[论文解读] The Effect of Person-Specific Biometrics in Improving Generic Stress Predictive Models

Kizito Nkurikiyeyezu, Anna Yokokubo+1 more|arXiv (Cornell University)|Oct 3, 2019

Emotion and Mood Recognition被引用 9

一句话总结

本文提出了一种成本效益高的校准技术，通过仅引入100个个体特异性生理样本（HRV和EDA），将通用压力预测模型的准确率从42.5%提升至95.2%。该方法可在无需从头重新训练的情况下实现实时个性化、高精度的压力预测，使大规模、现实环境中的部署成为可能。

ABSTRACT

Because stress is subjective and is expressed differently from one person to another, generic stress prediction models (i.e., models that predict the stress of any person) perform crudely. Only person-specific ones (i.e., models that predict the stress of a preordained person) yield reliable predictions, but they are not adaptable and costly to deploy in real-world environments. For illustration, in an office environment, a stress monitoring system that uses person-specific models would require collecting new data and training a new model for every employee. Moreover, once deployed, the models would deteriorate and need expensive periodic upgrades because stress is dynamic and depends on unforeseeable factors. We propose a simple, yet practical and cost effective calibration technique that derives an accurate and personalized stress prediction model from physiological samples collected from a large population. We validate our approach on two stress datasets. The results show that our technique performs much better than a generic model. For instance, a generic model achieved only a 42.5% accuracy. However, with only 100 calibration samples, we raised its accuracy to 95.2% We also propose a blueprint for a stress monitoring system based on our strategy, and we debate its merits and limitation. Finally, we made public our source code and the relevant datasets to allow other researchers to replicate our findings.

研究动机与目标

• 解决高准确率个体特异性模型与低泛化能力通用模型在压力预测中的差距。
• 开发一种基于极少量个体校准数据的、成本效益高的通用压力预测模型个性化方法。
• 实现在办公室等真实环境中的压力监测系统的大规模、实用化部署。
• 通过利用共享的生理反应模式和个体特异性指纹特征，减少对重新训练和高成本更新的需求。
• 提供开源工具和数据集，以支持复现与进一步研究。

提出的方法

• 该方法首先使用大规模人群HRV和EDA特征数据集训练一个通用压力预测模型。
• 然后仅使用新个体的100个个体特异性生理样本对通用模型进行校准。
• 校准过程通过整合受试者独特的生理模式来调整模型的决策边界，从而实现模型的个性化。
• 该方法将100个校准样本视为一种个性化指纹，捕捉个体特异性的压力反应。
• 在来自同一受试者的未见数据上评估校准后的模型，确保个性化实现而无需完全重新训练。
• 该框架设计用于集成到智能建筑系统中，并可通过IBM Watson Studio等平台实现低代码模型管理。

实验结果

研究问题

• RQ1 通过极少的个人校准数据，能否显著提升通用压力预测模型的准确率？
• RQ2 需要多少校准样本才能在不完全重新训练的情况下实现接近个体化性能？
• RQ3 一种结合群体水平学习与个体特异性数据的混合模型，能否在多样化个体间实现良好泛化？
• RQ4 在现实世界压力监测系统中，模型准确率与部署成本之间的权衡如何？
• RQ5 该方法能否在具备隐私保护和可扩展性限制的办公环境中实现实际部署？

主要发现

• 通用压力预测模型在未见个体上的准确率仅为42.5% ± 19.9%，表明其泛化能力极差。
• 仅使用100个个体特异性校准样本，模型准确率即提升至95.2% ± 0.5%，接近完全训练的个体特异性模型性能。
• 该方法显著减少了对每个用户进行完整重新训练的需求，从而大幅降低部署与维护成本。
• 校准后的模型在可扩展性与成本效益方面优于通用模型和完全个体特异性模型。
• 该方法支持长期部署与周期性更新，因为模型可高效重新校准而无需完全重新训练。
• 作者发布了源代码与数据集，以确保可复现性并支持未来研究。