野外瞬时压力检测中的模态融合网络与个性化注意力
信号处理
2022-02-23 v3 机器学习
摘要
日常活动中的多模态可穿戴生理数据已被用于估计自我报告的压⼒标签。然而，数据采集中的模态缺失使得利用所有采集样本具有挑战性。此外，个体间异构的传感器数据与标签给构建鲁棒压力检测模型增添了难度。本文提出一种模态融合网络（MFN），以在完整与不完整模态条件下训练模型并推断自我报告的二值压力标签。此外，我们应用个性化注意力（PA）策略，将个性化表示与通用的一刀切模型结合。我们在包含皮电反应（GSR）和心电图（ECG）的多模态可穿戴传感器数据集（N=41）上评估了方法。与使用完整模态样本的基线方法相比，MFN的f1分数提升1.6%。另一方面，所提PA策略相较先前SOTA迁移学习策略（29.3 MB）展现出高2.3%的压力检测f1分数，且个性化模型参数规模减少约达70%（9.1 MB）。
引用
@article{arxiv.2107.09510,
title = {Modality Fusion Network and Personalized Attention in Momentary Stress Detection in the Wild},
author = {Han Yu and Thomas Vaessen and Inez Myin-Germeys and Akane Sano},
journal= {arXiv preprint arXiv:2107.09510},
year = {2022}
}
备注
2021 9th International Conference on Affective Computing and Intelligent Interaction (ACII)