[논문 리뷰] The Effect of Person-Specific Biometrics in Improving Generic Stress Predictive Models

Kizito Nkurikiyeyezu, Anna Yokokubo외 1명|arXiv (Cornell University)|2019. 10. 03.

Emotion and Mood Recognition인용 수 9

한 줄 요약

이 논문은 단지 100명의 개인별 생리적 샘플(HRV 및 EDA)을 통합하여 일반적인 스트레스 예측 모델의 정확도를 42.5%에서 95.2%로 향상시키는 비용 효율적인 校정 기법을 제안한다. 이 방법은 다시 학습하지 않고도 개인 맞춤형 고정확도의 스트레스 예측을 가능하게 하여, 확장 가능한 실생활 적용이 가능하게 한다.

ABSTRACT

Because stress is subjective and is expressed differently from one person to another, generic stress prediction models (i.e., models that predict the stress of any person) perform crudely. Only person-specific ones (i.e., models that predict the stress of a preordained person) yield reliable predictions, but they are not adaptable and costly to deploy in real-world environments. For illustration, in an office environment, a stress monitoring system that uses person-specific models would require collecting new data and training a new model for every employee. Moreover, once deployed, the models would deteriorate and need expensive periodic upgrades because stress is dynamic and depends on unforeseeable factors. We propose a simple, yet practical and cost effective calibration technique that derives an accurate and personalized stress prediction model from physiological samples collected from a large population. We validate our approach on two stress datasets. The results show that our technique performs much better than a generic model. For instance, a generic model achieved only a 42.5% accuracy. However, with only 100 calibration samples, we raised its accuracy to 95.2% We also propose a blueprint for a stress monitoring system based on our strategy, and we debate its merits and limitation. Finally, we made public our source code and the relevant datasets to allow other researchers to replicate our findings.

연구 동기 및 목표

• 스트레스 예측 분야에서 고정확도의 개인 맞춤형 모델과 낮은 일반화 능력을 지닌 일반 모델 사이의 격차를 해소하기 위해.
• 최소한의 개인별 캘리브레이션 데이터를 사용하여 일반 스트레스 예측 모델을 비용 효율적으로 개인화하는 방법을 개발하기 위해.
• 실생활 환경(예: 사무실)에서 스트레스 모니터링 시스템의 실용적이고 대규모 배포를 가능하게 하기 위해.
• 공유된 생리적 반응과 개인의 고유한 패tern을 데이터에서 활용하여, 전체 재학습과 고비용 업데이트의 필요성을 줄이기 위해.
• 재현성과 향후 연구를 지원하기 위해 오픈소스 도구와 데이터셋을 제공하기 위해.

제안 방법

• 대규모 인구 집단의 HRV 및 EDA 특징 데이터셋으로 학습된 일반 스트레스 예측 모델에서 시작한다.
• 새로운 개인의 단지 100명의 개인별 생리적 샘플을 사용하여 일반 모델을 校정한다.
• 캘리브레이션 과정은 개인의 고유한 생리적 패턴을 통합함으로써 모델의 결정 경계를 조정하여, 효과적으로 모델을 개인화한다.
• 이 접근법은 100개의 캘리브레이션 샘플을 개인의 고유한 지문처럼 간주하여 개인별 스트레스 반응을 포착한다.
• 동일한 개인으로부터의 미리보지 않은 데이터에서 캘리브레이션된 모델을 평가하여, 전체 재학습 없이도 개인 맞춤화를 보장한다.
• 스마트 빌딩 시스템에 통합 가능하도록 설계되었으며, IBM Watson Studio와 같은 플랫폼을 통해 저코드 모델 관리가 가능하다.

실험 결과

연구 질문

• RQ1 최소한의 개인별 캘리브레이션 데이터로 일반 스트레스 예측 모델의 정확도를 크게 향상시킬 수 있는가?
• RQ2 전체 재학습 없이도 근접한 개인 맞춤형 성능을 달성하기 위해 필요한 캘리브레이션 샘플 수는 얼마인가?
• RQ3 집단 수준의 학습과 개인별 데이터를 조합한 하이브리드 모델이 다양한 개인들에 대해 잘 일반화될 수 있는가?
• RQ4 실생활 스트레스 모니터링 시스템에서 모델 정확도와 배포 비용 사이의 상충 관계는 어떠한가?
• RQ5 이 방법은 개인정보 보호와 확장성 제약이 있는 사무소 환경에서 실질적으로 배포될 수 있는가?

주요 결과

• 일반 스트레스 예측 모델은 새로운 개인에 대해 42.5% ± 19.9%의 정확도를 보이며 일반화 능력이 떨어짐을 입증하였다.
• 단지 100명의 개인별 캘리브레이션 샘플을 사용함으로써 모델의 정확도는 95.2% ± 0.5%로 향상되었으며, 완전히 재학습된 개인 맞춤형 모델의 성능에 근접하였다.
• 이 방법은 사용자별로 전체 재학습이 필요한 양을 크게 줄여, 배포 및 유지보수 비용을 절감한다.
• 확장성과 비용 효율성 측면에서, 캘리브레이션된 모델은 일반 모델과 완전히 개인화된 모델보다 뛰어난 성능을 보였다.
• 모델는 전체 재학습 없이도 효율적으로 재캘리브레이션 가능하므로, 장기적인 배포와 주기적 업데이트가 가능하다.
• 저자들은 재현 가능성을 보장하고 향후 연구를 지원하기 위해 소스 코드와 데이터셋을 공개하였다.