[论文解读] EmoSens: Emotion Recognition based on Sensor data analysis using LightGBM

S Gayathri, Akshat Anand+5 more|arXiv (Cornell University)|Jul 12, 2022

Emotion and Mood Recognition被引用 4

一句话总结

本文提出 EmoSens，一种基于智能可穿戴设备传感器数据与监督机器学习的低成本、以用户为中心的情绪识别系统。该系统在 DREAMER 数据集上使用 LightGBM 和 XGBoost，实现了九种情绪类别的 92.5% 准确率，展现出在实时情绪监测应用中计算开销低、性能高的特点。

ABSTRACT

Smart wearables have played an integral part in our day to day life. From recording ECG signals to analysing body fat composition, the smart wearables can do it all. The smart devices encompass various sensors which can be employed to derive meaningful information regarding the user's physical and psychological conditions. Our approach focuses on employing such sensors to identify and obtain the variations in the mood of a user at a given instance through the use of supervised machine learning techniques. The study examines the performance of various supervised learning models such as Decision Trees, Random Forests, XGBoost, LightGBM on the dataset. With our proposed model, we obtained a high recognition rate of 92.5% using XGBoost and LightGBM for 9 different emotion classes. By utilizing this, we aim to improvise and suggest methods to aid emotion recognition for better mental health analysis and mood monitoring.

研究动机与目标

• 开发一种基于市售智能可穿戴传感器的低成本、以用户为中心的情绪识别系统。
• 评估多种监督机器学习模型（包括 LightGBM 和 XGBoost）在生理传感器数据上的情绪分类性能。
• 利用 DREAMER 数据集中的 ECG 及其他生理信号，实现对九种不同情绪类别的高精度识别。
• 通过未来工作中的联邦学习，实现实时、设备端的情绪监测，计算成本低且隐私保护增强。

提出的方法

• 本研究使用 DREAMER 数据集，该数据集在情绪诱导刺激下采集了包括 ECG 在内的生理信号，并通过自我评估人像量表（SAM）获取自报情绪标签。
• 预处理包括对 ECG 及其他传感器信号进行降噪和归一化，以提升信号质量和一致性。
• 从预处理后的信号中提取关键特征，包括心率变异性（HRV）以及时域/频域特征，以表征情绪状态。
• 在提取的特征上训练并评估多种监督学习模型——LightGBM、XGBoost、随机森林、决策树、SVM 和神经网络。
• 对模型进行超参数调优，以优化性能，特别是对决策树和随机森林模型，分别使准确率提升 5% 和 0.9%。
• 该框架设计用于在边缘设备上部署，未来将集成联邦学习，以支持设备端训练并保护用户隐私。

实验结果

研究问题

• RQ1 LightGBM 和 XGBoost 是否能有效利用智能可穿戴设备的生理传感器数据对九种不同情绪类别进行分类？
• RQ2 在使用 ECG 及相关信号进行情绪识别时，不同监督机器学习模型在准确率和计算效率方面如何比较？
• RQ3 在本研究背景下，超参数调优对决策树和随机森林等树基模型的性能提升程度如何？
• RQ4 是否能够实现一种低成本、可部署于边缘设备的情绪识别系统，在保持低计算开销的同时实现高准确率？
• RQ5 联邦学习如何增强基于可穿戴传感器数据实现实时情绪监测中的隐私保护与个性化？

主要发现

• LightGBM 和 XGBoost 在九种类别情绪分类中达到最高准确率 92.5%，优于其他模型（包括 SVM 和神经网络）。
• 随机森林在调优前准确率为 91.39%，经超参数优化后准确率提升至 92.22%，F1 分数也提高至 91.95%。
• 决策树在调优前准确率为 87.5%，调优后提升至 92.5%，表明其具有显著的优化潜力。
• SVM 模型（特别是 RBF-SVM）表现中等，准确率为 55.28%，而线性 SVM 表现显著较差，表明数据并非线性可分。
• 神经网络和朴素贝叶斯表现欠佳，准确率均低于 45%，表明其在本数据集和任务中适用性有限。
• LightGBM 和 XGBoost 的训练曲线显示验证集上持续改善，表明模型具有良好的泛化能力和鲁棒性。