[論文レビュー] Personalized acute stress classification from physiological signals with neural processes

Callum Stewart, Amos Folarin+1 more|arXiv (Cornell University)|Feb 10, 2020

Emotion and Mood Recognition被引用数 9

ひとこと要約

本論文では、個人の生理的信号（ECGおよびGSR）からの急性ストレス分類をパーソナライズ化するため、神経過程を用いる手法を提案している。少数のコンテキストポイント（個人からのデータ）を活用してモデルを適応させる。神経過程が、特にベースラインおよびストレス期間を含むコンテキストを持つ場合に、従来の機械学習モデルを上回ることを示しており、最小限のラベル付きデータで正確な個別化されたストレス検出が可能である。

ABSTRACT

Objective: A person's affective state has known relationships to physiological processes which can be measured by wearable sensors. However, while there are general trends those relationships can be person-specific. This work proposes using neural processes as a way to address individual differences. Methods: Stress classifiers built from classic machine learning models and from neural processes are compared on two datasets using leave-one-participant-out cross-validation. The neural processes models are contextualized on data from a brief period of a particular person's recording. Results: The neural processes models outperformed the standard machine learning models, and had the best performance when using periods of stress and baseline as context. Contextual points chosen from other participants led to lower performance. Conclusion: Neural processes can learn to adapt to person-specific physiological sensor data. There are a wide range of affective and medical applications for which this model could prove useful.

研究の動機と目的

• 感情コンピューティング分野における標準的な機械学習モデルの一般化可能性を制限する、ストレスに対する生理的反応の個人差を解決すること。
• 神経過程が、個人ごとに少数のラベル付きデータポイントのみを用いて、ストレス分類モデルを効果的にパーソナライズできるかを調査すること。
• 異なる種類のコンテキストデータ（ベースライン、ストレス、または他者からのデータ）がモデル性能に与える影響を評価すること。
• 低データ医療分野におけるパーソナライズ化に、ラベルなしまたは弱いラベル付きデータを効果的に使用できるかを検討すること。
• パーソナライズ化の効率性および正確性という観点から、神経過程と従来の機械学習アプローチを比較すること。

提案手法

• 神経過程は、特定の個人からの少数のコンテキストポイントをパrameter化することで、生理的信号の関数の分布をモデル化するメタラーニングフレームワークとして用いられる。
• モデルは、ECGおよびGSR測定値などのコンテキストデータ（x, y）ペアを処理するエンコーダーネットワークを採用し、分類器の条件付けに用いる潜在表現を生成する。
• デコーダーネットワークは、エンコードされたコンテキストに基づいてストレス分類の予測を生成し、1回の順伝播で迅速な適応が可能となる。
• 複数人の参加者からなるメタトレーニングセットで訓練されることで、個々の個人に一般化・迅速適応可能なフレームワークが実現される。
• 性能評価のため、コンテキストデータとして、同じ参加者の記録内からベースラインまたはストレス期間を選択し、データタイプの影響を評価する。
• データ漏洩を回避し、堅牢性を確保するため、1人を除いた参加者を交差検証法で評価する。

実験結果

リサーチクエスチョン

• RQ1 神経過程は、個人ごとに少数のラベル付き生理的データポイントのみを用いて、ストレス分類モデルのパーソナライズを効果的に実現できるか？
• RQ2 コンテキストデータの選択（ベースライン対ストレス対他者からのデータ）が、パーソナライズされたストレス分類器の性能に与える影響は何か？
• RQ3 ベースラインおよびストレスデータの両方をコンテキストとして組み込むことで、単一のタイプのみを用いる場合と比較して、モデルの正確性が向上するか？
• RQ4 パーソナライズ化性能およびデータ効率という観点から、神経過程アプローチは従来の機械学習モデルと比較してどのように異なるか？
• RQ5 参加者の記録から得られるラベルなしまたは弱いラベル付きデータを、パーソナライズ化に効果的に活用できるか？

主な発見

• 神経過程は、DrivedbおよびWESADの両データセットにおいて、標準的な機械学習モデルを上回るストレス分類性能を示した。
• 最も高い性能は、同じ個人のベースラインおよびストレス期間からのコンテキストデータを組み合わせた場合に達成され、代表的な生理的状態の価値が示された。
• 他の参加者からのコンテキストデータを用いた場合、顕著に性能が低下した。これは、個人特有のコンテキストの重要性を示している。
• 高トニックGSRを示す非典型ベースライン記録をコンテキストに含めた場合、性能が著しく低下した。これは、データ品質および代表性への感受性を示している。
• ベースラインの最初の数分間を除外し、より典型的な休息期間を選択してコンテキストとして使用することで、モデルの性能が回復した。これは、パーソナライズ化におけるデータ品質の重要性を強調している。
• パーソナライズには、エンコーダーを1回の順伝播するのみで済むため、計算的に効率的であり、リアルタイム応用に適している。