[논문 리뷰] Semi-Supervised Generative Adversarial Network for Stress Detection Using Partially Labeled Physiological Data

Nibraas Khan, Sarkar, Nilanjan|arXiv (Cornell University)|2022. 06. 30.

Emotion and Mood Recognition인용 수 11

한 줄 요약

이 논문은 WESAD 데이터셋에서 부분적으로 레이블이 붙은 생리적 데이터를 사용하여 스트레스 감지에 대한 준감독 학습 생성 적대 기반 네트워크(SGAN)를 제안한다. 30%의 레이블이 붙은 데이터와 70%의 레이블이 없는 데이터를 활용함으로써 SGAN 모델은 경쟁 가능한 성능을 달성하며, 준감독 학습이 스트레스 감지에서 레이블링 비용을 크게 줄일 수 있음을 보여주며, 웨어러블 센서 데이터를 사용할 때도 높은 정확도를 유지할 수 있음을 입증한다.

ABSTRACT

Physiological measurements involves observing variables that attribute to the normative functioning of human systems and subsystems directly or indirectly. The measurements can be used to detect affective states of a person with aims such as improving human-computer interactions. There are several methods of collecting physiological data, but wearable sensors are a common, non-invasive tool for accurate readings. However, valuable information is hard to extract from the raw physiological data, especially for affective state detection. Machine Learning techniques are used to detect the affective state of a person through labeled physiological data. A clear problem with using labeled data is creating accurate labels. An expert is needed to analyze a form of recording of participants and mark sections with different states such as stress and calm. While expensive, this method delivers a complete dataset with labeled data that can be used in any number of supervised algorithms. An interesting question arises from the expensive labeling: how can we reduce the cost while maintaining high accuracy? Semi-Supervised learning (SSL) is a potential solution to this problem. These algorithms allow for machine learning models to be trained with only a small subset of labeled data (unlike unsupervised which use no labels). They provide a way of avoiding expensive labeling. This paper compares a fully supervised algorithm to a SSL on the public WESAD (Wearable Stress and Affect Detection) Dataset for stress detection. This paper shows that Semi-Supervised algorithms are a viable method for inexpensive affective state detection systems with accurate results.

연구 동기 및 목표

• 준감독 학습(SSL)이 스트레스 감지용 생리적 데이터의 레이블링 비용을 낮추면서도 모델 성능을 저하시키지 않고 감소시킬 수 있는지 조사하기 위해.
• WESAD 데이터셋에서 스트레스 분류를 위해 완전히 감독된 Bi-LSTM 모델과 준감독 학습된 SGAN 모델을 비교하기 위해.
• 웨어러블 센서 데이터를 사용한 정서 상태 감지에 있어서 생성 적대 기반 네트워크를 준감독 설정에서 활용할 수 있는지의 가능성을 평가하기 위해.
• BVP, HRV, EDA 및 가속도계 데이터와 같은 생리 신호를 사용한 SSL 기반 스트레스 감지 시스템의 설계 프레임워크를 제공하기 위해.

제안 방법

• 레이블이 붙은 데이터와 레이블이 없는 생리적 데이터를 함께 사용하여 생성자, 판별자 및 분류기를 동시에 훈련시키는 준감독 학습 GAN(SGAN) 아키텍처를 적용하였다.
• 비교를 위해 WESAD 데이터셋의 100% 레이블이 붙은 데이터로 훈련된 완전히 감독된 Bi-LSTM을 기준 모델로 사용하였다.
• 모델의 안정성을 확보하기 위해 14명의 참가자로 훈련하고 1명을 생략하는 이탈자 한 명을 대상으로 한 교차 검증(LOSO) 전략을 적용하였으며, 이를 총 50회 반복하였다.
• 모델 입력을 위해 생리 신호(BVP, HRV, IBI, EDA, ACC, TEMP, HR)를 표준 정규화 및 시퀀스 윈도우 처리를 통해 전처리하였다.
• 클래스 불균형 문제를 해결하기 위해 양성 레이블을 복제하는 대신 정규 분포를 사용하여 음성 샘플을 제거함으로써 과적합 위험을 줄였다.
• 모델 성능 평가를 위해 이진 정확도, AUC, 정밀도, 재현도, F1 점수 및 혼동 행렬 구성요소(TP, TN, FP, FN)를 포함한 다수의 지표를 사용하였다.

실험 결과

연구 질문

• RQ1 30%의 레이블이 붙은 데이터로만 훈련된 준감독 학습 GAN 모델이 완전히 감독된 Bi-LSTM 모델과 동등한 스트레스 감지 성능을 달성할 수 있는가?
• RQ2 LOSO 평가에서 WESAD 데이터셋의 다양한 참가자들에 대해 SGAN 모델의 성능은 어떻게 변할까?
• RQ3 레이블이 없는 데이터의 포함 여부가 생리적 신호를 사용한 스트레스 감지에서 모델의 일반화 능력 향상에 얼마나 기여하는가?
• RQ4 명시적인 감독 없이도 SGAN 모델이 레이블이 없는 생리적 시퀀스로부터 의미 있는 표현을 학습할 수 있는가?

주요 결과

• 완전히 감독된 Bi-LSTM 모델은 50회의 LOSO 시험에서 평균 이진 정확도 89.2%와 AUC 0.92를 기록하여 높은 성능를 달성하였다.
• 준감독 학습된 SGAN 모델은 평균 이진 정확도 78.5%와 AUC 0.85를 기록하여, 제한된 레이블 데이터에서 의미 있는 표현을 학습할 수 있음을 입증하였다.
• 단지 30%의 레이블 데이터만 사용했음에도 불구하고, SGAN 모델은 참가자 간에 뛰어난 일반화 능력을 보였으며, 몇몇 개인 참가자들에 대해서는 완전히 감독된 기준 모델에 근접한 성능를 보였다.
• 50회의 교차 검증 런에 걸쳐 성능이 안정적으로 유지되어 참가자별 생리 반응의 차이에 대한 저항력이 높음을 시사하였다.
• 양성 레이블을 복제하는 대신 음성 샘플을 제거하는 전략은 훈련 효율성을 향상시키고 과적합 위험을 줄였다.
• 결과적으로, GAN 기반 준감독 학습은 완전히 감독된 학습의 타당한 대안이 되며, 스트레스 감지에서 레이블링 비용을 크게 줄일 수 있고, 수용 가능한 정확도를 유지할 수 있음을 시사한다.