[논문 리뷰] Shesop Healthcare: Stress and influenza classification using support vector machine kernel

Andrien Ivander Wijaya, Ary Setijadi Prihatmanto외 1명|arXiv (Cornell University)|2016. 01. 01.

Heart Rate Variability and Autonomic Control참고 문헌 9인용 수 2

한 줄 요약

이 논문은 스마트워치에서 수집한 웨어러블 기기 데이터를 이용해 스트레스와 인플루엔자 감지를 위한 지지벡터기계(SVM) 분류기 모델을 제안한다. 심박수변동성(HRV) 특징으로 평균 심박수(mean HR), 평균 IBI, 표준편차 HR(SDHR), 표준편차 IBI(SDIBI)를 사용하며, 2차원 HRV 특징을 3차원 공간으로 매핑하기 위해 가우시안 커널을 적용함으로써 스트레스 분류 정확도 95% (20개 중 19개 정확), 인플루엔자 분류 정확도 85% (20개 중 17개 정확)를 달성하였다. 이는 스마트워치를 통한 비침습적 실시간 건강 모니터링의 가능성을 입증한다.

ABSTRACT

Shesop is an integrated system to make human lives more easily and to help people in terms of healthcare. Stress and influenza classification is a part of Shesop's application for a healthcare devices such as smartwatch, polar and fitbit. The main objective of this paper is to classify a new data and inform whether you are stress, depressed, caught by influenza or not. We will use the heart rate data taken for months in Bandung, analyze the data and find the Heart rate variance that constantly related with the stress and flu level. After we found the variable, we will use the variable as an input to the support vector machine learning. We will use the lagrangian and kernel technique to transform 2D data into 3D data so we can use the linear classification in 3D space. In the end, we could use the machine learning's result to classify new data and get the final result immediately: stress or not, influenza or not.

연구 동기 및 목표

• 웨어러블 심박수 데이터를 이용해 비침습적 실시간 분류 시스템을 개발하기 위해.
• 스트레스 및 인플루엔자 감지에 가장 구분력 있는 HRV 특징(예: 평균 심박수, SDIBI)을 규명하기 위해.
• 라그랑주 최적화와 가우시안 커널을 적용한 SVM를 통해 변환된 3차원 공간에서 효과적인 선형 분류를 가능하게 하기 위해.
• 실제 시간에 따라 수집된 HRV 데이터를 바탕으로 모델의 예측 성능를 검증하기 위해.

제안 방법

• 장기간 심박수 데이터에서 시간 도메인 HRV 특징을 추출: 평균 심박수(meanHR), 평균 R-R 간격(meanIBI), 심박수 표준편차(SDHR), IBI 표준편차(SDIBI).
• 라그랑주 이중 최적화를 사용해 SVM 이중 문제를 해결하고 최적의 초평면 파라미터를 도출.
• 가우시안 커널 함수를 적용해 2차원 입력 특징(예: SDevHR 및 SDevRR)을 3차원 특징 공간으로 매핑하여 선형 분리 가능성을 확보.
• 임계값 기반 분류: 스트레스는 수준 > 2일 경우(+1로 레이블링), 정상은 ≤ 2일 경우(-1로 레이블링); 인플루엔자 감지 시 수준 > 1로 판단.
• 레이블이 부여된 HRV 데이터로 모델을 학습하고, 미리 보지 않은 데이터로 테스트하여 분류 정확도 평가.
• 산점도를 이용해 평균 심박수 대 평균 IBI의 데이터 겹침 및 잘못된 분류 패턴을 시각화하여 모델의 한계를 진단.

실험 결과

연구 질문

• RQ1 평균 심박수(meanHR), 평균 IBI(meanIBI), 심박수 표준편차(SDHR), IBI 표준편차(SDIBI)와 같은 HRV 특징이 스트레스 상태와 비스트레스 상태를 효과적으로 구분할 수 있는가?
• RQ2 동일한 HRV 특징이 인플루엔자 상태와 건강 상태를 신뢰성 있게 분류할 수 있는가?
• RQ3 커널 기반 SVM 변환은 비선형으로 분리 가능한 HRV 데이터에 대해 분류 정확도를 향상시키는가?
• RQ4 특징 공간 내 데이터 겹침이 인플루엔자 감지의 분류 성능에 어떤 영향을 미치는가?
• RQ5 소비자용 웨어러블 기기에서 사용 가능한 표준 HRV 지표만으로도 경량의 실시간 모델을 구축할 수 있는가?

주요 결과

• SVM 모델은 스트레스 분류에서 95%의 정확도를 달성하여 20개 테스트 케이스 중 19개를 정확히 식별하였다.
• 인플루엔자 분류 정확도는 85%였으며, 20개 테스트 케이스 중 17개가 정확하게 예측되었다.
• 하나의 스트레스 케이스에서 낮은 출력 점수 0.388로 인해 오분류가 발생했으며, 이는 경계선 근처의 분류로 간주된다.
• 인플루엔자 오분류의 주요 원인은 평균 심박수 대 평균 IBI 특징 공간 내 겹치는 데이터 포인트로, 특히 결정 경계 근처에서 두드러졌다.
• 가우시안 커널은 2차원 HRV 특징을 효과적으로 3차원 공간으로 변환하여 더 나은 선형 분리와 향상된 분류 성능를 가능케 하였다.
• 더 큰 학습 데이터셋을 활용할 경우, 특히 더 모호한 인플루엔자 클래스에 대해 모델 정확도가 향상될 것으로 기대된다.