Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지

Convolutional Autoencoder based Stress Detection using Soft Voting

소프트 보팅을 이용한 합성곱 오토인코더 기반 스트레스 탐지

  • 최은빈 (전남대학교 인공지능융합학과) ;
  • 김수형 (전남대학교 AI융합대학 인공지능학부)
  • Received : 2022.11.21
  • Accepted : 2023.11.27
  • Published : 2023.12.29
Download PDF
⟨ Previous Next ⟩

Abstract

Stress is a significant issue in modern society, often triggered by external or internal factors that are difficult to manage. When high stress persists over a long term, it can develop into a chronic condition, negatively impacting health and overall well-being. However, it is challenging for individuals experiencing chronic stress to recognize their condition, making early detection and management crucial. Using biosignals measured from wearable devices to detect stress could lead to more effective management. However, there are two main problems with using biosignals: first, manually extracting features from these signals can introduce bias, and second, the performance of classification models can vary greatly depending on the subject of the experiment. This paper proposes a model that reduces bias using convo utional autoencoders, which can represent the key features of data, and enhances generalizability by employing soft voting, a method of ensemble learning, to minimize performance variability. To verify the generalization performance of the model, we evaluate it using LOSO cross-validation method. The model proposed in this paper has demonstrated superior accuracy compared to previous studies using the WESAD dataset.

스트레스는 감당하기 어려운 외부 또는 내부 요인으로부터 유발되는 것으로 현대 사회의 주요한 문제 중 하나이다. 높은 스트레스가 장기적으로 지속되면 만성적으로 발전할 수 있으며, 건강 및 생활 전반에 큰 악영향을 초래할 수 있다. 그러나 만성적인 스트레스를 겪는 사람들은 자신이 스트레스를 받고 있는지 알아차리기 어렵기 때문에 사전에 스트레스를 인지하고 관리하는 것이 중요하다. 웨어러블 기기로부터 측정된 생체 신호를 이용하여 스트레스를 탐지한다면, 스트레스를 효율적으로 관리할 수 있을 것이다. 그러나 생체 신호를 이용하는 데에는 두 가지 문제점이 있다. 첫째로 생체 신호에서 수작업 특징을 추출하는 것은 바이어스를 발생시킬 수 있으며, 두 번째는 실험 주체에 따라 분류 모델 성능의 변이가 클 수 있다는 것이다. 본 논문에서는 데이터의 핵심적인 특징을 표현할 수 있는 합성곱 오토인코더를 이용해 바이어스를 줄이고 앙상블 학습 중 하나인 소프트 보팅을 이용해 일반화 능력을 높여 성능의 변이를 줄이는 모델을 제안한다. 모델의 일반화 성능을 확인하기 위하여 LOSO 교차 검증 방법을 이용하여 성능을 평가한다. 본 논문에서 제안한 모델은 WESAD 데이터셋을 이용하여 높은 성능을 보여주었던 기존의 연구들보다 우수한 정확도를 보임을 확인하였다.

Keywords

Acknowledgement

이 논문은 2021년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업(NRF-2021R1I1A3A04036408)이며, 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2023-00219107).

