[論文レビュー] Human Stress Assessment: A Comprehensive Review of Methods Using Wearable Sensors and Non-wearable Techniques

Aamir Arsalan, Muhammad Majid+4 more|arXiv (Cornell University)|Feb 7, 2022

Emotion and Mood Recognition被引用数 13

ひとこと要約

本論文は、主観的評価と客観的生理的・身体的・行動的マーカーを統合した、ウェアラブルおよび非ウェアラブルセンサーを用いた人間のストレス検出手法について包括的なレビューを提供している。ECG、GSR、PPG、および発話などの信号を用いたマルチモーダル機械学習アプローチが強調され、ストレス分類において最大94.52％の正確性を達成しており、標準化されたデータセットの欠如や慢性ストレス検出におけるディープラーニングの応用が限定的であるといった主な課題が特定されている。

ABSTRACT

This paper presents a comprehensive review of methods covering significant subjective and objective human stress detection techniques available in the literature. The methods for measuring human stress responses could include subjective questionnaires (developed by psychologists) and objective markers observed using data from wearable and non-wearable sensors. In particular, wearable sensor-based methods commonly use data from electroencephalography, electrocardiogram, galvanic skin response, electromyography, electrodermal activity, heart rate, heart rate variability, and photoplethysmography both individually and in multimodal fusion strategies. Whereas, methods based on non-wearable sensors include strategies such as analyzing pupil dilation and speech, smartphone data, eye movement, body posture, and thermal imaging. Whenever a stressful situation is encountered by an individual, physiological, physical, or behavioral change is induced which help in coping with the challenge at hand. A wide range of studies has attempted to establish a relationship between these stressful situations and the response of human beings by using different kinds of psychological, physiological, physical, and behavioral measures. Inspired by the lack of availability of a definitive verdict about the relationship of human stress with these different kinds of markers, a detailed survey about human stress detection methods is conducted in this paper. In particular, we explore how stress detection methods can benefit from artificial intelligence utilizing relevant data from various sources. This review will prove to be a reference document that would provide guidelines for future research enabling effective detection of human stress conditions.

研究の動機と目的

• ウェアラブルおよび非ウェアラブルセンサーを用いた主観的および客観的ストレス検出手法について、体系的なレビューを提供すること。
• 現在のストレス検出研究における制限要因、特に標準化されたデータセットの欠如および慢性ストレスへの注目不足を特定すること。
• 人工知能およびマルチモーダル機械学習の潜在的可能性が、自動ストレス検出の向上にどのように活用できるかを検討すること。
• 感情認識のDEAPデータベースに類似した大規模で公開可能なデータセットの必要性を強調すること。
• 今後の研究を導くために、未解決の課題と実世界のストレスモニタリングシステムにおける実装上の要件を明確にすること。

提案手法

• ウェアラブルセンサー（EEG、ECG、GSR、EMG、PPG）および非ウェアラブル技術（発話、瞳孔拡張、姿勢、赤外線熱画像）を用いたストレス検出手法の体系的文献レビュー。
• 生理的・身体的・行動的信号を統合するマルチモーダル統合戦略の分析により、分類精度の向上を図ること。
• 時間領域、周波数領域、ウェーブレットベースの手法を用いた特徴抽出技術を、センサーデータの前処理に適用すること。
• ランダムフォレスト、SVM、およびディープラーニングモデルを含む機械学習分類器を用いて、ストレスレベルの分類を行うこと。
• ICAやウェーブレットノイズ除去などの信号処理手法を用いて、実環境（ラボ外）におけるデータ品質を向上させること。
• ラボ内とラボ外の条件を比較し、光、温度、湿度などの環境要因が信号の信頼性に与える影響を強調すること。

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルおよび非ウェアラブルセンサーを用いた手法は、急性ストレスと慢性ストレスの両方の検出において、どのように比較されるか？
• RQ2 ストレス分類の正確性を向上させるために、最も効果的なマルチモーダル統合戦略は何か？
• RQ3 実環境（ラボ外）環境にストレス検出システムを展開するにあたり、主な課題は何か？
• RQ4 標準化され、公開可能なストレスデータセットの欠如が、分野の進展を妨げる主要な障壁である理由は何か？
• RQ5 人工知能、特にディープラーニングを、スケーラブルで正確な人間のストレス検出にどの程度活用できるか？

主な発見

• ECG、GSR、PPGなどの生理的信号のマルチモーダル統合により、ランダムフォレスト分類器を用いて三クラスのストレス検出で最大94.52％の分類正確性が達成された。
• 急性ストレス検出は十分に研究されているが、長期的な健康的・経済的影響を及ぼす慢性ストレス検出は、依然として未開拓の分野である。
• 温度、湿度、照明などの環境要因は、実環境における信号品質に顕著な影響を及ぼし、制御されたラボ条件と比較して信頼性が低下する。
• ディープラーニングモデルは有望ではあるが、有効な訓練に必要な大規模で公開可能なストレスデータセットが不足しているため、活用が限定的である。
• 既存の研究ではしばしば特許を取得したデータセットが使用されており、結果の直接比較が困難であることが明らかになり、標準化されたベンチマークデータセットの即時の必要性が強調されている。
• 心理的アンケートなどの主観的評価法は依然として不可欠であるが、それだけでは不十分であり、リアルタイムでスケーラブルなストレス評価には、客観的センサーに基づくモニタリングが不可欠である。