arXiv:2606.26723v1 eess.SP

감정 및 스트레스 인식을 위한 상태별 호흡 특징: 해석 가능한 호흡 마커, 자기상관 지연 및 경량 CNN 모델

State-Specific Respiratory Signatures for Affective and Stress Recognition: Interpretable Respiratory Markers, Autocorrelation Lags, and Compact CNN Models

Andrei Velichko, Mehmet Tahir Huyut

제출 2026-06-25

한국어 초록

호흡 활동은 웨어러블 스트레스 및 감정 상태 인식을 위한 직접적이고 해석 가능한 생리 채널이지만, 많은 연구가 서로 다른 상태를 구분하는 호흡 특성을 규명하지 않은 채 분류 정확도만을 강조한다. 본 연구는 RESP 기반 인식을 예측과 설명을 동시에 수행하는 문제로 재정의한다. WESAD 데이터셋의 흉부 호흡 채널을 활용하여 피험자-제외(leave-one-subject-out) 검증 방식 하에 60초 윈도우를 분석하고, 경량 원시 신호 1차원 합성곱 신경망(1D-CNN)과 물리적으로 그룹화된 수작업 호흡 특징이라는 두 가지 상보적 브랜치를 결합한다. 주요 응용 과제는 이진 스트레스 대 비스트레스 탐지이며, 기준선, 스트레스, 즐거움, 명상을 일대다(one-vs-rest) 방식으로 추가 분석하여 상태별 호흡 마커를 규명한다. 특징 공간은 호흡 타이밍, 호흡 간 변동성, 파형 통계, 스펙트럴/시간-주파수 디스크립터, 자기상관/비선형 예측 가능성 디스크립터로 구성되며, 원시 60초 신호는 CNN 브랜치를 위한 여섯 번째 표현으로 처리된다. 자기상관 전환 지연(Zpm/Zmp)을 호흡 상관 척도의 해석 가능한 마커로 새롭게 제안하고, 탐색적 FEG-Pro/Lyapunov 유사 디스크립터를 별도로 평가한다. 최종 CNN 재적합 설정에서 원시 신호 모델은 스트레스 대 비스트레스 성능에서 가장 우수한 결과를 달성하였으며, 정확도 96.72%, 매크로-F1 95.30%, MCC 90.61%를 기록하였다. 반면, 경량 특징 모델은 기준선(MCC 65.34%), 즐거움(MCC 35.69%), 특히 명상(MCC 88.65%)에서 더 강한 성능을 보였다. 이러한 결과는 CNN이 실용적인 스트레스 탐지기에 가장 유용한 반면, 해석 가능한 호흡 특징은 여러 비스트레스 조건에 대해 더 강력하고 생리학적으로 투명한 상태별 마커를 제공함을 보여준다.

원문 초록

Respiratory activity is a direct and interpretable physiological channel for wearable stress and affective-state recognition, yet many studies emphasize classification accuracy without identifying which respiratory properties separate different states. This work reframes RESP-based recognition as a joint predictive and explanatory problem. Using the chest respiratory channel of the WESAD dataset, we analyze 60 s windows under leave-one-subject-out validation and combine two complementary branches: compact raw-signal one-dimensional convolutional neural networks (1D-CNNs) and physically grouped handcrafted respiratory signatures. The primary application task is binary stress versus non-stress detection, while baseline, stress, amusement, and meditation are additionally analyzed in a one-vs-rest setting to reveal state-specific respiratory markers. The feature space is organized into respiratory timing, breath-to-breath variability, waveform statistics, spectral/time-frequency descriptors, and autocorrelation/nonlinear predictability descriptors, with the raw 60 s signal treated as a sixth representation for the CNN branch. We introduce autocorrelation transition lags (Zpm/Zmp) as interpretable markers of respiratory correlation scale and separately evaluate exploratory FEG-Pro/Lyapunov-like descriptors. In the final CNN refit setting, the raw-signal model achieved the strongest stress-vs-rest performance, with accuracy 96.72 percent, macro-F1 95.30 percent, and MCC 90.61 percent. In contrast, compact feature models were stronger for baseline, with MCC 65.34 percent, amusement, with MCC 35.69 percent, and especially meditation, with MCC 88.65 percent. These results show that CNNs are most useful for the practical stress detector, whereas interpretable respiratory signatures provide stronger and more physiologically transparent state-specific markers for several non-stress conditions.

