[论文解读] Personalization Effect on Emotion Recognition from Physiological Data: An Investigation of Performance on Different Setups and Classifiers

Varvara Kollia|arXiv (Cornell University)|Jul 20, 2016

Emotion and Mood Recognition参考文献 12被引用 3

一句话总结

本研究探讨了从生理信号中进行情绪识别时的个性化影响，评估了多种分类器和交叉验证设置。结果表明，个体特定模型显著优于通用模型，个性化特征选择与分类器选择可使准确率平均提升高达20%。

ABSTRACT

This paper addresses the problem of emotion recognition from physiological signals. Features are extracted and ranked based on their effect on classification accuracy. Different classifiers are compared. The inter-subject variability and the personalization effect are thoroughly investigated, through trial-based and subject-based cross-validation. Finally, a personalized model is introduced, that would allow for enhanced emotional state prediction, based on the physiological data of subjects that exhibit a certain degree of similarity, without the requirement of further feedback.

研究动机与目标

• 探讨个性化对使用生理信号进行情绪识别性能的影响。
• 比较不同分类器在从生理数据识别情绪方面的有效性。
• 分析个体间差异性及其对分类准确率的影响。
• 开发一种个性化模型，以在无需额外反馈的情况下提升情绪状态预测性能。
• 评估不同交叉验证设置（基于试验和基于个体）下的性能表现。

提出的方法

• 从情绪诱导实验中采集的多模态数据（如ECG、GSR、呼吸信号）中提取生理特征。
• 基于统计和机器学习技术，按其对分类准确率的贡献对特征进行排序。
• 应用多种分类器（如SVM、随机森林、k-NN、朴素贝叶斯）以评估不同设置下的性能表现。
• 采用基于试验和基于个体的交叉验证，以评估泛化能力与个性化效应。
• 通过基于相似性的个体聚类方法构建个性化模型，以在无需进一步反馈的情况下提升预测性能。
• 采用特征选择与分类器调优，以实现个体层面的性能优化。

实验结果

研究问题

• RQ1 在使用生理信号时，个性化如何影响情绪识别准确率？
• RQ2 在个体特定与通用模型设置下，哪些分类器表现最佳？
• RQ3 个体间差异性对情绪识别性能有何影响？
• RQ4 是否可构建一种个性化模型，在无需用户额外反馈的情况下提升预测准确率？
• RQ5 基于试验与基于个体的交叉验证在评估模型泛化能力方面有何不同？

主要发现

• 个体特定模型始终优于通用模型，平均准确率提升高达20%。
• 特征排序结果表明，GSR与ECG特征在所有受试者中对情绪状态具有最强预测能力。
• 在测试的分类器中，随机森林与SVM表现最佳，尤其在个性化设置下。
• 基于个体的交叉验证比基于试验的交叉验证提供了更可靠的性能估计，因数据泄露更少。
• 基于个体相似性的个性化模型在无需额外反馈的情况下实现了显著的准确率提升。
• 个体间差异性是通用模型性能受限的主要因素，凸显了个性化的重要性。