[논문 리뷰] Stress Classification and Personalization: Getting the most out of the least

Ramesh Kumar Sah, Hassan Ghasemzadeh|arXiv (Cornell University)|2021. 07. 12.

Emotion and Mood Recognition인용 수 7

한 줄 요약

이 논문은 수작업 특징 공학을 거치지 않고 원시 전기피부반응(EDA) 데이터를 직접 처리하는 새로운 CNN 기반 스트레스 분류 프레임워크를 제안하며, 정확도 92.85%와 F1 점수 0.89를 달성한다. 또한 이산적 개인화의 필요성을 입증하기 위해 이탈한 한 명의 주체를 대상으로 한 분석을 통해 개별 주체 데이터로 모델을 재학습했을 때 성능 향상이 뚜렷하게 나타남을 보여준다.

ABSTRACT

Stress detection and monitoring is an active area of research with important implications for the personal, professional, and social health of an individual. Current approaches for affective state classification use traditional machine learning algorithms with features computed from multiple sensor modalities. These methods are data-intensive and rely on hand-crafted features which impede the practical applicability of these sensor systems in daily lives. To overcome these shortcomings, we propose a novel Convolutional Neural Network (CNN) based stress detection and classification framework without any feature computation using data from only one sensor modality. Our method is competitive and outperforms current state-of-the-art techniques and achieves a classification accuracy of $92.85\\%$ and an $f1$ score of $0.89$. Through our leave-one-subject-out analysis, we also show the importance of personalizing stress models.

연구 동기 및 목표

• 기존의 특징 공학 기법을 생략하고 원시 EDA 신호를 직접 사용하는 스트레스 탐지 시스템을 개발하는 것.
• 다중 모odal 입력 없이 EDA 데이터만으로 학습된 딥러닝 모델의 성능을 평가하는 것.
• 개개인의 스트레스 인식 차이로 인해 스트레스 분류 모델이 개인화가 필요할 가능성 여부를 조사하는 것.
• 특징 선택 및 다중 센서 융합 과정을 제거하여 시스템 복잡성과 계산 오버헤드를 줄이는 것.
• 데이터 처리와 전력 소비를 최소화하여 배터리 구동 웨어러블 장치에 실용적으로 구현할 수 있도록 하는 것.

제안 방법

• 원시 EDA 신호 세그먼트에 대해 사전 처리나 특징 추출 없이 1D 컨volutional 신경망(CNN)을 학습한다.
• 모델은 EDA 데이터로부터 종료에서 종료까지 분류 가능한 시간적 패턴을 자동으로 학습하며, 학습 과정에서 관련된 스트레스 관련 특징을 자동으로 식별한다.
• 일반화 능력과 개인화 필요성을 평가하기 위해 이탈한 한 명의 주체를 대상으로 한 교차검증(LOSO)을 사용한다.
• LOSO에서 성능이 열악한 주체의 경우, 테스트 세트에서 점점 더 많은 수의 샘플을 사용해 모델을 재학습하여 원래의 학습 세트 성능을 상회하거나 동일하게 유지하도록 한다.
• 모든 15명의 주체에 대해 학습 및 테스트 세트에서 분류 정확도와 F1 점수를 사용해 성능을 평가한다.
• 방법은 공개된 WESAD 데이터셋을 사용하여 평가되었으며, 에마파티카 E4 웨어러블 기기에서의 EDA 데이터만을 사용한다.

실험 결과

연구 질문

• RQ1 특징 공학 없이도 원시 EDA 신호만을 사용해 딥러닝 모델이 높은 정확도로 스트레스 분류를 수행할 수 있는가?
• RQ2 여러 주체의 데이터로 학습된 일반 모델의 성능가, 주체별로 맞춤화된 모델의 성능는 어떻게 비교되는가?
• RQ3 개개인의 스트레스 인식 차이가 공유된 스트레스 분류 모델의 성능에 어느 정도 영향을 미치는가?
• RQ4 특정 개인의 스트레스 탐지 모델을 개인화하기 위해 필요한 최소 샘플 수는 얼마인가?
• RQ5 단일 센서 기반의 종료에서 종료까지 딥러닝 접근 방식이 다중 모달, 수작업 특징 기반 방법보다 스트레스 분류에서 뛰어난 성능을 낼 수 있는가?

주요 결과

• 제안된 CNN 모델은 모든 주체의 EDA 데이터를 기반으로 학습했을 때 분류 정확도 92.85%와 F1 점수 0.89를 달성하며, 여러 최신 기법들을 초월한다.
• 이탈한 한 명의 주체를 대상으로 한 분석에서 개인 간 성능 변동이 뚜렷하게 드러나며, 주체 S14의 경우 테스트 세트에서 정확도가 최소 55.9%까지 하락함을 확인했다.
• 주체 S2, S3, S7, S11, S14, S17의 경우, 테스트 세트에서의 성능이 학습 세트에 비해 열등하여 일반화 능력이 열악함을 나타낸다.
• 이탈한 주체의 데이터에서 단지 40~61개의 샘플을 사용해 재학습한 후, 모든 성능이 열악했던 주체의 테스트 정확도가 93% 이상으로 향상되었으며, 개인화의 필요성을 확인했다.
• LOSO에서 모든 주체의 평균 성능은 정확도 85.44%와 F1 점수 0.75로 나타나 개인 맞춤 보정의 중요성을 강조한다.
• 결과는 스트레스 인식이 주관적임을 보여주며, 자극에 대한 생리적 반응의 개인적 차이가 최적의 성능을 위해 개인화된 모델이 필요하다는 점을 입증한다.