Multi-level Stress Assessment From Electrocardiogram Data in a Virtual Reality Environment Using Contrastive Self Supervision
Notice bibliographique
Résumé
Electrocardiogram (ECG) data is an ideal option to assess stress in Virtual Reality (VR) applications due to its non-invasive nature and high correlation to changes in stress levels. Yet, most studies on stress assessment only collect binary measurements. Developing a multi-level assessment is necessary for a biofeedback-based application. Existing studies annotate and classify a single experience (e.g. watching a VR video) to a single stress level, which again prevents design of dynamic experiences where real-time in-game stress assessment can be utilized. Furthermore, existing works heavily rely on supervision information to train stress assessment models. However, obtaining supervised labels for training data is an expensive and labor intensive task that is not scalable on large datasets. Given the advancements in data driven technologies, supervised learning prevents us from leveraging unlabeled data excessively available nowadays. In this thesis, we report our findings on a new study on VR multi-level stress assessment. ECG data was collected from 12 participants experiencing a VR roller coaster. The VR experience was then manually labeled in 10-second segments to three stress levels. We then propose a contrastive self-supervised learning approach for stress assessment that is superior to non-contrastive self-supervised approaches. Experimental results show that when compared to non-contrastive self-supervised learning, we obtained a 9% increase in accuracy on the WESAD dataset and a 3.7% increase on our collected data at the Ryerson Multimedia Lab.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».