References

  1. S. Gedam and S. Paul, "A Review on Mental Stress Detection Using Wearable Sensors and Machine Learning Techniques," IEEE Access, vol. 9, pp. 84045-84066, 2021. https://doi.org/10.1109/ACCESS.2021.3085502
  2. K. Rateb, A.S. Fares, T. Usman, B. Fabio, A.M. Fadwa, and A.N. Hasan, "A Review on Mental Stress Assessment Methods Using EEG Signals," Sensors, vol. 21, no. 15, pp. 5043, 2021.
  3. V. Olga, Crowley, S. Paula, McKinley, M.B. Matthew, E.S. Joseph E, D.R. Carol, W. Maxine, E.S. Teresa, and P.S. Richard, "The interactive effect of change in perceived stress and trait anxiety on vagal recovery from cognitive challenge," International Journal of Psychophysiology, vol. 82, no. 3, pp. 225-232, 2011. https://doi.org/10.1016/j.ijpsycho.2011.09.002
  4. D.B. O'conner, F.T. Julian, and V. Kavita, "Stress and health: A review of psychobiological processes," Annual Review of Psychology, vol. 72, no. 1, pp. 663-688, 2021. https://doi.org/10.1146/annurev-psych-062520-122331
  5. P.A. Thoits, "Stress and health: Major findings and policy implications," Journal of health and social behavior, vol. 51, no. 1, S41-S53, 2010. https://doi.org/10.1177/0022146510383499
  6. A. Garg, M.M. Chren, L.P. Sands, M.S. Matsui, K.D. Marenus, K.R. Feingold, and P.M. Elias, "Psychological stress perturbs epidermal permeability barrier homeostasis: implications for the pathogenesis of stress-associated skin disorders," Archives of dermatology, vol. 137, no. 1, pp. 53-59, 2001. https://doi.org/10.1001/archderm.137.1.53
  7. T.C. Adam and E.S. Epel, "Stress, eating and the reward system," Physiology & Behavior, vol. 91, no. 4, pp. 449-458, 2007. https://doi.org/10.1016/j.physbeh.2007.04.011
  8. A. Sano and R.W. Picard, "Stress Recognition Using Wearable Sensors and Mobile Phones," 2013 Humaine Association Conference on Af ective Computing and Intelligent Interaction, pp. 671-676, Geneva, Switzerland, Dec2013.
  9. C. Glaros and D.I. Fotiadis, "Wearable devices in healthcare," Intelligent paradigms for healthcare enterprises, vol. 184, pp. 237-264, 2005. https://doi.org/10.1007/11311966_8
  10. S. Seneviratne, Y. Hu, T. Nguyen, G. Lan, S. Khalifa, K. Thil, M. Hassan, and A. Seneviratne, "A Survey of Wearable Devices and Challenges," IEEE Communications Surveys & Tutorials, vol. 19, no. 4, pp. 2573-2620, 2017. https://doi.org/10.1109/COMST.2017.2731979
  11. 김태웅, "빅데이터 기반의 가속도 신호를 이용한 집단 행동패턴 및 활동성 분석 시스템," 스마트미디어저널, 제6권, 제3호, 83-88쪽, 2017년 9월
  12. Escabi and A. Monty, "Biosignal processing," Introduction to biomedical engineering, Academic Press, pp. 549-625, 2005.
  13. G. Giannakakis, D. Grigoriadis, K. Giannakaki, O. Simantiraki, A. Roniotis, and M. Tsiknakis, "Review on Psychological Stress Detection Using Biosignals," IEEE Transactions on Af ective Computing, vol. 13, no. 1, pp. 440-460, 2022. https://doi.org/10.1109/TAFFC.2019.2927337
  14. Arjun, A.S. Rajpoot, and M.R. Panicker, "Subject independent emotion recognition using EEG signals employing attention driven neural networks," Biomedical Signal Processing and Control, vol. 75, 2022.
  15. P. Bobade and M. Vani, "Stress Detection with Machine Learning and Deep Learning using Multimodal Physiological Data," 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA), pp. 51-57, Coimbatore, India, 2020.
  16. P. Schmidt, A. Reiss, R. Duerichen, Claus. Marberger, K.V. Laerhoven, "Introducing wesad, a multimodal dataset for wearable stress and affect detection," Proceedings of the 20th ACM international conference on multimodal interaction, pp. 400-408, Boulder, Colorado, Oct2018.
  17. S. Samyoun, A. Sayeed Mondol and J.A. Stankovic, "Stress Detection via Sensor Translation," 2020 16th International Conference on Distributed Computing in Sensor Systems, pp. 19-26, Marina del Rey, USA, May2020.
  18. S. Rovinska and N. Khan, "Affective State Recognition with Convolutional Autoencoders," 2022 44th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), pp. 4664-4667, Glasgow, United Kingdom, Jul2022.
  19. N. Andrew, "Sparse autoencoder." CS294A Lecture notes, pp. 1-19, 2011.
  20. Bahadur, Nitish, and R. Paffenroth. "Dimension estimation using autoencoders," arXiv preprint arXiv, vol. 1909, no. 10702, 2019.
  21. 천성길, 이주홍, 최범기, 송재원, "대규모 외생 변수 및 Deep Neural Network 기반 금융 시장 예측 및 성능 향상," 스마트미디어저널, 제9권, 제4호, 26-35쪽, 2020년 12월
  22. A better autoencoder for image: Convolutional autoencoder(2018). http://users.cecs.anu.edu.au/Tom.Gedeon/conf/ABCs2018/paper/ABCs2018_paper_58.pdf (accessed Nov., 20, 2023).
  23. S. Chen, J. Yu, and S. Wang, "One-dimensional convolutional auto-encoder-based feature learning for fault diagnosis of multivariate processes," Journal of Process Control, vol. 87, pp. 54-67, 2 020. https://doi.org/10.1016/j.jprocont.2020.01.004
  24. Dietterich and G. Thomas, "Ensemble methods in machine learning," International workshop on multiple classifier systems, pp. 1-15, Cagliari, Italy, Jun2000.
  25. Zhou and Zhi-Hua, Ensemble methods: foundations and algorithms, CRC press, pp. 15-20, 2012.
  26. G. Kyriakides and K.G. Margaritis, Hands-On Ensemble Learning with Python: Build highly optimized ensemble machine learning models using scikit-learn and Keras, Packt Publishing Ltd, pp. 52-69, 2019.
  27. J. Cao, Z. Lin, G.B. Huang, and N. Liu, "Voting based extreme learning machine,", Information Sciences, vol. 185, no. 1, pp. 66-77, 2012. https://doi.org/10.1016/j.ins.2011.09.015
  28. J. Cao, S. Kwong, R. Wang, X. Li, K. Li, and X. Kong, "Class-specific soft voting based multiple extreme learning machines ensemble," Neurocomputing, vol. 149, part A, pp. 275-284, 2015. https://doi.org/10.1016/j.neucom.2014.02.072
  29. Empatica E4, https://e4.empatica.com/e4-wristband (accessed Nov., 20, 2023).
  30. Liaw, Andy, and M. Wiener, "Classification and regression by randomForest," R news, vol. 2, no. 3, pp. 18-22, 2002.
  31. Geurts, Pierre, D. Ernst, and L. Wehenkel. "Extremely randomized trees," Machine learning, vol. 63, no. 1, pp. 3-42, 2006. https://doi.org/10.1007/s10994-006-6226-1
  32. 노성진, 노미진, 한무명초, 엄선현, 김양석, "머신러닝을 활용한 선발 투수 교체시기에 관한 연구," 스마트미디어저널, 제11권, 제2호, 9-17쪽, 2022년 03월