[論文レビュー] A Multimodal Perceived Stress Classification Framework using Wearable Physiological Sensors

Muhammad Majid, Aamir Arsalan+1 more|arXiv (Cornell University)|Jun 22, 2022

EEG and Brain-Computer Interfaces被引用数 8

ひとこと要約

本論文は、40名の被験者から取得したウェアラブル生理的センサー（EEG、GSR、PPG）を用いたマルチモーダルな受動的ストレス分類フレームワークを提案する。時間領域および周波数領域の特徴量を抽出し、バンド選択とラッパーに基づく特徴量最適化を実施。マルチレイヤーパーセプトロン分類器を用いて、二クラス分類で95%、三クラス分類で77.5%の精度を達成した。

ABSTRACT

Mental stress is a largely prevalent condition known to affect many people and could be a serious health concern. The quality of human life can be significantly improved if mental health is properly managed. Towards this, we propose a robust method for perceived stress classification, which is based on using multimodal data, acquired from forty subjects, including three (electroencephalography (EEG), galvanic skin response (GSR), and photoplethysmography (PPG)) physiological modalities. The data is acquired for three minutes duration in an open eyes condition. A perceived stress scale (PSS) questionnaire is used to record the stress of participants, which is then used to assign stress labels (two- and three classes). Time (four from GSR and PPG signals) and frequency (four from EEG signal) domain features are extracted. Among EEG based features, using a frequency band selection algorithm for selecting the optimum EEG frequency subband, the theta band was selected. Further, a wrapper-based method is used for optimal feature selection. Human stress level classification is performed using three different classifiers, which are fed with a fusion of the selected set of features from three modalities. A significant accuracy (95% for two classes, and 77.5% for three classes) was achieved using the multilayer perceptron classifier.

研究の動機と目的

• ウェアラブル生理的センサーを用いた受動的ストレスレベルを分類する、強固でマルチモーダルなフレームワークの開発。
• 既存の研究で急性ストレスよりもあまり検討が進んでいない慢性または受動的ストレスの分類に挑戦すること。
• EEG、GSR、PPGの複数生理モダリティからの特徴量統合により、分類精度の向上を図ること。
• 周波数バンド選択アルゴリズムとラッパーに基づく手法を用いて特徴量選択を最適化し、モデル性能を向上させること。
• 実世界の生理的データを用いて、二クラスおよび三クラスの受動的ストレス分類タスクの両方でシステムを評価すること。

提案手法

• 開眼状態の3分間の生理的データを、EEG、GSR、PPGセンサーを用いて40名の被験者から収集。
• GSRおよびPPG信号から時間領域特徴量（尖度、エントロピー、標準偏差対平均絶対値比、分散）を抽出。
• EEG信号から複数のバンドにおける周波数領域特徴量（有理的非対称性、分割非対称性、相関、パワースペクトル）を抽出。
• 周波数バンド選択アルゴリズムを適用し、EEG信号におけるデルタ帯がストレス分類に最適であると特定。
• ラッパーに基づく特徴量選択手法を用いて、マルチモーダル特徴量集合から最も判別能の高い特徴量を選択。
• 選択された特徴量を統合し、SVM、ナイーブベイズ、マルチレイヤーパーセプトロン（MLP）の3つの分類器を用いてストレスレベルを分類。

実験結果

リサーチクエスチョン

• RQ1 EEG、GSR、PPG信号のマルチモーダル統合は、単一モダリティ手法と比較して、受動的ストレス分類の精度を向上させることができるか？
• RQ2 EEG周波数バンド（例：デルタ、アルファ、ベータ）の中で、受動的ストレス分類に最も高いパフォーマンスを示すのはどれか？
• RQ3 ラッパーに基づく特徴量選択手法は、次元削減を図りながらも、ストレス分類の判別力を維持するのにどの程度有効か？
• RQ4 SVM、ナイーブベイズ、MLPといった異なる分類器が、統合されたマルチモーダル生理的特徴量を用いて二クラスおよび三クラスの受動的ストレス分類に適用された際の性能は？
• RQ5 本フレームワークは、精度、被験者数、分類の複雑さの観点から、最先端の手法と比較してどの程度優れているか？

主な発見

• 提案されたフレームワークは、マルチレイヤーパーセプトロン（MLP）分類器を用いて、二クラス分類で95%の精度を達成した。
• 三クラス分類では、MLP分類器が77.5%の精度を達成し、より複雑な分類タスクにおいても高い堅牢性を示した。
• 周波数バンド選択アルゴリズムにより、EEG信号におけるデルタ帯が最適な周波数サブバンドとして特定され、分類性能に顕著な寄与を示した。
• ラッパーに基づく特徴量選択手法は、すべての分類器において特徴量空間の次元削減を効果的に行いながらも、高い分類精度を維持した。
• MLP分類器は、二クラスおよび三クラス分類タスクの両方において、精度および再現率の観点でSVMおよびナイーブベイズを上回った。
• 本研究は、類似研究の中で最多の被験者数（n=40）を達成し、結果の一般化可能性を高めた。