ReLearn：面向缺失数据的多模态生理信号压力检测鲁棒机器学习框架
机器学习
2021-07-30 v2
摘要
近来，连续多模态压力检测已通过可穿戴设备和机器学习算法实现。然而，处理传统监测设备记录的生理信号时，一个众所周知的重要挑战是由于传感器接触不良及其他设备干扰导致的缺失数据。当用户/患者精神或身体活跃或处于压力状态时，由于更频繁的主动或下意识动作，这一挑战变得更加严峻。在本文中，我们提出 ReLearn，一种从多模态生理信号提取的生物标志物中进行压力检测的鲁棒机器学习框架。ReLearn 在训练和推理阶段均能有效应对缺失数据与离群值。ReLearn 由用于特征选择、离群值检测、数据填补和分类的机器学习模型组成，使我们能对全部样本进行分类，包括推理时含缺失值的样本。特别地，根据我们的实验与压力数据库，若作为简单但常用的做法丢弃所有缺失数据，推理时 34% 的数据无法做出预测，而我们的方法对缺失样本可实现高达 78% 的准确预测。此外，我们的实验表明，即使特征内超过 50% 的样本缺失，所提框架仍可获得 86.8% 的交叉验证准确率。
引用
@article{arxiv.2104.14278,
title = {ReLearn: A Robust Machine Learning Framework in Presence of Missing Data for Multimodal Stress Detection from Physiological Signals},
author = {Arman Iranfar and Adriana Arza and David Atienza},
journal= {arXiv preprint arXiv:2104.14278},
year = {2021}
}
备注
7 pages