[논문 리뷰] A foundation model for electrodermal activity data

Leonardo Alchieri, Matteo Garzon외 5명|arXiv (Cornell University)|2026. 02. 20.

Emotion and Mood Recognition인용 수 0

한 줄 요약

이 논문은 EDAMAME라는 대규모 공개 다중 데이터셋 모음에서 학습된 전기피부활성(EDA)을 위한 오픈 소스 기반 모델인 UME를 제시하고, 다운스트림 작업에서 기준선보다 우수한 성능을 보이면서 훨씬 적은 자원을 사용한다.

ABSTRACT

Foundation models have recently extended beyond natural language and vision to timeseries domains, including physiological signals. However, progress in electrodermal activity (EDA) modeling is hindered by the absence of large-scale, curated, and openly accessible datasets. EDA reflects sympathetic nervous system activity and is widely used to infer cognitive load, stress, and engagement. Yet very few wearable devices provide continuous, unobtrusive sensing, and the only large-scale archive to date is proprietary. To address this gap, we compile EDAMAME, a collection of EDA traces from 24 public datasets, comprising more than 25,000 hours from 634 users. Using this resource, we train UME, the first dedicated foundation model for EDA. In eight out of ten scenarios, UME outperforms baselines and matches generalist timeseries foundation models while using 20x fewer computational resources. Our findings, however, also highlight the intrinsic challenges of EDA modeling, motivating further research to unlock its full potential. All datasets, model weights, and code are released to support further research.

연구 동기 및 목표

• 웨어러블 신호를 위한 기반 모델을 가능하게 하기 위해 대규모의 오픈 EDA 데이터의 필요성을 동기 부여한다.
• 모델을 학습하고 평가하기 위한 다양하고 오픈된 EDA 데이터셋 컬렉션인 EDAMAME을 만든다.
• Self-supervised contrastive 학습으로 학습되는 EDA 데이터의 오픈 기반 모델인 UME를 개발한다.
• 핸드메이드 특징과 다른 시계열 모델과 비교하여 다양한 다운스트림 태스크에서 UME를 평가한다.
• 재현성을 촉진하고 추가 연구를 촉진하기 위해 데이터셋, 모델 가중치 및 코드의 개방 접근을 제공한다.

제안 방법

• EDAMAME을 24개의 공개 EDA 데이터셋에서 모아 총합 25,000시간 이상, 634명의 사용자의 데이터를 포함하고 있으며, 모두 Empatica E4 디바이스와 4 Hz 샘플링으로 수집한다.
• Butterworth 로우패스 필터(0.4 Hz) 및 cvxEDA 분해를 이용해 데이터 전처리하고, phasic, tonic, 원본 EDA 신호를 입력으로 사용한다.
• 학습을 위해 60초 윈도로 데이터를 분할하고 0.25초의 중첩으로 UME 학습용 윈도우를 약 2.75억 개 생성한다.
• Contrastive 학습의 InfoNCE 손실을 사용하여 EfficientNet 백본(1D 시계열에 맞게 적응, 240 길이 입력, 3 채널), 약 1M 파라미터 및 잠재 크기 d=64의 Open Foundation 모델인 UME를 학습한다.
• EDA 세그먼트당 두 개의 증강을 사용해 양의 쌍을 만들고 배치 내 다른 세그먼트에서 부정 샘플을 얻으며, 기모사에서 시도된 마스크드 재구성 시도는 성공적이지 못해 제거한다.
• 대표 벤치마크를 포함한 EDAMAME-테스트 스위트를 이용한 선형 탐색을 통해 표현을 평가하고, 일반 핸드메이드 특징, EDA 특화 핸드메이드 특징, 일반ist 시계열 기반 모델(Chronos, MOMENT, Mantis)과 비교한다.

실험 결과

연구 질문

• RQ1 대규모의 공개 EDA 다중 데이터셋 코퍼스로 학습된 기반 모델이 다운스트림 EDA 태스크에 대해 전이 가능한 표현을 학습할 수 있는가?
• RQ2 UME가 핸드메이드 특징 기반의 베이스라인 및 기존의 일반ist 시계열 기반 모델과 비교했을 때 EDA 분류 작업에서 어떤 성능을 보이는가?
• RQ3 실제 EDA의 데이터 특성 및 도전 과제는 모델 학습과 일반화에 어떤 영향을 미치는가?

주요 결과

• UME는 10개의 다운스트림 작업 중 8개에서 일반 핸드메이드 특징으로 학습된 베이스라인보다 우수한 성능을 보인다.
• UME는 일반ist 시계열 기반 모델의 성능에 맞추면서도 계산 자원을 최소 20배 이상 절감한다.
• EDAMAME에는 634명의 사용자로부터 약 25,000시간의 EDA 데이터가 포함되어 있으며, 모든 데이터셋에서 EDA가 4 Hz로 샘플링된다.
• UME 모델은 약 1M 파라미터의 EfficientNet 백본과 64의 잠재 크기를 갖고, 60초 윈도와 세 입력 구성요소(phasic, tonic, original)에서 작동한다.
• 태스크 간 균형 정확도는 일반적으로 0.7 미만이며 상당한 변동성을 보이며, EDA 모델링의 고유한 도전 과제를 부각시킨다.
• 모든 데이터셋, 모델 가중치 및 코드는 향후 연구를 지원하기 위해 공개된다.