생리 신호를 위한 분리형 적대적 전이 학습

초록

본 논문은 스트레스 수준을 판별하기 위해 웨어러블 센서에서 얻은 생리 신호를 활용한다. 사용자 간 혹은 동일 사용자의 서로 다른 기록 세션 간에 발생하는 도메인 불일치를 해결하고자, 인코더가 추출한 잠재 표현을 두 부분(zₐ, zₙ)으로 분리하고, 각각을 적대적 네트워크와 잡음(주체) 네트워크에 연결한다. 적대적 네트워크는 zₐ에서 주체 정보를 억제하도록 학습하고, 잡음 네트워크는 zₙ에 주체 정보를 보존하도록 유도한다. 최종 분류기는 전체 잠재 표현과 주체 정보를 함께 사용해 스트레스 레벨을 예측한다. 교차 피험자 실험에서 기존 비적대적 모델 대비 분류 정확도가 향상되고, 주체 식별 정확도는 적절히 조절되는 것을 확인하였다.

상세 분석

이 연구는 생리 신호 기반 스트레스 수준 분류에서 전이 학습 문제를 해결하기 위해 ‘분리형 적대적 전이 학습(Disentangled Adversarial Transfer Learning, DATL)’ 프레임워크를 제안한다. 데이터는 C = 7개의 채널(EDA, 온도, 가속도 3축, 심박수, 산소포화도)으로 구성된 20명의 피험자 각각에 대해 4가지 스트레스 상태(신체, 인지, 감정, 휴식)에서 5분(300 샘플)씩 수집된다. 입력 X∈ℝ^{C×T}를 인코더 g(·;θ)로 변환해 차원 d = 100의 잠재 벡터 z를 얻고, 이를 비율 r_N에 따라 zₐ(1−r_N)와 zₙ(r_N)로 분할한다. zₐ는 ‘adversary’ 네트워크 q_φ(s|zₐ)에 입력돼 주체 ID s를 예측하도록 학습되지만, 인코더는 이 예측을 최소화하도록 역전파한다(gradient reversal). 반대로 zₙ은 ‘nuisance’ 네트워크 q_ψ(s|zₙ)에 입력돼 s를 정확히 예측하도록 학습한다. 최종 분류기 q_γ(y|z, s)는 전체 z와 주체 정보 s를 함께 사용해 스트레스 레벨 y를 예측한다. 전체 목적식은

max_{θ,γ,ψ} min_{φ} E