野生におけるウェアラブルベースの瞬間的ストレス検出における半教師付き学習とデータ増強【JST・京大機械翻訳】

Yu Han; Sano Akane

プレプリント

J-GLOBAL ID：202202216785033970 整理番号：22P0295547

野生におけるウェアラブルベースの瞬間的ストレス検出における半教師付き学習とデータ増強【JST・京大機械翻訳】

Semi-Supervised Learning and Data Augmentation in Wearable-based Momentary Stress Detection in the Wild

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年02月21日プレプリントサーバーでの情報更新日： 2022年02月21日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ウェアラブルまたはモバイルセンサから収集した生理学的および行動的データを用いて自己申告ストレスレベルを推定した。応力アノテーションは通常研究中の自己報告に依存するので,限られた量のラベル付きデータは,正確で一般化された応力予測モデルの開発における障害である。他方,センサはアノテーションなしに連続的に信号を捕捉することができる。本研究では,野生におけるストレス検出のための非標識ウェアラブルセンサデータを検討した。最初に,教師つきストレス検出モデルのロバスト性を改善するために,生理学的および行動的データに関するデータ増強技術を適用した。能動的に選択されたラベルなし配列を持つ自動エンコーダを用いて,ラベルなしサンプルから学習された情報を利用するために教師つきモデル構造を事前訓練した。次に,ラベルなしデータシーケンスを利用するために,半教師つき学習フレームワークを開発した。拡張と元のラベルなしデータに基づく予測出力の一貫性を強制する一貫性正則化とデータ増強技術を組み合わせた。野生で収集された3つのウェアラブル/モバイルセンサデータセットを用いてこれらの方法を検証した。その結果,提案手法の組み合わせは,ベースライン教師つき学習モデルと比較して,評価データセット上で,応力分類性能を7.7%から13.8%に改善することを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

生体計測

, , , ,

前のページに戻る