[논문 리뷰] StressID: a Multimodal Dataset for Stress Identification
Abstract
StressID - 스트레스 식별을 위한 데이터 셋
구성
- 얼굴 표정 비디오
- 오디오
- 생체 신호 (ECG-심전도, EDA-피부전도활동, 호흡신호)
피실험자의 작업 수행
-
감성적인 비디오 시청
-
수학 / 인지작업 / 대중 연설
최종 65명의 참가자들이 11가지 과제 수행
본인들이 지각한 relax,stress,arousal(각성), valence(긍부정) 평가 포함
Introduction
스트레스 인식 모델의 고려사항
- 편향 되지 않아야함 - 입구 집단 간의 차이 이해
- 물리적, 신체적 반응 사이의 관계 이해
- 다양한 스트레스 요인 - 사람마다 스트레스에 대한 인식이 다름
기존 데이터셋들은 표본이 적고, 단일 데이터만 포함하고 있기에 멀티모달을 위한 데이터에 적합하지 않음
따라서 얼굴 비디오, 오디오, 생리 신호를 포함한 데이터셋 StressID를 제시
Related Work
아래 표는 스트레스 인식 데이터 셋을 나타냄
-
SUS : 비행훈련 도중 수집된 유니모달 데이터셋. 자기 평가와 외부 주석이 없고 일반적이지 않은 작업을 수행했다는 한계점 존재
-
SADVAW : 한국 영화에서 비디오 클립 추출한 데이터셋. 현실과 유사한 환경 제공 가능하나, 비디오 데이터만 존재하여 CV에만 적용가능하다는 한계점 존재
-
DriveDB : 운전자의 생체 정보 데이터셋. 자기 평가와 외부 주석이 부족하다는 단점 존재. 운전이라는 특정 환경에 제한되었다는 한계점 존재
-
WeSAD, CLAS : 생체 데이터셋. 스트레스 유발을 위한 다양한 작업을 피실험자들이 수행하였지만, 얼굴표정과 같은 데이터가 부재하다는 한계점 존재
-
MuSE, SWELL-KW : 멀티모달 데이터셋. 일상적인 상황 작업을 수행하지만 표본이 작다는 한계점 존재
-
Distracted Driving dataset : 스트레스 유발 환경의 운전 환경에서 수집한 데이터셋. 환경이 제한적이라는 단점과 심박수에만 측정되어 심박수 변동은 알 수 없음
(심박수는 1분 동안의 박동수를 의미함으로 이를 통해 심박수 변동을 알기 어려움)
StressID
생리적 신호와 행동적 신호를 포함, 표본 크기도 충분히 큼, 자극도 다양, 자기 평가 수행.
멀티 모달 데이터(비디오, 오디오, 생리 데이터)
결론 : 스트레스 인식 작업에 있어서 가장 짱인 데이터셋
Leave a comment