[論文レビュー] "Making you happy makes me happy" -- Measuring Individual Mood with Smartwatches
本論文では、自ら報告した気分の記録に基づいてトレーニングされたランダムフォレスト分類器を用いて、心拍数、活動、光、GPS、天候などの生理的および環境的データを統合し、スマートウォッチベースのシステムが個々の気分を予測する手法を提示している。このシステムは最大94％の正確性を達成し、生理的信号と友人の気分（社会的影響）の両方が気分予測の重要な要因であると特定した。
We introduce a system to measure individual happiness based on interpreting body sensors on smartwatches. In our prototype system we use a Pebble smartwatch to track activity, heartrate, light level, and GPS coordinates, and extend it with external information such as weather data, humidity, and day of the week. Training our machine learning-based mood prediction system using random forests with data manually entered into the smartwatch, we achieve prediction accuracy of up to 94%. We find that besides body signals, the weather data exerts a strong influence on mood. In addition our system also allows us to identify friends who are indicators of our positive or negative mood.
研究の動機と目的
- スマートウォッチのセンサーと外部データを用いた、リアルタイムで個々の気分を測定するウェアラブルシステムの開発。
- 気分に与える生理的信号および気象などの環境要因の影響の調査。
- 友人（社会的関係者）の気分が個人の気分を予測する要因として機能するかどうかの検討。
- マルチモーダルセンサー・データからの気分予測における機械学習モデルの性能評価。
提案手法
- システムは、Pebbleスマートウォッチから心拍数、身体活動、環境光、GPS座標を含むデータを収集する。
- 天気、湿度、曜日、時間帯などの外部データをセンサーデータと統合する。
- 参加者がスマートウォッチのインターフェースを通じて自ら気分を手動でログ記録し、トレーニング用のラベル付きデータセットを構築する。
- センサーデータと文脈的情報を統合したデータに基づいてランダムフォレスト分類器をトレーニングし、気分を予測する。
- 特徴量の重要度分析を実施し、気分予測に最も影響を与える信号を特定する。
- 友人との気分の相関関係を分析することで、社会的影響をモデル化する。
実験結果
リサーチクエスチョン
- RQ1スマートウォッチシステムは、生理的および環境的信号の組み合わせを用いて、個々の気分を正確に予測できるか？
- RQ2天気や湿度などの外部要因は、ウェアラブルセンサーで測定された気分にどのように影響を与えるか？
- RQ3友人の気分が、個人の気分をどれほど予測できるか？
- RQ4心拍数、活動、光などのセンサーモダリティのうち、どのものが気分変化を最も予測可能か？
主な発見
- ランダムフォレストモデルは、マルチモーダルセンサーおよび文脈的情報を用いて、最大94％の気分予測正確性を達成した。
- 気温や降水量を含む天候条件が、個々の気分に強い影響を与えることが判明した。
- 友人の気分は、個人の気分を予測する上で顕著な予測要因であると特定され、社会的気分伝染効果の可能性が示された。
- 心拍数と身体活動は、気分予測において最も有益な生理的信号の一部であった。
- 環境光レベルと時刻も、モデルの予測性能向上に有意義に寄与した。
- システムは、気分の変化が環境的および社会的要因と時間的に相関しているパターンを効果的に同定した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。