DeepBreath：在非受限环境下利用低成本热成像自动识别压力的呼吸模式深度学习
人机交互
2018-03-28 v1 计算机视觉与模式识别
医学物理
摘要
我们提出了 DeepBreath，这是一个根据人们的呼吸模式自动识别其心理压力水平（心理负荷）的深度学习模型。利用低成本热像仪，我们通过捕捉鼻孔周围的温度变化来追踪人的呼吸模式。本文的技术贡献有三个方面。首先，我们不构建手工特征来捕捉呼吸模式的各个方面，而是将一维呼吸信号转换为二维呼吸变异性谱图（RVS）序列。这些谱图能够轻松捕捉呼吸动力学的复杂性。其次，基于深度卷积神经网络（CNN）的空间模式分析直接应用于谱图序列，无需手工特征。最后，受深度学习中过拟合问题解决方法的启发，应用了一种数据增强技术，使得 CNN 能够利用短期测量（例如，最多几个小时）的小规模数据集进行学习。该模型使用暴露于两种类型认知任务（Stroop 色词测试、心算测试）且具有不同难度级别的受试者身上收集的数据进行训练和测试。使用归一化的自我报告作为真实标签，CNN 在区分两种压力水平时达到了 84.59% 的准确率，在区分三种压力水平时达到了 56.52%。此外，CNN 优于基于单层神经网络的强大浅层学习方法。最后，带标注的热成像数据集将向社区开放。
引用
@article{arxiv.1708.06026,
title = {DeepBreath: Deep Learning of Breathing Patterns for Automatic Stress Recognition using Low-Cost Thermal Imaging in Unconstrained Settings},
author = {Youngjun Cho and Nadia Bianchi-Berthouze and Simon J. Julier},
journal= {arXiv preprint arXiv:1708.06026},
year = {2018}
}
备注
Submitted to "2017 7th International Conference on Affective Computing and Intelligent Interaction (ACII)" - ACII 2017