基于可穿戴设备的真实场景下瞬时压力检测中的半监督学习与数据增强
信号处理
2022-03-01 v1 人工智能
机器学习
摘要
从可穿戴或移动传感器收集的生理和行为数据已被用于估计自我报告的压力水平。由于压力标注通常依赖于研究期间的自我报告，有限的标注数据量可能成为开发准确且泛化的压力预测模型的障碍。另一方面，传感器可以在无标注情况下持续采集信号。本工作研究了利用无标注可穿戴传感器数据进行真实场景下的压力检测。我们首先对生理和行为数据应用数据增强技术，以提升有监督压力检测模型的鲁棒性。通过使用带有主动筛选无标注序列的自编码器，我们对有监督模型结构进行预训练，以利用从无标注样本中学到的信息。随后，我们开发了一个半监督学习框架来利用无标注数据序列。我们将数据增强技术与一致性正则化相结合，后者基于增强和无标注原始数据强制预测输出的一致性。我们使用在真实场景下收集的三个可穿戴/移动传感器数据集验证了这些方法。结果表明，与基线有监督学习模型相比，结合所提方法在评估数据集上将压力分类性能提升了 7.7% 至 13.8%。
引用
@article{arxiv.2202.12935,
title = {Semi-Supervised Learning and Data Augmentation in Wearable-based Momentary Stress Detection in the Wild},
author = {Han Yu and Akane Sano},
journal= {arXiv preprint arXiv:2202.12935},
year = {2022}
}