[論文レビュー] The Effect of Person-Specific Biometrics in Improving Generic Stress Predictive Models

Kizito Nkurikiyeyezu, Anna Yokokubo+1 more|arXiv (Cornell University)|Oct 3, 2019

Emotion and Mood Recognition被引用数 9

ひとこと要約

本論文では、100人分の個別生理的サンプル（HRVおよびEDA）を組み込むことで、汎用的ストレス予測モデルの精度を42.5%から95.2%まで向上させる、コスト効率の高いキャリブレーション手法を提案する。この手法により、再訓練を必要とせず、個別化された高精度なストレス予測が可能となり、スケーラブルで実世界への展開が現実可能になる。

ABSTRACT

Because stress is subjective and is expressed differently from one person to another, generic stress prediction models (i.e., models that predict the stress of any person) perform crudely. Only person-specific ones (i.e., models that predict the stress of a preordained person) yield reliable predictions, but they are not adaptable and costly to deploy in real-world environments. For illustration, in an office environment, a stress monitoring system that uses person-specific models would require collecting new data and training a new model for every employee. Moreover, once deployed, the models would deteriorate and need expensive periodic upgrades because stress is dynamic and depends on unforeseeable factors. We propose a simple, yet practical and cost effective calibration technique that derives an accurate and personalized stress prediction model from physiological samples collected from a large population. We validate our approach on two stress datasets. The results show that our technique performs much better than a generic model. For instance, a generic model achieved only a 42.5% accuracy. However, with only 100 calibration samples, we raised its accuracy to 95.2% We also propose a blueprint for a stress monitoring system based on our strategy, and we debate its merits and limitation. Finally, we made public our source code and the relevant datasets to allow other researchers to replicate our findings.

研究の動機と目的

• ストレス予測における高精度な個人特異的モデルと低一般化性を示す汎用的モデルの間のギャップを埋めること。
• 最小限の個人キャリブレーションデータを用いて、汎用的ストレス予測モデルをコスト効率よく個別化する手法を開発すること。
• オフィスなどの実世界環境において、ストレスモニタリングシステムの実用的かつ大規模な展開を可能にすること。
• 共有される生理的反応と個人特異のパターンを活用することで、再訓練や高コストの更新の必要性を低減すること。
• 再現性を高めるために、オープンソースのツールとデータセットを提供すること。

提案手法

• まず、HRVおよびEDA特徴量の多数の集団データセットを用いてトレーニングされた汎用的ストレス予測モデルから開始する。
• 次に、新しい個人からのわずか100件の個別生理的サンプルを用いて、汎用モデルをキャリブレーションする。
• キャリブレーションプロセスでは、被験者の独自の生理的パターンを組み込むことで、モデルの意思決定境界を調整し、効果的にモデルを個別化する。
• このアプローチでは、100件のキャリブレーションサンプルを、個人特異のストレス反応を捉える個人固有のフィンガープリントとして扱う。
• キャリブレーションされたモデルは、同じ個人からの未学習データに対して評価され、完全な再トレーニングなしに個別化が実現されることを保証する。
• フレームワークはスマートビルディングシステムへの統合を想定しており、IBM Watson Studioなどの低コードモデル管理プラットフォームを介した展開をサポートする。

実験結果

リサーチクエスチョン

• RQ1 わずか100件の個人特異的キャリブレーションデータを用いることで、汎用的ストレス予測モデルの精度を著しく向上させることができるか？
• RQ2 完全な再トレーニングなしに、ほぼ個人特異的性能に到達するためには、どの程度のキャリブレーションサンプル数が必要か？
• RQ3 集団レベルの学習と個人特異的データを組み合わせたハイブリッドモデルは、多様な個人にわたって一般化性を示せるか？
• RQ4 実世界のストレスモニタリングシステムにおいて、モデルの精度と展開コストのトレードオフはいかなるものか？
• RQ5 このアプローチは、プライバシーとスケーラビリティの制約があるオフィス環境でも実用的に展開可能か？

主な発見

• 汎用的ストレス予測モデルは、未学習の個人に対して42.5% ± 19.9%の精度にとどまり、一般化性能が著しく低いことが示された。
• わずか100件の個人特異的キャリブレーションサンプルを用いることで、モデルの精度は95.2% ± 0.5%まで向上し、完全にトレーニングされた個人特異的モデルに近い性能に到達した。
• この手法により、ユーザーごとの完全な再トレーニングの必要性が著しく削減され、展開および保守コストが低減された。
• スケーラビリティとコスト効率の観点から、キャリブレーション済みモデルは、汎用モデルおよび完全に個人特異的にトレーニングされたモデルを上回った。
• モデルは完全な再トレーニングなしに効率的に再キャリブレーション可能であるため、定期的なアップデートを伴う長期的な展開が可能になった。
• 研究者らは、再現性を確保し、今後の研究を支援するため、ソースコードとデータセットを公開した。