[論文レビュー] Stress Classification and Personalization: Getting the most out of the least

Ramesh Kumar Sah, Hassan Ghasemzadeh|arXiv (Cornell University)|Jul 12, 2021

Emotion and Mood Recognition被引用数 7

ひとこと要約

本稿では、手作業による特徴工学を経ずに生の電皮活動（EDA）データを直接処理する新しいCNNベースのストレス分類フレームワークを提案する。92.85%の正確性と0.89のF1スコアを達成した。さらに、1人1人の被験者を除いた交差検証（leave-one-subject-out）分析を通じて、個別化の必要性を示し、個別被験者データでモデルを再訓練することで顕著な性能向上が得られることを示した。

ABSTRACT

Stress detection and monitoring is an active area of research with important implications for the personal, professional, and social health of an individual. Current approaches for affective state classification use traditional machine learning algorithms with features computed from multiple sensor modalities. These methods are data-intensive and rely on hand-crafted features which impede the practical applicability of these sensor systems in daily lives. To overcome these shortcomings, we propose a novel Convolutional Neural Network (CNN) based stress detection and classification framework without any feature computation using data from only one sensor modality. Our method is competitive and outperforms current state-of-the-art techniques and achieves a classification accuracy of $92.85\\%$ and an $f1$ score of $0.89$. Through our leave-one-subject-out analysis, we also show the importance of personalizing stress models.

研究の動機と目的

• 従来の特徴工学を回避し、生のEDA信号を直接使用するストレス検出システムの開発。
• マルチモーダル入力なしにEDAデータにのみ基づいて訓練されたディープラーニングモデルの性能を評価すること。
• ストレス認識における個人差のため、ストレス分類モデルが個別化を必要とするかどうかを調査すること。
• 特徴選択やマルチセンサーフュージョンの削除により、システムの複雑さと計算負荷を低減すること。
• データ処理と消費電力の最小化により、バッテリー駆動のウェアラブルデバイスへの実用的導入を可能にすること。

提案手法

• 前処理や特徴抽出を一切行わず、生のEDA信号セグメントに直接1次元畳み込みニューラルネットワーク（CNN）を訓練する。
• モデルはEDAデータから判別可能な時間的パターンをエンドツーエンドで学習し、トレーニング中に関連するストレス関連特徴を自動的に同定する。
• 一般化性能と個別化の必要性を評価するために、1人1人の被験者を除いた交差検証（LOSO）を用いる。
• LOSOで性能が低かった被験者に対しては、除外された被験者のテストセットから徐々に増加する数のサンプルを用いてモデルを再訓練し、元のトレーニングセットと同等の性能を達成する。
• 全15名の被験者に対して、トレーニングセットおよびテストセットにおける分類正確性とF1スコアを用いて性能を評価する。
• 本手法は、公開済みのWESADデータセットを用いて評価され、Empatica E4ウェアラブルデバイスからのEDAデータのみが使用された。

実験結果

リサーチクエスチョン

• RQ1 手作業による特徴工学なしに、生のEDA信号のみを用いたディープラーニングモデルが、高い正確性を達成できるか？
• RQ2 複数名の被験者データで訓練された一般化モデルの性能と、被験者固有のモデルの性能は、どのように比較されるか？
• RQ3 ストレス認識における個人差が、共有モデルの性能にどの程度影響を及えるか？
• RQ4 特定の被験者に対して、一般化モデルと同等またはそれ以上の性能を達成するための最小サンプル数はどの程度か？
• RQ5 マルチモーダルで手作業による特徴抽出を用いた手法と比較して、単一センサでエンドツーエンドのディープラーニングアプローチが、ストレス分類で優れた性能を示せるか？

主な発見

• 提案されたCNNモデルは、全被験者のEDAデータを用いて訓練した場合、分類正確性が92.85%、F1スコアが0.89に達し、複数の最先端手法を上回った。
• 1人1人の被験者を除いた交差検証（LOSO）分析により、被験者間での性能のばらつきが顕著に現れ、被験者S14ではテストセットでの正確性が最低で55.9%にまで低下した。
• 被験者S2, S3, S7, S11, S14, S17では、テストセットでの性能がトレーニングセットと比べて著しく低く、一般化性能が不十分であった。
• 除外された被験者のデータから僅か40〜61サンプルを用いて再訓練した後、すべての性能が低い被験者のテスト正確性が93%以上に向上した。これにより、個別化の必要性が裏付けられた。
• 全被験者を対象としたLOSOでの平均正確性は85.44%、F1スコアは0.75であった。これは個別適応の重要性を示している。
• 結果から、ストレス認識は主観的であり、刺激に対する生理的反応の個人差が、最適な性能を得るための個別化モデルの必要性を示していることが明らかになった。