요약

WESAD 데이터셋 흉부 호흡 신호를 60초 윈도우와 피험자-제외 검증으로 분석해, 경량 1D-CNN과 해석 가능한 호흡 특징(자기상관 전환 지연 Zpm/Zmp 포함)을 병행해 스트레스·감정 상태 인식을 예측과 설명 문제로 함께 다룬다. 원시 신호 CNN은 스트레스 대 비스트레스 탐지에서 정확도 96.72%·MCC 90.61%로 가장 우수했고, 경량 특징 모델은 특히 명상(MCC 88.65%) 등 비스트레스 상태에서 더 강한 상태별 마커를 제공한다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.26723v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22956v1cs.AI공통 태그 Time Series Analysis, Feature Engineering, Binary Classification

발바닥 VGRF 기반 파킨슨병 분류를 위한 간결한 보폭 인덱싱 전후방 COP 표현

A Compact Stance-Indexed Anterior-Posterior COP Representation for Parkinson's Disease Classification from Plantar VGRF

파킨슨병은 보행과 양측 협응을 변화시키지만, 기계학습 성능은 연속 보행 신호를 어떻게 표현하느냐에도 달려 있다. 본 연구는 정규화된 stance 전 구간의 고정 위치에서 전후방 중심압력(anterior-posterior center-of-pressure, AP-COP) 정보를 보존하는 것이 발바닥 힘 보행 신호에 대한 간결하고 정보가 풍부한 표현을 제공하는지 조사한다. Gait in Parkinson's Disease Database의 165명 참가자로부터 기록된 양측 수직 지면 반력(vertical ground reaction force)을 반복 완전 중첩 참가자 수준 교차검증(repeated fully nested participant-level cross-validation)으로 평가했다. 우리는 다섯 개의 stance 구간에 걸친 AP-COP 위치와 양측 비대칭으로 구성된 AP-COP10을 제안한다. AP-COP10은 AUC 0.894를 달성했으며, 동일한 평가 파이프라인에서 문헌에서 도출·조화된 세 가지 COP 표현보다 우수했다. 보완적인 25개의 비-AP-COP 서술자(descriptor)만으로는 AUC 0.856을, 전체 35-특징 표현은 0.908을 달성했다. 완전한 표현에서 AP-COP10을 제거하면 통계적으로 뒷받침되는 판별력 손실이 발생했으며, AP-COP10에 보완 서술자를 추가하는 것은 작고 통계적 뒷받침이 없는 개선만을 가져왔다. 특징 경쟁(feature competition) 분석은 가장 정보가 많은 stance 인덱싱 서술자가 초기 및 초-중기 stance에 집중되어 있음을 나타냈고, 원 연구 홀드아웃(source-study holdout) 및 센서 교란(sensor-perturbation) 분석은 표현의 견고성을 뒷받침했다. 이러한 결과는 stance 인덱싱 AP-COP가 더 넓게 설계된 보행 서술자로는 쉽게 복구되지 않는 판별 정보를 유지함을 보여 주며, 병리적 보행의 기계학습 분석을 위한 간결하고 해석 가능한 표현을 지지한다.

arXiv:2609.14159v2cs.CV공통 태그 Activity Recognition, Time Series Analysis, Binary Classification

교차 분할 통계적 안정성 분석 기반 어텐션 강화 심층 학습을 활용한 3D 보행 기반 자폐 스펙트럼 장애 분류

3D Gait-Based Autism Classification Using Attention-Enhanced Deep Learning with Cross-Fold Statistical Stability Analysis

자폐 스펙트럼 장애(ASD)는 기존의 임상 평가 방식이 주관적이고 많은 시간이 소요되며 전문가 평가를 필요로 하기 때문에 조기 진단이 여전히 어려운 신경발달 질환이다. 보행은 자동화된 ASD 선별 검사를 위한 유망한 비침습적 행동 바이오마커를 제공하지만, 기존 연구들은 분할(fold) 간 안정성을 공식적으로 평가하지 않은 채 주로 단일 데이터셋 평가, 합성곱(convolutional) 아키텍처, 교차 검증(cross-validation) 성능에 대한 기술적 요약에 의존해 왔다. 본 연구는 사전에 계산된 통계적 보행 기술자(descriptor)와 원시 생체역학적 지면 반발력(ground-reaction-force) 측정값이라는 구조적으로 서로 다른 두 가지 3D 보행 특징 표현에서 평가되는 ASD 분류용 어텐션 강화 트랜스포머 프레임워크로 이러한 한계를 해결한다. 5겹 교차 검증에서 제안된 프레임워크는 공개 Kinect 기반 벤치마크에서 99.00%의 정확도, 99.02%의 정밀도, 99.00%의 재현율, 99.00%의 F1 점수, 99.00%의 특이도를 달성하여 비교 대상 최신 기법들의 성능을 능가했다. 또한 독립적인 비공개 포스 플레이트(force-plate) 데이터셋에서는 평균 95.00%의 정확도, 93.81%의 정밀도, 96.67%의 재현율, 95.13%의 F1 점수, 93.33%의 특이도를 달성했다.

