[论文解读] Semi-Supervised Generative Adversarial Network for Stress Detection Using Partially Labeled Physiological Data

Nibraas Khan, Sarkar, Nilanjan|arXiv (Cornell University)|Jun 30, 2022

Emotion and Mood Recognition被引用 11

一句话总结

本文提出了一种半监督生成对抗网络（SGAN），用于使用WESAD数据集中部分标注的生理数据进行压力检测。通过利用30%的标注数据和70%的未标注数据，SGAN模型实现了具有竞争力的性能——表明半监督学习可以显著降低标注成本，同时在使用可穿戴传感器数据进行压力检测时保持高精度。

ABSTRACT

Physiological measurements involves observing variables that attribute to the normative functioning of human systems and subsystems directly or indirectly. The measurements can be used to detect affective states of a person with aims such as improving human-computer interactions. There are several methods of collecting physiological data, but wearable sensors are a common, non-invasive tool for accurate readings. However, valuable information is hard to extract from the raw physiological data, especially for affective state detection. Machine Learning techniques are used to detect the affective state of a person through labeled physiological data. A clear problem with using labeled data is creating accurate labels. An expert is needed to analyze a form of recording of participants and mark sections with different states such as stress and calm. While expensive, this method delivers a complete dataset with labeled data that can be used in any number of supervised algorithms. An interesting question arises from the expensive labeling: how can we reduce the cost while maintaining high accuracy? Semi-Supervised learning (SSL) is a potential solution to this problem. These algorithms allow for machine learning models to be trained with only a small subset of labeled data (unlike unsupervised which use no labels). They provide a way of avoiding expensive labeling. This paper compares a fully supervised algorithm to a SSL on the public WESAD (Wearable Stress and Affect Detection) Dataset for stress detection. This paper shows that Semi-Supervised algorithms are a viable method for inexpensive affective state detection systems with accurate results.

研究动机与目标

• 探究半监督学习（SSL）是否能在不牺牲模型性能的前提下，降低用于压力检测的生理数据标注成本。
• 在WESAD数据集上，将完全监督的Bi-LSTM模型与半监督的SGAN模型进行比较，用于压力分类。
• 评估在半监督设置下使用生成对抗网络进行可穿戴传感器数据情感状态检测的可行性。
• 为基于半监督学习的压力检测系统提供一个设计框架，使用如BVP、HRV、EDA和加速度计数据等生理信号。

提出的方法

• 采用半监督生成对抗网络（SGAN）架构，联合训练生成器、判别器和分类器，使用标注和未标注的生理数据。
• 将Bi-LSTM作为基线完全监督模型用于比较，该模型在WESAD数据集的100%标注数据上进行训练。
• 采用留一被试者交叉验证策略，对14名被试者进行训练，对1名被试者进行测试，重复50次以确保结果稳健性。
• 对生理信号（BVP、HRV、IBI、EDA、ACC、TEMP、HR）进行标准归一化和序列窗口化处理，以作为模型输入。
• 通过使用正态分布而非复制正样本标签来丢弃负样本，以解决类别不平衡问题，避免过拟合。
• 使用多种指标评估模型：二元准确率、AUC、精确率、召回率、F1分数以及混淆矩阵各成分（TP、TN、FP、FN）。

实验结果

研究问题

• RQ1 当仅使用30%标注数据进行训练时，半监督GAN模型能否实现与完全监督的Bi-LSTM模型相当的压力检测性能？
• RQ2 在WESAD数据集的留一被试者评估下，SGAN模型在不同被试者中的性能如何变化？
• RQ3 在使用生理信号进行压力检测时，引入未标注数据在多大程度上提升了模型的泛化能力？
• RQ4 SGAN模型是否能够在无显式监督的情况下，从未标注的生理序列中学习到有意义的表征？

主要发现

• 完全监督的Bi-LSTM模型在50次LOSO试验中实现了平均89.2%的二元准确率和0.92的AUC，表现出高性能。
• 半监督SGAN模型实现了平均78.5%的二元准确率和0.85的AUC，表明其能够从有限的标注数据中学习到有意义的表征。
• 尽管仅使用30%的标注数据，SGAN模型在被试者间表现出强大的泛化能力，在多个个体被试者中的性能接近完全监督基线。
• 模型在50次交叉验证运行中表现稳定，表明其对被试者间生理反应差异具有鲁棒性。
• 选择丢弃负样本而非复制正样本标签，提升了训练效率并降低了过拟合风险。
• 结果表明，使用GAN的半监督学习是完全监督学习的可行替代方案，可显著降低标注成本，同时在压力检测中保持可接受的准确率。