[论文解读] Personalized acute stress classification from physiological signals with neural processes

Callum Stewart, Amos Folarin+1 more|arXiv (Cornell University)|Feb 10, 2020

Emotion and Mood Recognition被引用 9

一句话总结

该论文提出使用神经过程（neural processes）基于生理信号（ECG 和 GSR）对急性应激进行个性化分类，利用个体的少量上下文样本对模型进行自适应。结果表明，神经过程在上下文数据同时包含基线期和应激期时，显著优于传统机器学习模型，实现了在极少标注数据下的高精度个体化应激检测。

ABSTRACT

Objective: A person's affective state has known relationships to physiological processes which can be measured by wearable sensors. However, while there are general trends those relationships can be person-specific. This work proposes using neural processes as a way to address individual differences. Methods: Stress classifiers built from classic machine learning models and from neural processes are compared on two datasets using leave-one-participant-out cross-validation. The neural processes models are contextualized on data from a brief period of a particular person's recording. Results: The neural processes models outperformed the standard machine learning models, and had the best performance when using periods of stress and baseline as context. Contextual points chosen from other participants led to lower performance. Conclusion: Neural processes can learn to adapt to person-specific physiological sensor data. There are a wide range of affective and medical applications for which this model could prove useful.

研究动机与目标

• 解决在情感计算中，个体间对压力反应的生理差异性，该差异限制了标准机器学习模型的泛化能力。
• 探究神经过程是否能仅通过每个个体的少量标注数据点，有效实现应激分类模型的个性化。
• 评估不同类型上下文数据（基线、应激或跨被试）对模型性能的影响。
• 探索在低数据量生物医学场景下，使用未标注或弱标注数据进行个性化的可行性。
• 从个性化效率和准确率角度，比较神经过程与经典机器学习方法的性能。

提出的方法

• 采用神经过程作为元学习框架，对生理信号上的函数分布进行建模，其参数由特定个体的少量上下文样本决定。
• 模型使用编码器网络处理上下文数据对 (x, y)，如 ECG 和 GSR 测量值，生成条件化分类器的潜在表征。
• 解码器网络随后基于编码后的上下文生成应激分类预测，实现仅通过一次前向传播即可快速适应。
• 该框架在包含多个参与者的元训练集上进行训练，使其能够在跨个体间泛化的同时，快速适应新个体。
• 上下文数据选自同一参与者记录中的基线期或应激期，以评估数据类型对性能的影响。
• 通过留一参与者交叉验证评估性能，以确保鲁棒性并避免数据泄露。

实验结果

研究问题

• RQ1 神经过程是否能仅通过每个个体的少量标注生理数据点，有效实现应激分类模型的个性化？
• RQ2 上下文数据的选择（基线 vs. 应激 vs. 跨被试）如何影响个性化应激分类器的性能？
• RQ3 将基线和应激数据同时作为上下文是否能提升模型准确率，相比仅使用其中一种类型？
• RQ4 与传统机器学习模型相比，神经过程在个性化性能和数据效率方面表现如何？
• RQ5 能否有效利用参与者记录中的未标注或弱标注数据来提升个性化效果？

主要发现

• 在 Drivedb 和 WESAD 两个数据集上，神经过程在应激分类任务中均优于标准机器学习模型。
• 当上下文数据同时包含同一人的基线期和应激期时，性能达到最佳，表明代表性生理状态的重要性。
• 使用其他参与者的上下文数据导致性能显著下降，凸显了个体特异性上下文的关键作用。
• 当上下文包含高基线 GSR 的异常基线记录时，性能明显下降，表明模型对数据质量和代表性敏感。
• 若舍弃基线数据的前几分钟，改用更具代表性的休息期作为上下文，可恢复模型性能，凸显了数据质量在个性化中的必要性。
• 该方法仅需通过编码器进行一次前向传播即可完成个性化，计算效率高，适用于实时应用。