Classification Model for Human Anxiety based on Machine Learning

Abstract

Recently, a lot of research have conducted to reveal emotions using human body information. Moreover, many wearable devices capable of acquiring body information have been developed. In this study, we propose a model to classify anxiety emotion with physical information of the people acquired using the wearable device. We utilize support vector machine to make the classi cation model. However, there are limitations due to characteristics of heart rate data, so we propose the preprocessing for an advanced model. We design a system to make the model more organized and it is implemented based on the Realtime Tra c Flow Measurement structure. The system is consisted of data collection, data preprocessing, and data analysis module. In the data collection module, the system collects the data of each person using a wearable device. In the data preprocessing module, normalization and deletion are applied to the data. Finally, a classifying model is generated to classify anxiety emotions of people by support vector machine in the data analysis module and validated by testing data. Our simulation results based on the actual implementation show that classifying model infers anxiety emotions of people with 58.791%. Moreover, the model using preprocessing has the accuracy of 62.902%.;최근 사람의 신체 정보를 이용해 감정을 알아내는 연구가 다양하게 진행되고 있다. 또한 웨어러블 디바이스, 스마트 워치 등 신체 정보를 수집할 수 있는 기기가 활발하게 개발되고 있다. 본 연구에서는 웨어러블 기기를 사용하여 수집한 사람들의 신체 정보를 이용하여 사람의 불안 감정을 분류하는 모델을 생성하고자 한다. 이와 같은 모델을 생성하는 데는 서포트 벡터 머신(Support Vector Machine, SVM) 방식을 이용하였으며, 심박수 데이터 특성으로 인한 한계점을 극복하기 위해 전처리 과정을 제안하였다. 본 논문에서는 모델을 생성하는 과정을 보다 체계화하기 위해 실시간 트래픽 흐름 측정(Real-time Traffic Flow Measurement, RTFM)을 기반으로 시스템을 구현하였고, 시스템은 데이터 수집, 데이터 전처리, 데이터 분석으로 이루어져 있다. 데이터 수집 모듈에서는 웨어러블 기기를 이용해 각 사람의 데이터를 수집한다. 데이터 전처리 모듈에서 는 데이터 정규화와 데이터 삭제를 적용한다. 마지막으로, 데이터 분석 모듈에서 서포트 벡터 머신을 이용하여 사람들의 불안 감정을 분류할 수 있는 분류 모델을 생성하고 실험 데이터를 이용해 모델을 검증한다. 실제 구현하여 생성한 모델은 사람들의 불안 감정을 8.791%의 정확성으로 분류할 수 있고, 전처리를 사용한 후 생성한 모델은 62.902%의 정확도로 분류할 수 있다.