arXiv:2608.00045v4cs.CL공통 태그 Feature Engineering, Binary Classification

텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크

Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework

본 연구는 맥락, 재무 또는 인적 자본 변수에 의존하지 않고도 텍스트 기술어(textual descriptor)만으로 엑시트(Exit)로 정의되는 초기 단계 스타트업의 성공을 예측할 수 있음을 보여준다. 20년에 걸쳐 7,419개 스타트업을 포괄하는 벤처 캐피털 큐레이션 데이터셋을 활용하여, 본 연구는 텍스트 기반 프레이밍 변수를 분리하고 스타트업 내러티브 매핑을 통해 850개의 특징(feature)을 엔지니어링한다. 데이터 하위 집합과 벡터 임베딩(embedding)의 통계적 유의성을 평가한 후, 6개 모델에 걸쳐 지도 머신러닝 실험을 수행한다. 로지스틱 회귀(Logistic Regression)를 사용한 이진 엑시트 예측은 임베딩을 제외한 모든 특징을 사용했을 때 0.55의 재현율(recall)과 0.48의 F1 점수를 달성하며, 임베딩을 포함한 텍스트 기술어만을 사용했을 때는 0.59의 재현율과 0.26의 F1 점수를 달성한다. 특징 분석 결과에 따르면 형용사, 전문 용어(jargon), 유행어(buzzwords)와 같은 과장 마커(hyping marker)의 최적화된 밀도는 더 높은 엑시트 확률과 연관되어 있는 반면, 과도한 설명문이나 사명(name) 길이는 더 낮은 확률과 연관되어 있음을 나타낸다. 또한 본 연구는 벤처 심사(venture screening)에 잠재적으로 적용할 수 있는 정량화 가능한 Hyping Score를 도입한다. 이러한 결과는 정보 비대칭성이 높은 투자 환경에서 스타트업의 프레이밍이 경제적 성과의 독립적인 예측 요인으로 기능할 수 있음을 시사한다.

arXiv:2609.27059v1cs.CL공통 태그 Emotion Recognition, Time Series Analysis

일리노이 사회적 태도 종합 말뭉치(ISAAC): 대규모 사회 집단 담론 분석을 위한 공개 도구 및 재현 가능한 파이프라인

The Illinois Social Attitudes Aggregate Corpus (ISAAC): An Open Tool and Reproducible Pipeline for Analyzing Social Group Discourse at Scale

본 논문에서는 2007년부터 2023년까지 17년 동안 인종, 성적 지향, 연령, 장애 여부, 체중, 피부색에 기반한 6가지 핵심 사회 집단 구분에 대한 관련성을 기준으로 선별된 5억 2,700만 개 이상의 영어 레딧(Reddit) 게시물로 구성된 개방적이고 모듈화되었으며 접근성이 높은 말뭉치인 일리노이 사회적 태도 종합 말뭉치(ISAAC, Illinois Social Attitudes Aggregate Corpus)를 소개합니다. 다단계의 인간 감사(human-audited) 필터링 파이프라인을 사용하여 정제된 데이터셋(dataset) 내 무관한 콘텐츠의 비율을 전체적으로뿐만 아니라 각 사회 집단 구분별로도 10% 미만으로 유지했습니다. 이후 각 게시물에는 사용자의 추정 거주 지역과 함께 도덕화, 감성, 감정, 언어적 일반화를 포함하여 검증된 기성(off-the-shelf) 및 맞춤형 시맨틱 레이블 세트가 알고리즘을 통해 주석 처리되었습니다. 우리는 온라인 검색 행동, 주요 사회적 사건(전국적 및 지역적) 동안의 시간적 급증, 대중 태도의 장기적 변화와 같은 거시적 차원의 사회적 경향과 ISAAC을 연결하는 수렴적 증거를 통해 결과 말뭉치의 유효성을 확인합니다. ISAAC은 통합된 공개 인프라를 제공함으로써 연구 파편화를 없애고 원활한 복제를 가능하게 하는 동시에 대규모의 다양한 실증적 워크플로를 지원합니다. 구체적으로 ISAAC을 통해 연구자들은 범주 간 비교를 수행하고, 사회 집단 담론의 장기적인 시간적 변화를 높은 정밀도(precision)로 추적하며, 공간적 변이를 지역화된 여론 및 정책 결과에 매핑할 수 있습니다. ISAAC의 완전 공개형 모듈식 파이프라인은 말뭉치를 새로운 플랫폼, 언어 및 사회적 범주로 쉽게 확장할 수 있도록 지원합니다. 다양한 연구 요구를 수용하기 위해 ISAAC은 포인트 앤 클릭 웹사이트 및 레이블러 웹 앱을 통한 노코드 방식과 SQL 플레이그라운드, Python 패키지, HuggingFace를 통한 프로그래밍 방식 모두로 접근할 수 있습니다.

