[論文レビュー] Shesop Healthcare: Stress and influenza classification using support vector machine kernel

Andrien Ivander Wijaya, Ary Setijadi Prihatmanto+1 more|arXiv (Cornell University)|Jan 1, 2016

Heart Rate Variability and Autonomic Control参考文献 9被引用数 2

ひとこと要約

本稿では、ウェアラブルデバイスのデータからストレスおよびインフルエンザを検出するための、心拍変動（HRV）特徴量（平均心拍数、平均IBI、SDHR、SDIBI）を用いたサポートベクターマシン（SVM）分類器を提案する。2次元のHRV特徴量をガウスカーネルを用いて3次元空間にマップすることで、ストレス分類では95％の正確度（正しく分類された20例中19例）、インフルエンザ分類では85％の正確度（正しく分類された20例中17例）を達成し、スマートウォッチを用いた非侵襲的でリアルタイムの健康モニタリングの可能性を示した。

ABSTRACT

Shesop is an integrated system to make human lives more easily and to help people in terms of healthcare. Stress and influenza classification is a part of Shesop's application for a healthcare devices such as smartwatch, polar and fitbit. The main objective of this paper is to classify a new data and inform whether you are stress, depressed, caught by influenza or not. We will use the heart rate data taken for months in Bandung, analyze the data and find the Heart rate variance that constantly related with the stress and flu level. After we found the variable, we will use the variable as an input to the support vector machine learning. We will use the lagrangian and kernel technique to transform 2D data into 3D data so we can use the linear classification in 3D space. In the end, we could use the machine learning's result to classify new data and get the final result immediately: stress or not, influenza or not.

研究の動機と目的

• ウェアラブル心拍データを用いた非侵襲的でリアルタイムの分類システムの開発を目的とする。
• ストレスおよびインフルエンザ検出に最も特徴的なHRV特徴量（例：平均心拍数、SDIBI）を特定することを目的とする。
• ラグランジュ最適化とガウスカーネルを用いたSVMを適用し、変換された3次元空間における有効な線形分類を可能とすることを目的とする。
• 長期間にわたって収集された実世界のHRVデータを用いて、モデルの予測性能を検証することを目的とする。

提案手法

• 長期間の心拍データから、時域特徴量として平均心拍数（meanHR）、平均R-R間隔（meanIBI）、心拍数の標準偏差（SDHR）、IBIの標準偏差（SDIBI）を抽出した。
• SVMの双対問題を解くためにラグランジュ双対最適化を用い、最適な超平面パラメータを決定した。
• ガウスカーネル関数を適用して、2次元の入力特徴量（例：SDevHRおよびSDevRR）を3次元特徴空間にマップし、線形分離可能にした。
• 閾値による分類：ストレスは出力スコアが2より大きい場合（+1としてラベル付け）、正常は2以下の場合（-1としてラベル付け）；インフルエンザは出力スコアが1より大きい場合。
• ラベル付きHRVデータでモデルを学習させ、未知のデータでテストすることで分類正確度を評価した。
• 平均HR対平均IBIの散布図を用いて、データの重複や誤分類のパターンを可視化し、モデルの限界を診断した。

実験結果

リサーチクエスチョン

• RQ1 平均HR、平均IBI、SDHR、SDIBIなどのHRV特徴量は、ストレス状態と非ストレス状態を効果的に区別できるか？
• RQ2 同じHRV特徴量は、インフルエンザ状態と健康状態を信頼性高く分類できるか？
• RQ3 カーネルベースのSVM変換は、非線形に分離可能なHRVデータの分類正確度を向上させるか？
• RQ4 特徴空間におけるデータの重複は、インフルエンザ検出の分類性能にどのように影響するか？
• RQ5 消費者用ウェアラブル機器で使用可能な、軽量でリアルタイムのモデルを、標準的なHRV指標のみで構築できるか？

主な発見

• SVMモデルはストレス分類において95％の正確度を達成し、20例中19例が正しく分類された。
• インフルエンザ分類の正確度は85％で、20例中17例が正しく予測された。
• ストレス分類においては、出力スコアが0.388という低値のため、1例の誤検出（偽陽性）が発生し、境界に近い分類であった。
• インフルエンザの誤分類は、主に平均HR対平均IBIの特徴空間における重複するデータポイント、特に意思決定境界付近に起因していた。
• ガウスカーネルは2次元HRV特徴量を3次元空間に効果的に変換し、より良い線形分離を実現し、分類性能の向上をもたらした。
• 特に曖昧なインフルエンザクラスの分類において、より大きな学習データセットを用いることで、モデルの正確度が向上すると予想される。