使用卷积神经网络个性化心理压力建模的设备端迁移学习
机器学习
2020-04-06 v1 机器学习
摘要
压力是现代社会日益受到关注的问题，对更广泛人群的负面影响比以往任何时候都大。准确推断压力可能为个性化干预提供可能。然而，人与人之间的个体差异限制了机器学习模型推断情绪的泛化能力，因为人们在经历相同情绪时的生理反应差异很大。此外，收集个体情绪的大型数据集非常耗时且极具挑战性，因为这依赖于用户在长时间内实时标记传感器数据。我们提出开发一个个性化的、跨域的一维卷积神经网络（1D CNN），利用从20名完成受控压力源实验的参与者数据训练的初始基础模型进行迁移学习。通过利用嵌入在边缘计算接口中的生理传感器（HR、HRV、EDA）以及额外的标记技术，可以收集少量真实的个人数据，用于设备端迁移学习，以提高模型的个性化和跨域性能。
引用
@article{arxiv.2004.01603,
title = {On-Device Transfer Learning for Personalising Psychological Stress Modelling using a Convolutional Neural Network},
author = {Kieran Woodward and Eiman Kanjo and David J. Brown and T. M. McGinnity},
journal= {arXiv preprint arXiv:2004.01603},
year = {2020}
}