On the Generalizability of ECG-based Stress Detection Models

要約

ストレスは、仕事、医療、社会的相互作用など、日常生活の多くの側面で蔓延しています。
多くの作品は、ストレスの指標であるさまざまな生体信号から手作りの機能を研究しています。
最近では、深層学習モデルもストレスを検出するために提案されています。
通常、ストレス モデルは同じデータセットでトレーニングおよび検証され、多くの場合、ストレスの多いシナリオが 1 つ含まれます。
ただし、すべてのシナリオのストレス データを収集することは現実的ではありません。
したがって、これらのモデルの一般化可能性を調査し、他のシナリオでどの程度使用できるかを判断することが重要です。
このホワイト ペーパーでは、心電図 (ECG) ベースのディープ ラーニング モデルと、手作りの ECG 機能 (心拍変動 (HRV) 機能) に基づくモデルの一般化機能について説明します。
この目的のために、ECG 信号を入力として使用する 3 つの HRV モデルと 2 つのディープ ラーニング モデルをトレーニングします。
2 つの一般的なストレス データセット (WESAD と SWELL-KW) からの ECG 信号を使用し、ストレッサーと記録デバイスの点で異なります。
まず、同じデータセットからのトレーニング サンプルと検証サンプルを使用して、Leave-one-subject-out (LOSO) クロス検証を使用してモデルを評価します。
次に、モデルのクロスデータセット検証を実行します。つまり、WESAD データセットでトレーニングされた LOSO モデルは SWELL-KW サンプルを使用して検証され、その逆も同様です。
ディープ ラーニング モデルは同じデータセットで最高の結果を達成しますが、HRV 機能に基づくモデルは、別のデータセットのデータでそれらを大幅に上回ります。
この傾向は、両方のデータセットのすべてのモデルで観察されます。
したがって、HRV モデルは、データセット シナリオとは異なるアプリケーションでのストレス認識に適しています。
私たちの知る限り、これは ECG ベースの深層学習モデルと HRV モデルの間でデータセット間の一般化可能性を比較した最初の研究です。

要約(オリジナル)

Stress is prevalent in many aspects of everyday life including work, healthcare, and social interactions. Many works have studied handcrafted features from various bio-signals that are indicators of stress. Recently, deep learning models have also been proposed to detect stress. Typically, stress models are trained and validated on the same dataset, often involving one stressful scenario. However, it is not practical to collect stress data for every scenario. So, it is crucial to study the generalizability of these models and determine to what extent they can be used in other scenarios. In this paper, we explore the generalization capabilities of Electrocardiogram (ECG)-based deep learning models and models based on handcrafted ECG features, i.e., Heart Rate Variability (HRV) features. To this end, we train three HRV models and two deep learning models that use ECG signals as input. We use ECG signals from two popular stress datasets – WESAD and SWELL-KW – differing in terms of stressors and recording devices. First, we evaluate the models using leave-one-subject-out (LOSO) cross-validation using training and validation samples from the same dataset. Next, we perform a cross-dataset validation of the models, that is, LOSO models trained on the WESAD dataset are validated using SWELL-KW samples and vice versa. While deep learning models achieve the best results on the same dataset, models based on HRV features considerably outperform them on data from a different dataset. This trend is observed for all the models on both datasets. Therefore, HRV models are a better choice for stress recognition in applications that are different from the dataset scenario. To the best of our knowledge, this is the first work to compare the cross-dataset generalizability between ECG-based deep learning models and HRV models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google