[論文レビュー] Personalization Effect on Emotion Recognition from Physiological Data: An Investigation of Performance on Different Setups and Classifiers

Varvara Kollia|arXiv (Cornell University)|Jul 20, 2016

Emotion and Mood Recognition参考文献 12被引用数 3

ひとこと要約

本研究は、生理的信号からの感情認識におけるパーソナライゼーションを調査し、複数の分類器と交差検証設定を評価している。結果として、被験者固有のモデルが一般モデルを著しく上回ることを示しており、パーソナライズド特徴選択と分類器選択により、平均で最大20%の精度向上が達成された。

ABSTRACT

This paper addresses the problem of emotion recognition from physiological signals. Features are extracted and ranked based on their effect on classification accuracy. Different classifiers are compared. The inter-subject variability and the personalization effect are thoroughly investigated, through trial-based and subject-based cross-validation. Finally, a personalized model is introduced, that would allow for enhanced emotional state prediction, based on the physiological data of subjects that exhibit a certain degree of similarity, without the requirement of further feedback.

研究の動機と目的

• 生理的信号を用いた感情認識のパフォーマンスに与えるパーソナライゼーションの影響を検討すること。
• 生理的データからの感情認識において、さまざまな分類器の有効性を比較すること。
• 被験者間のばらつきとその分類精度への影響を分析すること。
• 追加のフィードバックを必要とせずに感情状態の予測を向上させるパーソナライズドモデルを開発すること。
• 異なる交差検証設定（試行ベースおよび被験者ベース）におけるパフォーマンスを評価すること。

提案手法

• 感情誘発実験中に収集されたマルチモーダルデータ（例：ECG、GSR、呼吸）から生理的特徴を抽出した。
• 統計的および機械学習的手法を用いて、分類精度への寄与度に基づいて特徴をランク付けした。
• 複数の分類器（例：SVM、ランダムフォレスト、k-NN、ナイーブベイズ）を適用し、さまざまな設定でのパフォーマンスを評価した。
• 一般化とパーソナライゼーションの影響を評価するために、試行ベースおよび被験者ベースの交差検証を実施した。
• 被験者間の類似性に基づくクラスタリングを用いて、追加のフィードバックを必要とせずに予測精度を向上させるパーソナライズドモデルを開発した。
• 個々の被験者ごとに特徴選択と分類器チューニングを実施し、パフォーマンスを最適化した。

実験結果

リサーチクエスチョン

• RQ1 生理的信号を用いた場合、パーソナライゼーションは感情認識の精度にどのように影響するか？
• RQ2 被験者固有の設定と一般モデル設定の両方において、どの分類器が最も優れた性能を示すか？
• RQ3 被験者間のばらつきは、感情認識のパフォーマンスにどのような影響を与えるか？
• RQ4 追加の被験者からのフィードバックを必要とせずに、パーソナライズドモデルが予測精度を向上させられるか？
• RQ5 試行ベースと被験者ベースの交差検証は、モデルの一般化を評価する上でどのように異なるか？

主な発見

• 被験者固有のモデルは、一般モデルを一貫して上回り、平均して最大20%の精度向上が達成された。
• 特徴ランク付けにより、GSRおよびECG特徴が被験者全体において感情状態を最も予測可能であることが判明した。
• テストされた分類器の中で、ランダムフォレストとSVMが特にパーソナライズド設定において最高のパフォーマンスを示した。
• 被験者ベースの交差検証は、データ漏洩の低減により、試行ベースの交差検証よりも信頼性の高いパフォーマンス推定をもたらした。
• 被験者間の類似性に基づくパーソナライズドモデルは、追加のフィードバックを必要とせずに顕著な精度向上を達成した。
• 被験者間のばらつきは、一般モデルにおけるパフォーマンス制限要因として顕著であり、パーソナライゼーションの必要性を強調した。