[논문 리뷰] Personalized acute stress classification from physiological signals with neural processes

Callum Stewart, Amos Folarin외 1명|arXiv (Cornell University)|2020. 02. 10.

Emotion and Mood Recognition인용 수 9

한 줄 요약

이 논문은 신경 프로세스를 사용하여 생체 신호(심전도 및 GSR)로부터 급성 스트레스 분류를 개인화하는 것을 제안한다. 개인의 소수의 컨텍스트 포인트를 활용하여 모델을 적응시킨다. 신경 프로세스가 기존의 기계 학습 모델보다 우수한 성능을 보이며, 특히 기초 상태와 스트레스 상태가 모두 컨텍스트에 포함될 경우에 성능이 뛰어나, 최소한의 레이블 데이터로도 정확한 개인 맞춤형 스트레스 탐지가 가능하다.

ABSTRACT

Objective: A person's affective state has known relationships to physiological processes which can be measured by wearable sensors. However, while there are general trends those relationships can be person-specific. This work proposes using neural processes as a way to address individual differences. Methods: Stress classifiers built from classic machine learning models and from neural processes are compared on two datasets using leave-one-participant-out cross-validation. The neural processes models are contextualized on data from a brief period of a particular person's recording. Results: The neural processes models outperformed the standard machine learning models, and had the best performance when using periods of stress and baseline as context. Contextual points chosen from other participants led to lower performance. Conclusion: Neural processes can learn to adapt to person-specific physiological sensor data. There are a wide range of affective and medical applications for which this model could prove useful.

연구 동기 및 목표

• 정서 컴퓨팅 분야에서 표준 기계 학습 모델의 일반화 능력에 제약을 주는 스트레스에 대한 생리적 반응의 개인 간 변동성을 해결하기 위해.
• 소수의 레이블이 부여된 데이터 포인트만으로도 신경 프로세스가 스트레스 분류 모델을 효과적으로 개인화할 수 있는지 조사하기 위해.
• 다양한 유형의 컨텍스트 데이터(기초 상태, 스트레스 상태, 또는 다른 참가자로부터의 데이터)가 모델 성능에 미치는 영향을 평가하기 위해.
• 저데이터 생물의학적 환경에서 레이블이 없거나 약한 레이블이 부여된 데이터를 개인화에 효과적으로 활용할 수 있는지 탐색하기 위해.
• 개인화 효율성과 정확도 측면에서 신경 프로세스를 전통적인 기계 학습 접근법과 비교하기 위해.

제안 방법

• 신경 프로세스는 특정 개인의 소수의 컨텍스트 포인트로 파arameterized된 생리 신호에 대한 함수의 분포를 모델링하는 메타학습 프레임워크로 사용된다.
• 모델은 인코더 네트워크를 활용하여 ECG 및 GSR 측정치와 같은 (x, y) 쌍의 컨텍스트 데이터를 잠재 표현으로 변환하고, 이는 분류기의 조건을 형성한다.
• 디코더 네트워크는 인코딩된 컨텍스트를 기반으로 스트레스 분류 예측을 생성하며, 단일 순방향 전파로 빠른 적응이 가능하다.
• 프레임워크는 다수의 참가자로 구성된 메타학습 세트에서 훈련되어, 개인 간 일반화를 가능하게 하면서도 새로운 참가자에게도 신속히 적응할 수 있도록 한다.
• 성능 평가를 위해 동일 참가자의 기록에서 기초 상태 또는 스트레스 상태 기간에서 컨텍스트 데이터를 선택하여 데이터 유형이 성능에 미치는 영향을 분석한다.
• 데이터 누출을 방지하고 정확성을 확보하기 위해 이산적 참가자 제거 교차검증을 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 소수의 레이블이 부여된 생리 신호 데이터 포인트만으로도 신경 프로세스가 스트레스 분류 모델을 효과적으로 개인화할 수 있는가?
• RQ2 컨텍스트 데이터 선택(기초 상태 대비 스트레스 상태 또는 다른 참가자로부터의 데이터)이 개인 맞춤 스트레스 분류기 성능에 어떤 영향을 미치는가?
• RQ3 기초 상태와 스트레스 상태 데이터를 모두 컨텍스트로 포함하면 단일 유형만 사용할 경우보다 정확도가 향상되는가?
• RQ4 개인화 성능과 데이터 효율성 측면에서 신경 프로세스 접근법은 기존 기계 학습 모델보다 어떻게 비교되는가?
• RQ5 참가자의 기록에서 레이블이 없거나 약한 레이블이 부여된 데이터를 효과적으로 활용하여 개인화를 향상시킬 수 있는가?

주요 결과

• 신경 프로세스는 Drivedb 및 WESAD 데이터셋 모두에서 표준 기계 학습 모델보다 스트레스 분류 성능이 뛰어났다.
• 기본 상태와 스트레스 상태가 모두 동일 개인의 컨텍스트로 포함된 경우 성능이 가장 뛰어났으며, 이는 대표적인 생리적 상태의 가치를 시사한다.
• 다른 참가자로부터의 컨텍스트 데이터를 사용할 경우 성능이 뚜렷이 떨어졌으며, 개인별 특화된 컨텍스트의 중요성을 강조한다.
• 고 토닉 GSR를 보이는 이질적인 기초 상태 기록이 컨텍스트에 포함될 경우 성능이 뚜렷이 저하되었으며, 데이터 품질과 대표성에 민감함을 보였다.
• 기본 상태 데이터의 처음 몇 분을 제거하고 더 대표적인 휴식 기간을 컨텍스트로 선택함으로써 모델 성능이 복구되었으며, 이는 개인화에서 데이터 품질의 중요성을 강조한다.
• 개인화를 위해 인코더를 단일 순방향 전파만으로 사용하므로 계산적으로 효율적이며 실시간 응용에 적합하다.