[論文レビュー] GSR Analysis for Stress: Development and Validation of an Open Source Tool for Noisy Naturalistic GSR Data

Seyed Amir Hossein Aqajari, Emad Kasaeyan Naeini+4 more|arXiv (Cornell University)|May 4, 2020

Emotion and Mood Recognition参考文献 15被引用数 38

ひとこと要約

この論文は、ノイズの多い自然観察データからストレスを検出するために統計的手法と深層学習特徴抽出を組み合わせたオープンソースのPythonツールをGSR/EDA分析に提供します。WESADデータセットで高精度に評価。

ABSTRACT

The stress detection problem is receiving great attention in related research communities. This is due to its essential part in behavioral studies for many serious health problems and physical illnesses. There are different methods and algorithms for stress detection using different physiological signals. Previous studies have already shown that Galvanic Skin Response (GSR), also known as Electrodermal Activity (EDA), is one of the leading indicators for stress. However, the GSR signal itself is not trivial to analyze. Different features are extracted from GSR signals to detect stress in people like the number of peaks, max peak amplitude, etc. In this paper, we are proposing an open-source tool for GSR analysis, which uses deep learning algorithms alongside statistical algorithms to extract GSR features for stress detection. Then we use different machine learning algorithms and Wearable Stress and Affect Detection (WESAD) dataset to evaluate our results. The results show that we are capable of detecting stress with the accuracy of 92 percent using 10-fold cross-validation and using the features extracted from our tool.

研究の動機と目的

• ストレスに関連する健康リスクのため、ガルバニック皮膚反応（GSR）によるストレス検知を動機づける。
• ノイズのある自然主義的なGSRデータを扱うオープンソースのPythonパイプラインを提案する。
• GSRから統計的特徴と深層学習特徴の両方を抽出してストレス分類を行う。
• クロスバリデーションを用いてWearable Stress and Affect Detection（WESAD）データセットで本手法を評価する。

提案手法

• 2段階のGSRパイプライン: 前処理（20 Hzへのダウンサンプリング、1秒間ウィンドウの移動平均、最小最大正規化）と特徴抽出。
• ピーク数、平均GSR、最大ピーク振幅を用いた統計的特徴抽出、開始/終了とピーク計算のためにcvxEDAで求められる位相成分を使用。
• cvxEDAを用いた位相成分の抽出により、GSRを位相、トニック、およびノイズ項に分解。
• 事前学習済みCNNを特徴抽出器として扱い、最後のサブサンプリング層からの出力を特徴として使用することで深層学習特徴を抽出。
• 2つの特徴セット（統計的特徴と深層学習特徴）を用いた4つの機械学習アルゴリズム（kNN、Naive Bayes、Random Forest、SVM）による分類実験。
• WESADデータセットを用いた10分割交差検証で評価。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多い自然主義データにおいて、統計的特徴と深層学習特徴の組み合わせパイプラインはGSRからのストレス検知を改善できるか。
• RQ2 GSRを用いたストレス分類において、統計的特徴と深層学習特徴はどのように比較されるか。
• RQ3 提案された特徴と分類器を用いたWESADデータセットでのストレス検知の分類性能（精度）はどれくらいか。

主な発見

• 統計的特徴での最高の10分割CV精度：k=1のkNNで90%。
• 深層学習特徴での最高の10分割CV精度：k=5のkNNで91.6%。
• 4つのアルゴリズムのうち3つが深層学習特徴を好み、多くのケースで高い精度を達成。
• WESADデータセットはベースライン比較を提供し、先行結果はEDAデータで79.71%の二値ストレス分類を達成した一方、提案手法は精度を向上させている。
• このツールはストレス検知のための効率的な統計的特徴と広範な深層学習特徴を提供する。