arXiv:2609.26960v1eess.SP공통 태그 Activity Recognition, Time Series Analysis

RF 감지 스펙트로그램에서 기하와 속도의 분리

Untangling the Geometry and Speed for RF Sensing Spectrograms

RF 감지의 근본적인 난제는 링크에서 관측되는 도플러 특성이 표적의 운동과 감지 기하를 얽어, 제약 없는 실세계 환경에 대한 적용 가능성이 제한된다는 점이다. 본 논문에서는 반사체 속도와 기하를 분리하여, 각 지배적 도플러 ridge의 속도, 기하 인자, 상대 진폭, 폭을 공동으로 복원하는 물리적으로 해석 가능한 RF 감지의 새로운 기반을 제시한다. 구체적으로, 먼저 WiFi 스펙트로그램의 간결한 매개변수 표현을 개발하고, 대규모·다양한 인간 활동 데이터셋에 대한 체계적인 컴퓨터 비전 분석을 통해 그 저차원 구조를 확립하여 학습에 다루기 쉬운 기반을 마련한다. 이 표현을 바탕으로 구조화된 병목층과 미분 가능한 RF 순방향 모델이 반사체 속도와 기하에 대한 물리적으로 의미 있는 추정을 강제하는 물리 정보 기반 오토인코더를 설계한다. 또한 합성-실제(synthetic-to-real) 학습 프레임워크를 도입하여 실제 WiFi 학습 데이터가 필요 없게 한다. 제안 프레임워크를 알려진 기하와 시간에 따라 변하는 기하 모두에서, 독립적으로 생성한 합성 테스트 세트와 31회의 실제 WiFi 실험을 사용해 광범위하게 검증한다. 결과는 속도 및 기하 추출에서 우수한 성능을 보이며, 모든 설정에서 기저 기하, 속도, 도플러 ridge 진폭, ridge 폭을 견고하게 복원하면서 가장 강한 기준선들을 크게 능가함을 보여준다.

arXiv:2609.27287v1cs.LG공통 태그 Time Series Analysis, Binary Classification

SR-Fraud: 비정상(non-stationary) 결제 사기 탐지를 위한 결과 지도(outcome-supervised) 반성형 LLM 에이전트 프레임워크

SR-Fraud: An Outcome-Supervised Reflective LLM Agent Framework for Non-Stationary Payment Fraud Detection

실시간 결제 사기 탐지는 비정상(non-stationary) 스트리밍 예측 문제이다. 적대자는 지도 라벨이 성숙하기 전에 적응하고, 국소적 버스트 공격은 재학습 전에 손실을 유발할 수 있다. 프로덕션 시스템은 일반적으로 테이블형 분류기와 규칙에 의존하며, 주기적 재학습이 이루어지기 전에 새로 나타나는 순차 패턴을 포착하는 데 어려움을 겪을 수 있다. 우리는 요청 시점 의사결정과 오프라인 적응을 분리하는 결과 지도(outcome-supervised) 반성형 LLM 프레임워크인 SR-Fraud를 제안한다. 동결(frozen)된 무상태(stateless) 에이전트가 Hybrid Episodic Window로부터 각 거래를 점수화하여 행동 변화를 추적하고, 오프라인 반성 에이전트는 성숙한 오류로부터 경계 가설을 제안한다. 결정론적 검증기는 이어서 지지되는 가설만 실행 가능한 지식 상태에 편입한다. 프로덕션 결제 사기 벤치마크에서 SR-Fraud는 동결된 의사결정 에이전트 대비 모든 탐지 지표를 개선하고, 정적 및 주기적 재학습 CatBoost보다 높은 점 추정치(point estimate)를 얻으며, 새로 나타나는 사기 버스트를 탐지한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.