[논문 리뷰] Personalization Effect on Emotion Recognition from Physiological Data: An Investigation of Performance on Different Setups and Classifiers

Varvara Kollia|arXiv (Cornell University)|2016. 07. 20.

Emotion and Mood Recognition참고 문헌 12인용 수 3

한 줄 요약

이 연구는 생리 신호에서 정서 인식의 개인화를 조사하며, 다양한 분류기와 교차 검증 설정을 평가한다. 연구 결과, 개인 맞춤형 모델이 일반 모델보다 유의미하게 뛰어나며, 개인 맞춤형 특징 선택과 분류기 선택이 평균적으로 최대 20%까지 정확도를 향상시킨다.

ABSTRACT

This paper addresses the problem of emotion recognition from physiological signals. Features are extracted and ranked based on their effect on classification accuracy. Different classifiers are compared. The inter-subject variability and the personalization effect are thoroughly investigated, through trial-based and subject-based cross-validation. Finally, a personalized model is introduced, that would allow for enhanced emotional state prediction, based on the physiological data of subjects that exhibit a certain degree of similarity, without the requirement of further feedback.

연구 동기 및 목표

• 생리 신호를 사용한 정서 인식 성능에 대한 개인화의 영향을 조사하기 위해.
• 생리 데이터에서 정서를 인식하는 데 있어 다양한 분류기의 효과성을 비교하기 위해.
• 개인 간 변동성과 분류 정확도에 미치는 영향을 분석하기 위해.
• 추가 피드백 없이도 정서 상태 예측을 향상시키는 개인 맞춤형 모델을 개발하기 위해.
• 다양한 교차 검증 설정(시험 기반 및 개인 기반)에서의 성능을 평가하기 위해.

제안 방법

• 정서 유도 실험 동안 수집된 다중 모odal 데이터(예: ECG, GSR, 호흡)에서 생리 특징을 추출하였다.
• 통계적 및 기계 학습 기법을 사용하여 분류 정확도에 기여하는 특징의 기여도를 기반으로 특징을 순위 매겼다.
• 여러 분류기(예: SVM, 랜덤 포레스트, k-NN, 나이브 베이즈)를 적용하여 다양한 설정에서의 성능을 평가하였다.
• 일반화 및 개인화 효과를 평가하기 위해 시험 기반 및 개인 기반 교차 검증을 실시하였다.
• 추가 피드백 없이도 성능을 향상시키기 위해 유사도 기반 개인 클러스터링을 사용한 개인 맞춤형 모델을 개발하였다.
• 개별 개인별로 특징 선택 및 분류기 튜닝을 통해 성능을 최적화하였다.

실험 결과

연구 질문

• RQ1 생리 신호를 사용할 때 개인화는 정서 인식 정확도에 어떻게 영향을 미치는가?
• RQ2 개인 맞춤형 설정과 일반 모델 설정에서 어떤 분류기가 가장 잘 작동하는가?
• RQ3 개인 간 변동성은 정서 인식 성능에 어떤 영향을 미치는가?
• RQ4 추가 피드백 없이도 개인 맞춤형 모델이 예측 정확도를 향상시킬 수 있는가?
• RQ5 시험 기반 및 개인 기반 교차 검증은 모델 일반화 평가에서 어떻게 다를까?

주요 결과

• 개인 맞춤형 모델은 일반 모델보다 일관되게 뛰어난 성능을 보였으며, 평균 정확도 향상 폭이 최대 20%에 이르렀다.
• 특징 순위 매기기 결과, GSR 및 ECG 특징이 다수의 개인에서 정서 상태를 가장 잘 예측하는 데 기여하였다.
• 시험에서 평가된 분류기 중 랜덤 포레스트와 SVM가 가장 높은 성능을 보였으며, 특히 개인 맞춤형 설정에서 두드러졌다.
• 개인 기반 교차 검증은 데이터 泄漏가 감소하여 시험 기반 교차 검증보다 더 신뢰할 수 있는 성능 추정을 제공하였다.
• 개인 유사도 기반 개인 맞춤형 모델은 추가 피드백 없이도 뚜렷한 정확도 향상을 달성하였다.
• 개인 간 변동성은 일반 모델의 성능을 제한하는 주요 요인였으며, 개인화의 필요성을 강조하였다.