセグメント化し、UME学習用に約275百万個のウィンドウを得る。
• UMEを、1D時系列対応のEfficientNetバックボーン（入力長240、チャンネル3、パラメータ約1M、潜在サイズd=64）で訓練し、InfoNCEロスによる対照学習を用いる。
• EDAセグメントごとに2つの拡張を用いて正例ペアを作成する。ネガティブはバッチ内の他のセグメントから取得する。マスクド再構成の試行を含むアブレーションを実施したが成功しなかった。
• 表現を評価するため、下流のEDAMAME-testスイートで線形プロービングを実施し、汎用の手作特徴量、EDA特有の手作特徴量、および一般化系時系列基盤モデル（Chronos、MOMENT、Mantis）と比較する。

実験結果

リサーチクエスチョン

• RQ1 大規模でオープンなEDAマルチデータセットコーパスで訓練された基盤モデルは、下流のEDAタスクの転用表現を学習できるか。
• RQ2 UMEはEDA分類タスクにおいて、手作特徴量ベースラインおよび既存の一般ist時系列基盤モデルと比較してどの程度の性能を示すか。
• RQ3 実世界のEDAのデータ特性と課題は、モデル学習と一般化にどのような影響を与えるか。

主な発見

• UMEは、汎用の手作特徴量で訓練されたベースラインを、下流タスクのうち8件中8件で上回る。
• UMEは、一般的な時系列基盤モデルの性能と同等を保ちつつ、計算資源を少なくとも20倍以上削減している。
• EDAMAMEには、約25,000時間のEDAデータが634人のユーザーから含まれており、全データセットで4 HzでEDAがサンプリングされている。
• UMEモデルは、~1MパラメータのEfficientNetバックボーンと潜在サイズ64を用い、60秒ウィンドウと3つの入力成分（位相、トーン、元の信号）で動作する。
• タスク間のバランス精度は概ね0.7未満で、変動が大きく、EDAモデリングの固有の課題を浮き彫りにしている。
• 全データセット、モデルウェイト、コードはさらなる研究を支援するために公開されている。