[论文解读] GSR Analysis for Stress: Development and Validation of an Open Source Tool for Noisy Naturalistic GSR Data

Seyed Amir Hossein Aqajari, Emad Kasaeyan Naeini+4 more|arXiv (Cornell University)|May 4, 2020

Emotion and Mood Recognition参考文献 15被引用 38

一句话总结

本论文提出一个用于 GSR/EDA 分析的开源 Python 工具，结合统计与深度学习特征提取来在嘈杂的自然环境 GSR 数据中检测应激，使用 WESAD 数据集进行评估，准确率较高。

ABSTRACT

The stress detection problem is receiving great attention in related research communities. This is due to its essential part in behavioral studies for many serious health problems and physical illnesses. There are different methods and algorithms for stress detection using different physiological signals. Previous studies have already shown that Galvanic Skin Response (GSR), also known as Electrodermal Activity (EDA), is one of the leading indicators for stress. However, the GSR signal itself is not trivial to analyze. Different features are extracted from GSR signals to detect stress in people like the number of peaks, max peak amplitude, etc. In this paper, we are proposing an open-source tool for GSR analysis, which uses deep learning algorithms alongside statistical algorithms to extract GSR features for stress detection. Then we use different machine learning algorithms and Wearable Stress and Affect Detection (WESAD) dataset to evaluate our results. The results show that we are capable of detecting stress with the accuracy of 92 percent using 10-fold cross-validation and using the features extracted from our tool.

研究动机与目标

• 动机：从 Galvanic Skin Response (GSR) 提出应激检测，以应对与压力相关的健康风险。
• 提出一个处理嘈杂自然环境 GSR 数据的开源 Python 流水线。
• 从 GSR 中提取统计特征和深度学习特征以进行应激分类。
• 在 Wearable Stress and Affect Detection (WESAD) 数据集上使用交叉验证评估该方法。

提出的方法

• 两阶段 GSR 流水线：预处理（下采样到 20 Hz、以 1 秒窗口的移动平均、以及最小-最大归一化）和特征提取。
• 使用峰数、GSR 平均值和最大峰振幅的统计特征提取，此外通过 cvxEDA 推导的瞬态成分用于起始/结束和峰值计算。
• 利用 cvxEDA 将 GSR 分解为瞬态、基线和噪声项，以提取瞬态成分。
• 通过将预训练的 CNN 视为特征提取器来进行深度学习特征提取，取最后一个下采样层的输出作为特征。
• 使用两组特征（统计特征与深度学习特征）对四种机器学习算法（kNN、朴素贝叶斯、随机森林、SVM）进行分类实验。
• 评估在 WESAD 数据集上进行 10 折交叉验证。

实验结果

研究问题

• RQ1 结合统计与深度学习特征提取的流水线是否能在嘈杂自然环境数据中改善 GSR 的应激检测？
• RQ2 统计特征与深度学习特征在使用 GSR 进行应激分类方面有何差异？
• RQ3 在 WESAD 数据集上，使用所提出的特征与分类器进行应激检测的分类性能（准确率）是多少？

主要发现

• 使用统计特征的最佳 10 折交叉验证准确率：90%，使用 kNN，k=1。
• 使用深度学习特征的最佳 10 折交叉验证准确率：91.6%，使用 kNN，k=5。
• 在四种算法中，有三种偏好深度学习特征，在多数情况下达到更高的准确率。
• WESAD 数据集提供了基线对比，先前在 EDA 数据上实现了 79.71% 的二元应激分类，而所提出的方法显示出更高的准确性。
• 该工具提供高效的统计特征和广泛的深度学习特征用于应激检测。