[논문 리뷰] GSR Analysis for Stress: Development and Validation of an Open Source Tool for Noisy Naturalistic GSR Data

Seyed Amir Hossein Aqajari, Emad Kasaeyan Naeini외 4명|arXiv (Cornell University)|2020. 05. 04.

Emotion and Mood Recognition참고 문헌 15인용 수 38

한 줄 요약

이 논문은 노이즈가 있는 자연스러운 GSR 데이터에서 스트레스를 감지하기 위해 통계 및 딥러닝 특징 추출을 결합한 오픈 소스 파이썬 도구를 제시하며, WESAD 데이터셋에서 높은 정확도로 평가되었다.

ABSTRACT

The stress detection problem is receiving great attention in related research communities. This is due to its essential part in behavioral studies for many serious health problems and physical illnesses. There are different methods and algorithms for stress detection using different physiological signals. Previous studies have already shown that Galvanic Skin Response (GSR), also known as Electrodermal Activity (EDA), is one of the leading indicators for stress. However, the GSR signal itself is not trivial to analyze. Different features are extracted from GSR signals to detect stress in people like the number of peaks, max peak amplitude, etc. In this paper, we are proposing an open-source tool for GSR analysis, which uses deep learning algorithms alongside statistical algorithms to extract GSR features for stress detection. Then we use different machine learning algorithms and Wearable Stress and Affect Detection (WESAD) dataset to evaluate our results. The results show that we are capable of detecting stress with the accuracy of 92 percent using 10-fold cross-validation and using the features extracted from our tool.

연구 동기 및 목표

• 건강 위험과 연관된 스트레스 때문에 GSR(갈바닉 피부 반응)로 스트레스를 감지하는 동기를 부여한다.
• 노이즈가 많은 자연스러운 GSR 데이터를 처리하는 오픈 소스 파이프라인을 제안한다.
• GSR에서 통계적 및 딥러닝 특징을 모두 추출하여 스트레스 분류를 수행한다.
• 크로스 밸리데이션으로 Wearable Stress and Affect Detection(WESAD) 데이터셋에서 접근법을 평가한다.

제안 방법

• 전처리(20 Hz로 다운샘플링, 1초 창의 이동 평균, 그리고 최대-최소 정규화)와 특징 추출로 이루어진 두 단계의 GSR 파이프라인.
• 통계적 특징 추출은 피크 수, 평균 GSR, 최대 피크 진폭을 사용하며, 위상 성분은 onset/offset 및 피크 계산을 위해 cvxEDA로 도출한다.
• 피크 성분은 GSR을 위상/초단 성분 및 노이즈 용어로 분해하기 위해 cvxEDA를 사용.
• 딥 러닝 특징 추출은 사전 학습된 CNN을 특징 추출기로 간주하고 마지막 하위 샘플링 계층의 출력을 특징으로 사용.
• 네 가지 ML 알고리즘(kNN, 나이브 베이즈, 랜덤 포레스트, SVM)을 사용하고 두 가지 특징 세트(통계적 및 딥 러닝 특징)로 분류 실험.
• WESAD 데이터셋에서 10-폴드 교차 검증으로 평가.

실험 결과

연구 질문

• RQ1 노이즈가 있는 자연스러운 데이터에서 GSR에 대한 통계적 및 딥러닝 특징 추출 파이프라인의 결합이 스트레스 감지를 향상시킬 수 있는가?
• RQ2 통계적 특징과 딥 러닝 특징이 GSR를 이용한 스트레스 분류에서 어떻게 비교되는가?
• RQ3 제안된 특징과 분류기를 사용했을 때 WESAD 데이터셋에서 스트레스 감지의 분류 성능(정확도)은 얼마인가?

주요 결과

• 통계적 특징으로 10-폴드 CV에서 최적의 정확도: 90%를 kNN(k=1)으로 달성.
• 딥 러닝 특징으로 10-폴드 CV에서 최적의 정확도: 91.6%를 kNN(k=5)으로 달성.
• 네 가지 ML 알고리즘 중 세 가지는 딥 러닝 특징을 선호했고, 많은 경우 더 높은 정확도를 달성했다.
• WESAD 데이터셋은 EDA 데이터를 이용한 이진 스트레스 분류에서 이전 결과가 79.71%를 달성한 기준선과 비교되지만, 제안된 접근법은 정확도를 향상시켰다.
• 도구는 스트레스 감지를 위한 효율적인 통계적 특징과 광범위한 딥 러닝 특징 세트를 모두 제공한다.