[论文解读] Stress Classification and Personalization: Getting the most out of the least

Ramesh Kumar Sah, Hassan Ghasemzadeh|arXiv (Cornell University)|Jul 12, 2021

Emotion and Mood Recognition被引用 7

一句话总结

该论文提出了一种基于CNN的新型应激分类框架，直接处理原始皮肤电活动（EDA）数据，无需手工特征工程，实现了92.85%的准确率和0.89的F1分数。此外，通过留一被试者交叉验证分析，进一步证明了个性化的重要性，表明当模型在个体被试数据上重新训练时，性能显著提升。

ABSTRACT

Stress detection and monitoring is an active area of research with important implications for the personal, professional, and social health of an individual. Current approaches for affective state classification use traditional machine learning algorithms with features computed from multiple sensor modalities. These methods are data-intensive and rely on hand-crafted features which impede the practical applicability of these sensor systems in daily lives. To overcome these shortcomings, we propose a novel Convolutional Neural Network (CNN) based stress detection and classification framework without any feature computation using data from only one sensor modality. Our method is competitive and outperforms current state-of-the-art techniques and achieves a classification accuracy of $92.85\\%$ and an $f1$ score of $0.89$. Through our leave-one-subject-out analysis, we also show the importance of personalizing stress models.

研究动机与目标

• 开发一种绕过传统特征工程、直接使用原始EDA信号的应激检测系统。
• 评估仅基于EDA数据训练的深度学习模型在无多模态输入情况下的性能。
• 研究由于个体在应激感知上的差异，应激分类模型是否需要个性化。
• 通过消除特征选择和多传感器融合，降低系统复杂性和计算开销。
• 通过最小化数据处理和功耗，实现在电池供电可穿戴设备中的实际部署。

提出的方法

• 在未经任何预处理或特征提取的情况下，直接对原始EDA信号片段训练一维卷积神经网络（CNN）。
• 模型端到端地从EDA数据中学习具有区分性的时序模式，并在训练过程中自动识别与应激相关的特征。
• 采用留一被试者（LOSO）交叉验证来评估模型在个体间的泛化能力，并评估个性化需求。
• 对于LOSO中表现不佳的被试，通过使用被排除被试者测试集中的逐步增加的样本数对模型进行再训练，以实现与原始训练集相当的性能。
• 在所有15名被试的训练集和测试集上，使用分类准确率和F1分数评估模型性能。
• 该方法在公开的WESAD数据集上进行评估，仅使用Empatica E4可穿戴设备的EDA数据。

实验结果

研究问题

• RQ1 仅使用原始EDA信号而无需任何特征工程，深度学习模型能否在应激分类中实现高准确率？
• RQ2 在多个被试上训练的一般模型与针对特定被试的模型在应激检测中的性能相比如何？
• RQ3 个体在应激感知上的差异在多大程度上影响共享应激分类模型的性能？
• RQ4 为使特定个体的应激检测模型性能达到或超过一般模型，所需的最少样本数是多少？
• RQ5 单传感器、端到端的深度学习方法能否在应激分类中优于多模态、手工特征工程的方法？

主要发现

• 所提出的CNN模型在所有被试的EDA数据上训练后，分类准确率达到92.85%，F1分数为0.89，优于多项最先进方法。
• 留一被试者分析显示，个体间性能差异显著，部分被试（如S14）在测试集上的准确率低至55.9%。
• 对于S2、S3、S7、S11、S14和S17等被试，模型在测试集上的表现明显劣于训练集，表明泛化能力差。
• 在仅使用被排除被试者数据中的40–61个样本进行再训练后，所有表现不佳被试的测试准确率均提升至93%以上，证实了个性化的重要性。
• 所有被试在LOSO中的平均准确率为85.44%，F1分数为0.75，凸显了个体适应的必要性。
• 结果表明，应激感知具有主观性，且个体对刺激的生理反应差异要求采用个性化模型以实现最佳性能。