[논문 리뷰] "Making you happy makes me happy" -- Measuring Individual Mood with Smartwatches

Pascal Budner, Joscha Eirich외 1명|arXiv (Cornell University)|2017. 11. 14.

Emotion and Mood Recognition참고 문헌 5인용 수 12

한 줄 요약

이 논문은 심박수, 활동량, 빛, GPS, 기상 정보 등 생리적 및 환경적 데이터를 이용해 자기 보고된 기분 기록을 기반으로 훈련된 랜덤 포레스트 분류기를 통해 스마트워치 기반 시스템을 제안한다. 이 시스템은 최대 94%의 정확도를 달성하며, 생리적 신호와 친구들의 기분과 같은 사회적 영향까지 기분 예측의 핵심 요소로 규명한다.

ABSTRACT

We introduce a system to measure individual happiness based on interpreting body sensors on smartwatches. In our prototype system we use a Pebble smartwatch to track activity, heartrate, light level, and GPS coordinates, and extend it with external information such as weather data, humidity, and day of the week. Training our machine learning-based mood prediction system using random forests with data manually entered into the smartwatch, we achieve prediction accuracy of up to 94%. We find that besides body signals, the weather data exerts a strong influence on mood. In addition our system also allows us to identify friends who are indicators of our positive or negative mood.

연구 동기 및 목표

• 스마트워치 센서와 외부 데이터를 이용해 실시간으로 개인의 기분을 측정할 수 있는 웨어러블 시스템을 개발하는 것.
• 기상 조건과 같은 생리적 신호와 환경 요인이 기분에 미치는 영향을 조사하는 것.
• 사회적 관계(친구들)의 기분이 개인의 기분을 예측하는 데 기여하는지 탐색하는 것.
• 다중 모달 센서 데이터에서 기분을 예측하는 데 있어 기계 학습 모델의 성능을 평가하는 것.

제안 방법

• 시스템은 페블 스마트워치를 통해 심박수, 신체 활동, 주변 조도, GPS 좌표 등의 데이터를 수집한다.
• 기상, 습도, 요일, 시간대와 같은 외부 데이터는 센서 데이터와 통합된다.
• 참가자들은 스마트워치 인터페이스를 통해 수동으로 자신의 기분을 기록하여 학습을 위한 레이블이 부여된 데이터셋을 생성한다.
• 결합된 센서 및 맥락 데이터를 기반으로 랜덤 포레스트 분류기가 훈련되어 기분을 예측한다.
• 기여도 분석을 통해 기분 예측에 가장 영향을 미치는 신호를 규명한다.
• 친구들 간의 기분 상관관계를 분석하여 사회적 영향을 모델링한다.

실험 결과

연구 질문

• RQ1 생리적 및 환경적 신호의 조합을 이용해 스마트워치 시스템이 개인의 기분을 정확하게 예측할 수 있는가?
• RQ2 기상 조건과 습도와 같은 외부 요인이 웨어러블 센서로 측정된 기분에 어떤 영향을 미치는가?
• RQ3 사람의 사회적 관계(친구들)의 기분이 그 사람 자신의 기분을 얼마나 잘 예측하는가?
• RQ4 심박수, 활동량, 조도와 같은 센서 모달리티 중 기분 변화를 가장 잘 예측하는 것은 무엇인가?

주요 결과

• 랜덤 포레스트 모델은 다중 모달 센서 및 맥락 데이터를 사용해 최대 94%의 기분 예측 정확도를 달성했다.
• 기상 조건, 특히 기온과 강수량은 개인의 기분에 강력한 영향을 미치는 것으로 밝혀졌다.
• 친구들의 기분은 개인의 기분을 예측하는 데 중요한 예측 변수로 규명되었으며, 사회적 기분 전염 효과를 시사한다.
• 심박수와 신체 활동은 기분 예측에 가장 유용한 생리적 신호 중 하나였다.
• 주변 조도 수준과 시간대 역시 모델의 예측 성능 향상에 의미 있는 기여를 하였다.
• 시스템은 환경적 요인과 사회적 요인과 기분 변화가 시간적으로 상관관계가 있음을 성공적으로 규명하였다.